基于微博的人格分類模型

馮豆豆

（四川大學計算機學院，成都 610065）

0 引言

隨著網絡及移動設備的普及，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，表達個人觀點和抒發內心情感。這些微博數據記錄了用戶真實、長期的心理活動，是研究用戶人格的很好的數據。

人格作為心理學的一大分支，其研究重點是個體間的差異性。人格計算則是通過分析用戶的行為結果，預測用戶的人格，以量化個體間的差異性。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，以提供更好的個性化服務，例如為高盡責性用戶推薦實用性較強的產品，為高開放性用戶推薦新奇產品等。人格計算擁有廣泛的應用空間，利用用戶的人格數據，可以為員工選聘提供指導意見，可以預測用戶是否具有攻擊行為，判斷用戶是否抑郁等。

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

1 相關工作

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自己的感受和心情。這些數據記錄了用戶真實、長期的心理活動，為建立人格分類模型提供了理想的數據基礎。

人格分類是通過分析用戶的行為結果，預測用戶的人格屬于哪種類型，以量化個體間的差異性2。據筆者所知，人格分類的第一個研究是Sholomo等人[3]在2005年發表的，他們收集了1200名學生的2263篇散文，研究中使用功能詞（Function Words）1功能詞：Function words，不具有實際意義，但發揮語法作用的詞，如英語中的冠詞the。和系統功能語法（Systemic Functional Grammar）2系統功能語法：是韓立德等人提出的一種理論，認為語言是一個系統網絡，其中包含了多個子系統，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定性特質建立分類模型。2006年，Oberlander等人[4]認為博客可以記錄用戶在不受限制的條件下所想的內容，能夠更好地體現用戶人格，于是收集整理了71名用戶在一個月內寫下的博客，以n元組在博客中出現的次數作為特征值，使用支持向量機和樸素貝葉斯建立分類模型，模型的準確率可達到85%。為檢驗模型的泛化能力，Nowson等人[5]建立了一個更大的語料庫，語料庫中包含了1672名用戶的博客，并將模型應用到新語料庫上，模型的準確率從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絡數據進行人格計算的，他們開發了一個Facebook應用，可以讓用戶在線填寫人格測試問卷，并且在用戶填寫問卷時收集用戶在Facebook上的數據，去掉不合格樣本后，剩余167個被試。用到的特征包括：文本特征、個人信息、網絡結構特征以及活動偏好特征，一共77個，最終的平均絕對誤差在0.11左右，證明使用社交網絡數據預測人格是可行的。

此后，利用社交網絡進行人格計算的研究層出不窮，為便于各研究成果之間進行比較，Stillwell等人[7]建立了myPersonality語料庫，語料庫來自Facebook平臺，收集了用戶的文本數據以及網絡結構數據，使用IPIP NEO-PI-R 大五人格量表（Goldberg L R，2006）[8]獲取用戶人格分數。

基于 myPersonality語料庫，Markovikj等人[9]用SMO和AdaBoost算法建立分類模型，準確率高達0.86～0.95。模型用到的特征可分為五個子集：網絡屬性、LIWC、詞性統計、Afinn和H4Lvd，結果表明文本特征對于提高模型準確率很有幫助。

Farnadi等人[10]，分別在 Facebook、Twitter和 You-Tube三個社交平臺上建立人格計算模型，并且嘗試用另一個社交平臺上的數據擴充當前語料庫（如，使用Facebook上的數據擴充Twitter語料庫），結果發現擴充后的語料庫更難以預測。因為，不同社交平臺上的用戶分布不同，簡單的擴充只會增加數據噪聲。所以，本文將關注的重點只放在新浪微博一個平臺上。

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

國內方面，基于中文社交媒體的人格計算一般從微博、人人網收集數據。

Bai等人[12]從335名人人網用戶的數據中提取出五個子特征集，包括基本信息、網絡屬性、時間屬性，情感類型四個方面，使用C4.5建立二分類模型。分類依據是所有用戶得分的平均值和標準差，低于平均值一個標準差的為低分組，高于平均值一個標準差的為高分組，剩余為中間組，中間組忽略不計。但正如Mairesse[13]所說，這樣做雖然可以提高準確率，但卻降低了召回率。考慮到召回率，且為避免數據不均衡，本研究中的分類依據以中位數為分界線。等于高于中位數者為高特質，低于中位數者為低特質者。

2 人格分類模型

在人格心理學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流派，研究取向可分為兩個：詞匯研究和問卷研究。詞匯研究基于詞匯假設，認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是特質論，特質論認為人格是可預測的，通過觀察個人長期行為，便可總結得出人格特質。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，簡稱 NEO-PI，修訂版稱為NEO-PI-R）。大五人格模型共包含五個特質因素，表1介紹了大五人格模型的各個特質因素。

表1 大五人格模型

2.1 數據采集

為了收集數據，建立了人格測試網站3網址：http：//www.panvote.top/。用戶打開網站后首先需要使用微博賬號登錄，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 網站操作流程圖

用戶填寫完量表后，向用戶反饋其人格數據。用戶看到結果后，可以選擇分享到微博或關閉。其他用戶若點擊了該用戶分享的內容，也可參與調查。數據收集過程從2017年12月5日到2018年5月23日，共收集了324名用戶的微博數據。為保證收集到的數據是有用戶自己寫的，過濾掉了非原創數據。

2.2 數據篩選

為去除噪聲、無效數據，對數據進行篩選，篩選規則如下：

（1）將注冊時間低于一個月的用戶數據去除，因為這樣的用戶可能還不熟悉微博的使用方式；

（2）將用戶中轉發的內容去掉，非原創的內容并不能體現出用戶的人格；

（3）將微博數量小于10條的去掉，因為這樣的用戶數據量太少；

（4）去掉平均每天發微博的數量超過50條的，因為這樣的賬號可能是營銷賬號，通常由某個工作室維護，并不是單個用戶使用。

篩選過后，只有236名用戶數據有效。

2.3 模型特征

本研究中用到的特征包括四個部分：

（1）個人信息：

個人信息是指每個用戶所公開的個人數據，包括昵稱、性別和年齡。

（2）網絡特征：

網絡特征是指用戶在使用微博網絡屬性，主要包括：粉絲數、關注數、微博數、分享數、評論數。不同的用戶在使用社交網絡時，會產生不同的行為，這些行為長期累積使得用戶的網絡屬性各不相同。所以，網絡屬性可以幫助我們分析用戶的人格。

（3）文本特征：

Pennebaker等人[14]認為個體所寫下的文本內容反映了個體的人格。所以，用戶的文本數據是人格計算的重要線索。

對于用戶文本分析來說，傳統的做法是基于SCLIWC等詞典提取文本特征，但是這種方法并不適合微博數據。因為微博數據具有很強的時新性，網絡用語更新換代快，新生詞層出不窮。而傳統做法所依賴的詞典并沒有囊括這些新生詞，會丟失許多信息。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量大于消極情感詞數量，則該條微博屬于積極情感，反之亦然。以一個月為單位，統計每個月中積極情感的微博條數numpos，和消極情感的微博條數numneg，統計用戶最近一年內，每個月的numpos和numneg，分別求出積極情感的平均值avgpos和標準差stdpos，和消極情感的平均值avgneg和標準差stdneg。

2.4 分類模型

人格分類領域常用的分類算法有樸素貝葉斯NB[4,15-16,18]、支持向量機 SVM[4,10,17,20]和 C4.5算法[12]。為方便對比本文使用了樸素貝葉斯、支持向量機和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缺點。

表2 NB、SVM、KNN及C4.5原理簡介及優缺點列舉

2.5 實驗結果

表3 本研究實驗結果和其他研究結果的對比

從表3中可以看出本研究結果優于其他研究。

3 結語

隨著社會的發展，人們對智能化的要求越來越高，因此，讓機器了解人類的心理活動，并作出適合的響應越來越重要。這就需要將心理學和計算機科學聯系起來，人格計算正是這樣的一個領域。人格計算自提出至今已有十多年的歷史，但仍存在很多問題，本文提出以下兩個改進方面。

（1）人格特質間的弱連接

文獻[18]提出人格特質間存在弱連接，文獻[19]中用皮爾遜相關計算人格特質間的相關性，發現各特質之間存在相關性（相關系數為-0.406～0.318），尤其是開放性和外向性這兩個維度，呈顯著相關（0.318）。文獻[20]中用J-S散度來計算人格特質間的弱相關性，并且使用肯德爾相關加以驗證，最后還比較了人格間弱相關對人格計算系統的影響，并得出結論：當不考慮人格特質間的弱相關性時，系統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間的弱相關加入到人格計算系統中。

（2）利用大數據分析情境

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