基于Web日志的性格预测与群体画像方法研究

提出一种用户性格预测与群体画像方法。该方法将数据挖掘、机器学习和画像技术相结合,首先改进了传统TF-IDF算法没有考虑文章结构的问题,提高网页主题挖掘的准确率;其次根据大五类性格构建“性格-主题-关键词”(PTK)模型,归结不同用户的兴趣属性特征和性格属性特征,并结合用户的基础属性对用户进行综合画像;然后运用K-means方法将拥有相同属性特征的人群进行聚类,描绘在社会中拥有相似特征人群的群体面貌;最后通过实验证明,该方法使用改进的TF-IDF方法对网页文本进行挖掘效果要优于LDA主题模型,而且可以有效对用户的性格进行预测与群体画像。

基于行为信息的微博用户性格预测研究

在研究心理学中的'大五人格'模型的基础上,针对社交网络,提出了一种基于用户行为信息预测性格的方法。采用'大五人格量表'测试模型对用户性格进行不同维度的分析;选用微博用户的行为信息构建用户性格模型;通过对用户信息与用户性格之间的关系进行分析,从中提取5个相关度最强的特征维度,并基于线性回归的方法构建了用户性格预测模型。实验结果表明,构建的性格预测模型正确率达到了78. 5%。

基于行为日志的性格倾向预测

本文提出了一种基于神经网络的双标签人格检测模型。该模型结合了网络用户的行为特征,并对通过不同分类器传递可用数据得到的结果进行比较。构建了一个改进的LSTM神经网络模型用于有效预测关于行为日志所反映的用户性格特征。实验结果表明,与其他常见神经网络模型相比较,所提出的模型达到了更好的AUC(0.83)。

基于文本信息的人物性格分析算法的研究与实现

本课题研究基于文本信息分析人物性格,聚焦于静态文本来获取小说、剧本等文学作品中的人物性格,使用《平凡的世界》这一小说著作作为样本分析训练模型,结合心理学中的大五人格算法,主要采用神经网络与传统机器学习相结合的方式,通过对比doc2Vec和word2Vec + CNN两个模型的模型效果发现在预测未知人物性格时前者有着更好的表现,因此,该模型将智能分析文本这一想法变为可能,并且可通过大五人格量表将预测得分映射出人物的性格词汇,使得未来机器能够“读懂”语义,对用户画像、智能机器以及心理学的发展具有重要意义。