基于微博的人格分类模型

冯豆豆

（四川大学计算机学院，成都 610065）

0 引言

随着网络及移动设备的普及，新浪微博逐渐融入人们的生活，越来越多的用户利用微博来记录生活，表达个人观点和抒发内心情感。这些微博数据记录了用户真实、长期的心理活动，是研究用户人格的很好的数据。

人格作为心理学的一大分支，其研究重点是个体间的差异性。人格计算则是通过分析用户的行为结果，预测用户的人格，以量化个体间的差异性。利用这些量化了的差异性，可以判断出不同用户的不同需求，以提供更好的个性化服务，例如为高尽责性用户推荐实用性较强的产品，为高开放性用户推荐新奇产品等。人格计算拥有广泛的应用空间，利用用户的人格数据，可以为员工选聘提供指导意见，可以预测用户是否具有攻击行为，判断用户是否抑郁等。

全特质理论是William[1]等人提出的，全特质理论认为人格具有周期性，不同人格特质的人周期变化不同。

1 相关工作

微博是我国青年最常用的社交工具之一，在微博上人们可以无约束地表达自己的感受和心情。这些数据记录了用户真实、长期的心理活动，为建立人格分类模型提供了理想的数据基础。

人格分类是通过分析用户的行为结果，预测用户的人格属于哪种类型，以量化个体间的差异性2。据笔者所知，人格分类的第一个研究是Sholomo等人[3]在2005年发表的，他们收集了1200名学生的2263篇散文，研究中使用功能词（Function Words）1功能词：Function words，不具有实际意义，但发挥语法作用的词，如英语中的冠词the。和系统功能语法（Systemic Functional Grammar）2系统功能语法：是韩立德等人提出的一种理论，认为语言是一个系统网络，其中包含了多个子系统，语言使用者可以从中做出选择。中的词类作为特征，分别为外向性和情绪稳定性特质建立分类模型。2006年，Oberlander等人[4]认为博客可以记录用户在不受限制的条件下所想的内容，能够更好地体现用户人格，于是收集整理了71名用户在一个月内写下的博客，以n元组在博客中出现的次数作为特征值，使用支持向量机和朴素贝叶斯建立分类模型，模型的准确率可达到85%。为检验模型的泛化能力，Nowson等人[5]建立了一个更大的语料库，语料库中包含了1672名用户的博客，并将模型应用到新语料库上，模型的准确率从85%下降到了60%左右，可见模型的泛化能力弱。

Golbeck等人[6]是最早开始用社交网络数据进行人格计算的，他们开发了一个Facebook应用，可以让用户在线填写人格测试问卷，并且在用户填写问卷时收集用户在Facebook上的数据，去掉不合格样本后，剩余167个被试。用到的特征包括：文本特征、个人信息、网络结构特征以及活动偏好特征，一共77个，最终的平均绝对误差在0.11左右，证明使用社交网络数据预测人格是可行的。

此后，利用社交网络进行人格计算的研究层出不穷，为便于各研究成果之间进行比较，Stillwell等人[7]建立了myPersonality语料库，语料库来自Facebook平台，收集了用户的文本数据以及网络结构数据，使用IPIP NEO-PI-R 大五人格量表（Goldberg L R，2006）[8]获取用户人格分数。

基于 myPersonality语料库，Markovikj等人[9]用SMO和AdaBoost算法建立分类模型，准确率高达0.86～0.95。模型用到的特征可分为五个子集：网络属性、LIWC、词性统计、Afinn和H4Lvd，结果表明文本特征对于提高模型准确率很有帮助。

Farnadi等人[10]，分别在 Facebook、Twitter和 You-Tube三个社交平台上建立人格计算模型，并且尝试用另一个社交平台上的数据扩充当前语料库（如，使用Facebook上的数据扩充Twitter语料库），结果发现扩充后的语料库更难以预测。因为，不同社交平台上的用户分布不同，简单的扩充只会增加数据噪声。所以，本文将关注的重点只放在新浪微博一个平台上。

除了英文语外，其他国家的研究者们也针对自己的母语进行了研究。目前，最进的成果是Suhartono等人[11]的研究。Suhartono等人通过印度尼西亚版的Twitter平台，收集了359名用户的数据，分别用SVM和XGBoost建立分类模型，SVM的准确率为76.2%，而XGBoost的准确率达到了97.9%，甚至对于情绪稳定性和外向性达到了100%。

国内方面，基于中文社交媒体的人格计算一般从微博、人人网收集数据。

Bai等人[12]从335名人人网用户的数据中提取出五个子特征集，包括基本信息、网络属性、时间属性，情感类型四个方面，使用C4.5建立二分类模型。分类依据是所有用户得分的平均值和标准差，低于平均值一个标准差的为低分组，高于平均值一个标准差的为高分组，剩余为中间组，中间组忽略不计。但正如Mairesse[13]所说，这样做虽然可以提高准确率，但却降低了召回率。考虑到召回率，且为避免数据不均衡，本研究中的分类依据以中位数为分界线。等于高于中位数者为高特质，低于中位数者为低特质者。

2 人格分类模型

在人格心理学中有多种人格因素模型，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质流派，研究取向可分为两个：词汇研究和问卷研究。词汇研究基于词汇假设，认为通过分析自然语言中的词汇及语义，可以探究人格的维度。问卷研究的理论基础是特质论，特质论认为人格是可预测的，通过观察个人长期行为，便可总结得出人格特质。常用的人格问卷是Paul Costa和Robert McCrae共同编制的《NEO人格问卷》（NEO Personality Inventory，简称 NEO-PI，修订版称为NEO-PI-R）。大五人格模型共包含五个特质因素，表1介绍了大五人格模型的各个特质因素。

表1 大五人格模型

2.1 数据采集

为了收集数据，建立了人格测试网站3网址：http：//www.panvote.top/。用户打开网站后首先需要使用微博账号登录，然后做44题中文版的人格问卷。具体的操作流程如图1所示。

图1 网站操作流程图

用户填写完量表后，向用户反馈其人格数据。用户看到结果后，可以选择分享到微博或关闭。其他用户若点击了该用户分享的内容，也可参与调查。数据收集过程从2017年12月5日到2018年5月23日，共收集了324名用户的微博数据。为保证收集到的数据是有用户自己写的，过滤掉了非原创数据。

2.2 数据筛选

为去除噪声、无效数据，对数据进行筛选，筛选规则如下：

（1）将注册时间低于一个月的用户数据去除，因为这样的用户可能还不熟悉微博的使用方式；

（2）将用户中转发的内容去掉，非原创的内容并不能体现出用户的人格；

（3）将微博数量小于10条的去掉，因为这样的用户数据量太少；

（4）去掉平均每天发微博的数量超过50条的，因为这样的账号可能是营销账号，通常由某个工作室维护，并不是单个用户使用。

筛选过后，只有236名用户数据有效。

2.3 模型特征

本研究中用到的特征包括四个部分：

（1）个人信息：

个人信息是指每个用户所公开的个人数据，包括昵称、性别和年龄。

（2）网络特征：

网络特征是指用户在使用微博网络属性，主要包括：粉丝数、关注数、微博数、分享数、评论数。不同的用户在使用社交网络时，会产生不同的行为，这些行为长期累积使得用户的网络属性各不相同。所以，网络属性可以帮助我们分析用户的人格。

（3）文本特征：

Pennebaker等人[14]认为个体所写下的文本内容反映了个体的人格。所以，用户的文本数据是人格计算的重要线索。

对于用户文本分析来说，传统的做法是基于SCLIWC等词典提取文本特征，但是这种方法并不适合微博数据。因为微博数据具有很强的时新性，网络用语更新换代快，新生词层出不穷。而传统做法所依赖的词典并没有囊括这些新生词，会丢失许多信息。因此本研究中的文本特征通过TF-IDF选出特征词，然后使用特征词的频率作为文本特征。

（4）情感特征：

基于中国知网的情感词词典分析每条微博的情感。如果微博中包含的积极情感词数量大于消极情感词数量，则该条微博属于积极情感，反之亦然。以一个月为单位，统计每个月中积极情感的微博条数numpos，和消极情感的微博条数numneg，统计用户最近一年内，每个月的numpos和numneg，分别求出积极情感的平均值avgpos和标准差stdpos，和消极情感的平均值avgneg和标准差stdneg。

2.4 分类模型

人格分类领域常用的分类算法有朴素贝叶斯NB[4,15-16,18]、支持向量机 SVM[4,10,17,20]和 C4.5算法[12]。为方便对比本文使用了朴素贝叶斯、支持向量机和C4.5，表2介绍了这四种分类算法的原理并列举了各自的优缺点。

表2 NB、SVM、KNN及C4.5原理简介及优缺点列举

2.5 实验结果

表3 本研究实验结果和其他研究结果的对比

从表3中可以看出本研究结果优于其他研究。

3 结语

随着社会的发展，人们对智能化的要求越来越高，因此，让机器了解人类的心理活动，并作出适合的响应越来越重要。这就需要将心理学和计算机科学联系起来，人格计算正是这样的一个领域。人格计算自提出至今已有十多年的历史，但仍存在很多问题，本文提出以下两个改进方面。

（1）人格特质间的弱连接

文献[18]提出人格特质间存在弱连接，文献[19]中用皮尔逊相关计算人格特质间的相关性，发现各特质之间存在相关性（相关系数为-0.406～0.318），尤其是开放性和外向性这两个维度，呈显著相关（0.318）。文献[20]中用J-S散度来计算人格特质间的弱相关性，并且使用肯德尔相关加以验证，最后还比较了人格间弱相关对人格计算系统的影响，并得出结论：当不考虑人格特质间的弱相关性时，系统F1值相较于峰值下降很多。在未来的工作中需要将人格特质间的弱相关加入到人格计算系统中。

（2）利用大数据分析情境

人格计算根据用户的行为结果（本文指文章内容）来预测用户人格，但同一个用户在不同的情境下产生的行为结果是不同的。例如，某用户具有高外向性特质，在与朋友聚会后写下的随笔记录可以反映出他的外向性特质，但是在失眠后写下的随笔记录可能会表现出低外向性。文献[21]提出需要在人格计算中考虑到情境因素，文献[22]针对文献[25]中的情境问题提出：通过大数据分析可以获得情境对用户行为的影响。朱廷劭等人[23]利用中文心理分析系统分析微博用户的情绪内容，得出了情绪在一天内随时间的变化规律。该变化规律在一定程度上反映出了情境对用户行为的影响，基于此我们可以去除人格计算中的部分噪点信息。例如，文献[27]中的规律指出，用户在凌晨3点左右处于消极情绪，一个低神经质的用户在凌晨3点可能受到失眠的困扰，而表现出高神经质的特质，这就属于人格计算中的一个噪点信息。未来的人格计算工作中，可以考虑用大数据分析情景对用户行为的影响，从而降低人格计算中的噪点。