浅论高校图书馆员工工作满意度的神经网络模型
来源:岁月联盟
时间:2014-06-25
利用ind2vec函数将样本中满意度的李克特式5点计分法转换为每行只有一个“1”的稀疏矩阵,即,用(1,0,0,0,0)表示“完全不满意”,(0,1,0,0,0)表示“大部分不满意”,(0,0,1,0,0)表示“部分满意,部分不满意”,(0,0,0,1,0)表示“大部分满意”,(0,0,0,0,1)表示“完全满意”。根据Kolmogorov定理,采用NX(2N+1)XM的3层BP神经网络作为分类器。其中,N表示网络模型输入层的输入向量,本文中即为领导管理、人际关系、工作本身、工作压力、福利报酬和发展前途等6个值;中间隐含层的结点数为2N+1,即13;M表示输出层的输出向量,本文中即为稀疏矩阵中的5个值。中间隐含层神经元的传递函数为s型正切函数;输出层神经元的传递函数为S型对数函数,之所以选择S型对数函数,是因为该函数为0—1函数,正好满足分类器的输出要求。网络的训练函数为运行速度较快的trainlm,学习函数取默认的leamgdm,性能函数取默认的rnse。
3.3网络训练
利用MATI_AB6.5软件平台开发程序。设定网络最大训练次数为5O,训练目标误差为0.001,其余训练参数为默认值。利用归一化处理后的训练样本对BP神经网络进行训练,经过44次训练后,网络误差达到设定的最小值,结果如图1所示。
3.4网络检验
网络训练完成后,还必须利用另外一组数据对其进行检验。所谓检验,实际上是利用所建神经网络模型来获得网络的预测值,然后将预测值和真实值进行比较,以此来验证所建神经网络模型的精度及适用性。从回收的102份有效问卷的样本中,选取后l0组样本对训练好的神经网络进行检验。按式(9)对检验样本中的神经网络输入量(领导管理、人际关系、工作本身、工作压力、福利报酬和发展前途)进行归一化处理,然后输入训练好的神经网络,利用sim函数进行检验预测,其输出的预测值见表2。其中“类别”和“真实值”中的1’表示“完全不满意”,2’表示“大部分不满意”,3’表示“部分满意,部分不满意”,4’表示“大部分满意”,5’表示“完全满意”。
由于神经网络输出的预测值并非每列只含一个“1”的标准稀疏矩阵,为此,将网络输出值每列中最大值置1’,其余值置0’,使其标准化;然后根据分类方法,利用vce2ind函数将稀疏矩阵转换为对应类别,并与检验样本中的真实值进行比较(见表2)。从表中可以看出,采用所建立的神经网络模型进行检验时,获得的高校图书馆员工工作满意度的预测值与检验样本的真实值完全吻合,说明利用BP神经网络建立的高校图书馆员工工作满意度与领导管理、人际关系、工作本身、工作压力、福利报酬和发展前途6个影响因素之间的关系模型是可行的和正确的,能够很好地反映实际情况。
4 结论
(1)将BP人工神经网络用于高校图书馆员工工作满意度的研究是可行的,所建模型能很好地反映实际情况,为高校图书馆员工工作满意度的定量综合评价提供了科学依据。
(2)利用所建立的神经网络模型,可以随时对员工的工作满意度进行评价,能够方便、快捷、准确地及时掌握图书馆员工的思想动态,有利于充分发挥和有效调动图书馆员工工作的积极性和主动性,有助于提升高校图书馆人力资源建设和管理水平,推动和谐高校图书馆的建设。
(3)本文提出的基于人工神经网络的高校图书馆员工工作满意度评价模型建立方法可以进一步推广应用于其他行业的员工工作满意度研究。