基于微博的人格分類模型

馮豆豆

（四川大學(xué)計(jì)算機(jī)學(xué)院，成都 610065）

0 引言

隨著網(wǎng)絡(luò)及移動(dòng)設(shè)備的普及，新浪微博逐漸融入人們的生活，越來越多的用戶利用微博來記錄生活，表達(dá)個(gè)人觀點(diǎn)和抒發(fā)內(nèi)心情感。這些微博數(shù)據(jù)記錄了用戶真實(shí)、長(zhǎng)期的心理活動(dòng)，是研究用戶人格的很好的數(shù)據(jù)。

人格作為心理學(xué)的一大分支，其研究重點(diǎn)是個(gè)體間的差異性。人格計(jì)算則是通過分析用戶的行為結(jié)果，預(yù)測(cè)用戶的人格，以量化個(gè)體間的差異性。利用這些量化了的差異性，可以判斷出不同用戶的不同需求，以提供更好的個(gè)性化服務(wù)，例如為高盡責(zé)性用戶推薦實(shí)用性較強(qiáng)的產(chǎn)品，為高開放性用戶推薦新奇產(chǎn)品等。人格計(jì)算擁有廣泛的應(yīng)用空間，利用用戶的人格數(shù)據(jù)，可以為員工選聘提供指導(dǎo)意見，可以預(yù)測(cè)用戶是否具有攻擊行為，判斷用戶是否抑郁等。

全特質(zhì)理論是William[1]等人提出的，全特質(zhì)理論認(rèn)為人格具有周期性，不同人格特質(zhì)的人周期變化不同。

1 相關(guān)工作

微博是我國青年最常用的社交工具之一，在微博上人們可以無約束地表達(dá)自己的感受和心情。這些數(shù)據(jù)記錄了用戶真實(shí)、長(zhǎng)期的心理活動(dòng)，為建立人格分類模型提供了理想的數(shù)據(jù)基礎(chǔ)。

人格分類是通過分析用戶的行為結(jié)果，預(yù)測(cè)用戶的人格屬于哪種類型，以量化個(gè)體間的差異性2。據(jù)筆者所知，人格分類的第一個(gè)研究是Sholomo等人[3]在2005年發(fā)表的，他們收集了1200名學(xué)生的2263篇散文，研究中使用功能詞（Function Words）1功能詞：Function words，不具有實(shí)際意義，但發(fā)揮語法作用的詞，如英語中的冠詞the。和系統(tǒng)功能語法（Systemic Functional Grammar）2系統(tǒng)功能語法：是韓立德等人提出的一種理論，認(rèn)為語言是一個(gè)系統(tǒng)網(wǎng)絡(luò)，其中包含了多個(gè)子系統(tǒng)，語言使用者可以從中做出選擇。中的詞類作為特征，分別為外向性和情緒穩(wěn)定性特質(zhì)建立分類模型。2006年，Oberlander等人[4]認(rèn)為博客可以記錄用戶在不受限制的條件下所想的內(nèi)容，能夠更好地體現(xiàn)用戶人格，于是收集整理了71名用戶在一個(gè)月內(nèi)寫下的博客，以n元組在博客中出現(xiàn)的次數(shù)作為特征值，使用支持向量機(jī)和樸素貝葉斯建立分類模型，模型的準(zhǔn)確率可達(dá)到85%。為檢驗(yàn)?zāi)Ｐ偷姆夯芰Γ琋owson等人[5]建立了一個(gè)更大的語料庫，語料庫中包含了1672名用戶的博客，并將模型應(yīng)用到新語料庫上，模型的準(zhǔn)確率從85%下降到了60%左右，可見模型的泛化能力弱。

Golbeck等人[6]是最早開始用社交網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行人格計(jì)算的，他們開發(fā)了一個(gè)Facebook應(yīng)用，可以讓用戶在線填寫人格測(cè)試問卷，并且在用戶填寫問卷時(shí)收集用戶在Facebook上的數(shù)據(jù)，去掉不合格樣本后，剩余167個(gè)被試。用到的特征包括：文本特征、個(gè)人信息、網(wǎng)絡(luò)結(jié)構(gòu)特征以及活動(dòng)偏好特征，一共77個(gè)，最終的平均絕對(duì)誤差在0.11左右，證明使用社交網(wǎng)絡(luò)數(shù)據(jù)預(yù)測(cè)人格是可行的。

此后，利用社交網(wǎng)絡(luò)進(jìn)行人格計(jì)算的研究層出不窮，為便于各研究成果之間進(jìn)行比較，Stillwell等人[7]建立了myPersonality語料庫，語料庫來自Facebook平臺(tái)，收集了用戶的文本數(shù)據(jù)以及網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)，使用IPIP NEO-PI-R 大五人格量表（Goldberg L R，2006）[8]獲取用戶人格分?jǐn)?shù)。

基于 myPersonality語料庫，Markovikj等人[9]用SMO和AdaBoost算法建立分類模型，準(zhǔn)確率高達(dá)0.86～0.95。模型用到的特征可分為五個(gè)子集：網(wǎng)絡(luò)屬性、LIWC、詞性統(tǒng)計(jì)、Afinn和H4Lvd，結(jié)果表明文本特征對(duì)于提高模型準(zhǔn)確率很有幫助。

Farnadi等人[10]，分別在 Facebook、Twitter和 You-Tube三個(gè)社交平臺(tái)上建立人格計(jì)算模型，并且嘗試用另一個(gè)社交平臺(tái)上的數(shù)據(jù)擴(kuò)充當(dāng)前語料庫（如，使用Facebook上的數(shù)據(jù)擴(kuò)充Twitter語料庫），結(jié)果發(fā)現(xiàn)擴(kuò)充后的語料庫更難以預(yù)測(cè)。因?yàn)椋煌缃黄脚_(tái)上的用戶分布不同，簡(jiǎn)單的擴(kuò)充只會(huì)增加數(shù)據(jù)噪聲。所以，本文將關(guān)注的重點(diǎn)只放在新浪微博一個(gè)平臺(tái)上。

除了英文語外，其他國家的研究者們也針對(duì)自己的母語進(jìn)行了研究。目前，最進(jìn)的成果是Suhartono等人[11]的研究。Suhartono等人通過印度尼西亞版的Twitter平臺(tái)，收集了359名用戶的數(shù)據(jù)，分別用SVM和XGBoost建立分類模型，SVM的準(zhǔn)確率為76.2%，而XGBoost的準(zhǔn)確率達(dá)到了97.9%，甚至對(duì)于情緒穩(wěn)定性和外向性達(dá)到了100%。

國內(nèi)方面，基于中文社交媒體的人格計(jì)算一般從微博、人人網(wǎng)收集數(shù)據(jù)。

Bai等人[12]從335名人人網(wǎng)用戶的數(shù)據(jù)中提取出五個(gè)子特征集，包括基本信息、網(wǎng)絡(luò)屬性、時(shí)間屬性，情感類型四個(gè)方面，使用C4.5建立二分類模型。分類依據(jù)是所有用戶得分的平均值和標(biāo)準(zhǔn)差，低于平均值一個(gè)標(biāo)準(zhǔn)差的為低分組，高于平均值一個(gè)標(biāo)準(zhǔn)差的為高分組，剩余為中間組，中間組忽略不計(jì)。但正如Mairesse[13]所說，這樣做雖然可以提高準(zhǔn)確率，但卻降低了召回率。考慮到召回率，且為避免數(shù)據(jù)不均衡，本研究中的分類依據(jù)以中位數(shù)為分界線。等于高于中位數(shù)者為高特質(zhì)，低于中位數(shù)者為低特質(zhì)者。

2 人格分類模型

在人格心理學(xué)中有多種人格因素模型，目前最流行的是大五人格模型（Big Five Model）也叫做五因素模型（Five Factor Inventory）。大五人格模型基于特質(zhì)流派，研究取向可分為兩個(gè)：詞匯研究和問卷研究。詞匯研究基于詞匯假設(shè)，認(rèn)為通過分析自然語言中的詞匯及語義，可以探究人格的維度。問卷研究的理論基礎(chǔ)是特質(zhì)論，特質(zhì)論認(rèn)為人格是可預(yù)測(cè)的，通過觀察個(gè)人長(zhǎng)期行為，便可總結(jié)得出人格特質(zhì)。常用的人格問卷是Paul Costa和Robert McCrae共同編制的《NEO人格問卷》（NEO Personality Inventory，簡(jiǎn)稱 NEO-PI，修訂版稱為NEO-PI-R）。大五人格模型共包含五個(gè)特質(zhì)因素，表1介紹了大五人格模型的各個(gè)特質(zhì)因素。

表1 大五人格模型

2.1 數(shù)據(jù)采集

為了收集數(shù)據(jù)，建立了人格測(cè)試網(wǎng)站3網(wǎng)址：http：//www.panvote.top/。用戶打開網(wǎng)站后首先需要使用微博賬號(hào)登錄，然后做44題中文版的人格問卷。具體的操作流程如圖1所示。

圖1 網(wǎng)站操作流程圖

用戶填寫完量表后，向用戶反饋其人格數(shù)據(jù)。用戶看到結(jié)果后，可以選擇分享到微博或關(guān)閉。其他用戶若點(diǎn)擊了該用戶分享的內(nèi)容，也可參與調(diào)查。數(shù)據(jù)收集過程從2017年12月5日到2018年5月23日，共收集了324名用戶的微博數(shù)據(jù)。為保證收集到的數(shù)據(jù)是有用戶自己寫的，過濾掉了非原創(chuàng)數(shù)據(jù)。

2.2 數(shù)據(jù)篩選

為去除噪聲、無效數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行篩選，篩選規(guī)則如下：

（1）將注冊(cè)時(shí)間低于一個(gè)月的用戶數(shù)據(jù)去除，因?yàn)檫@樣的用戶可能還不熟悉微博的使用方式；

（2）將用戶中轉(zhuǎn)發(fā)的內(nèi)容去掉，非原創(chuàng)的內(nèi)容并不能體現(xiàn)出用戶的人格；

（3）將微博數(shù)量小于10條的去掉，因?yàn)檫@樣的用戶數(shù)據(jù)量太少；

（4）去掉平均每天發(fā)微博的數(shù)量超過50條的，因?yàn)檫@樣的賬號(hào)可能是營(yíng)銷賬號(hào)，通常由某個(gè)工作室維護(hù)，并不是單個(gè)用戶使用。

篩選過后，只有236名用戶數(shù)據(jù)有效。

2.3 模型特征

本研究中用到的特征包括四個(gè)部分：

（1）個(gè)人信息：

個(gè)人信息是指每個(gè)用戶所公開的個(gè)人數(shù)據(jù)，包括昵稱、性別和年齡。

（2）網(wǎng)絡(luò)特征：

網(wǎng)絡(luò)特征是指用戶在使用微博網(wǎng)絡(luò)屬性，主要包括：粉絲數(shù)、關(guān)注數(shù)、微博數(shù)、分享數(shù)、評(píng)論數(shù)。不同的用戶在使用社交網(wǎng)絡(luò)時(shí)，會(huì)產(chǎn)生不同的行為，這些行為長(zhǎng)期累積使得用戶的網(wǎng)絡(luò)屬性各不相同。所以，網(wǎng)絡(luò)屬性可以幫助我們分析用戶的人格。

（3）文本特征：

Pennebaker等人[14]認(rèn)為個(gè)體所寫下的文本內(nèi)容反映了個(gè)體的人格。所以，用戶的文本數(shù)據(jù)是人格計(jì)算的重要線索。

對(duì)于用戶文本分析來說，傳統(tǒng)的做法是基于SCLIWC等詞典提取文本特征，但是這種方法并不適合微博數(shù)據(jù)。因?yàn)槲⒉?shù)據(jù)具有很強(qiáng)的時(shí)新性，網(wǎng)絡(luò)用語更新?lián)Q代快，新生詞層出不窮。而傳統(tǒng)做法所依賴的詞典并沒有囊括這些新生詞，會(huì)丟失許多信息。因此本研究中的文本特征通過TF-IDF選出特征詞，然后使用特征詞的頻率作為文本特征。

（4）情感特征：

基于中國知網(wǎng)的情感詞詞典分析每條微博的情感。如果微博中包含的積極情感詞數(shù)量大于消極情感詞數(shù)量，則該條微博屬于積極情感，反之亦然。以一個(gè)月為單位，統(tǒng)計(jì)每個(gè)月中積極情感的微博條數(shù)numpos，和消極情感的微博條數(shù)numneg，統(tǒng)計(jì)用戶最近一年內(nèi)，每個(gè)月的numpos和numneg，分別求出積極情感的平均值avgpos和標(biāo)準(zhǔn)差stdpos，和消極情感的平均值avgneg和標(biāo)準(zhǔn)差stdneg。

2.4 分類模型

人格分類領(lǐng)域常用的分類算法有樸素貝葉斯NB[4,15-16,18]、支持向量機(jī) SVM[4,10,17,20]和 C4.5算法[12]。為方便對(duì)比本文使用了樸素貝葉斯、支持向量機(jī)和C4.5，表2介紹了這四種分類算法的原理并列舉了各自的優(yōu)缺點(diǎn)。

表2 NB、SVM、KNN及C4.5原理簡(jiǎn)介及優(yōu)缺點(diǎn)列舉

2.5 實(shí)驗(yàn)結(jié)果

表3 本研究實(shí)驗(yàn)結(jié)果和其他研究結(jié)果的對(duì)比

從表3中可以看出本研究結(jié)果優(yōu)于其他研究。

3 結(jié)語

隨著社會(huì)的發(fā)展，人們對(duì)智能化的要求越來越高，因此，讓機(jī)器了解人類的心理活動(dòng)，并作出適合的響應(yīng)越來越重要。這就需要將心理學(xué)和計(jì)算機(jī)科學(xué)聯(lián)系起來，人格計(jì)算正是這樣的一個(gè)領(lǐng)域。人格計(jì)算自提出至今已有十多年的歷史，但仍存在很多問題，本文提出以下兩個(gè)改進(jìn)方面。

（1）人格特質(zhì)間的弱連接

文獻(xiàn)[18]提出人格特質(zhì)間存在弱連接，文獻(xiàn)[19]中用皮爾遜相關(guān)計(jì)算人格特質(zhì)間的相關(guān)性，發(fā)現(xiàn)各特質(zhì)之間存在相關(guān)性（相關(guān)系數(shù)為-0.406～0.318），尤其是開放性和外向性這兩個(gè)維度，呈顯著相關(guān)（0.318）。文獻(xiàn)[20]中用J-S散度來計(jì)算人格特質(zhì)間的弱相關(guān)性，并且使用肯德爾相關(guān)加以驗(yàn)證，最后還比較了人格間弱相關(guān)對(duì)人格計(jì)算系統(tǒng)的影響，并得出結(jié)論：當(dāng)不考慮人格特質(zhì)間的弱相關(guān)性時(shí)，系統(tǒng)F1值相較于峰值下降很多。在未來的工作中需要將人格特質(zhì)間的弱相關(guān)加入到人格計(jì)算系統(tǒng)中。

（2）利用大數(shù)據(jù)分析情境

人格計(jì)算根據(jù)用戶的行為結(jié)果（本文指文章內(nèi)容）來預(yù)測(cè)用戶人格，但同一個(gè)用戶在不同的情境下產(chǎn)生的行為結(jié)果是不同的。例如，某用戶具有高外向性特質(zhì)，在與朋友聚會(huì)后寫下的隨筆記錄可以反映出他的外向性特質(zhì)，但是在失眠后寫下的隨筆記錄可能會(huì)表現(xiàn)出低外向性。文獻(xiàn)[21]提出需要在人格計(jì)算中考慮到情境因素，文獻(xiàn)[22]針對(duì)文獻(xiàn)[25]中的情境問題提出：通過大數(shù)據(jù)分析可以獲得情境對(duì)用戶行為的影響。朱廷劭等人[23]利用中文心理分析系統(tǒng)分析微博用戶的情緒內(nèi)容，得出了情緒在一天內(nèi)隨時(shí)間的變化規(guī)律。該變化規(guī)律在一定程度上反映出了情境對(duì)用戶行為的影響，基于此我們可以去除人格計(jì)算中的部分噪點(diǎn)信息。例如，文獻(xiàn)[27]中的規(guī)律指出，用戶在凌晨3點(diǎn)左右處于消極情緒，一個(gè)低神經(jīng)質(zhì)的用戶在凌晨3點(diǎn)可能受到失眠的困擾，而表現(xiàn)出高神經(jīng)質(zhì)的特質(zhì)，這就屬于人格計(jì)算中的一個(gè)噪點(diǎn)信息。未來的人格計(jì)算工作中，可以考慮用大數(shù)據(jù)分析情景對(duì)用戶行為的影響，從而降低人格計(jì)算中的噪點(diǎn)。