本文讨论了自然语言处理中预训练语言模型在个性化分类方面的应用，并使用 BERT 模型在 MBTI 人格模型上进行了实验，发现该方法在多个评估场景下显著优于基于词袋和静态词嵌入的文本分类模型，并且通常优于前人在该领域的工作。

Jul, 2022

本研究运用朴素贝叶斯、支持向量机和循环神经网络等机器学习技术，基于 Myers-Briggs 类型指标（MBTI）的文本预测人格，并应用 CRISP-DM 和敏捷方法来指导学习过程。

Jan, 2022

使用 distant supervision 方法创建了一个新的 YouTube 评论语料库，标注了作者的人格特质，任务是在此语料库上进行人格预测实验以及与带有 MBTI 标注的推特数据集 TwiSty 上的实验进行对比。通过对分类器使用的特征进行深入分析，发现不同的模型在人格检测上表现都不一，有些特质更容易被检测出，而有些特质则更加模糊。

Nov, 2020

本文使用预训练的语言模型来预测基于标记文本的 MBTI 人格类型，并探讨了使用经过微调的 BERT 模型进行人格特定语言生成的可能性。

Jul, 2019

该研究论文在社交媒体上对作者进行个性化分析，比较了从自我报告的心理测验和已有标签中获取数据的方法和使用经过验证的心理测验数据的方法。使用 T5 数据增强的 BERT 分类器在大五个性特征的小数据集上表现可比附近领域训练的模型。

Feb, 2022

本研究使用神经网络和分布式算法来提取文本的隐藏性信息，研究人员从心理学文献定义的五大人格特征（Big Five）的形容词词典开始，并构造了包含文本语义信息的嵌入，证明了个人写作风格与其人格特征密切相关。

Feb, 2023

通过分析个人的在线数字足迹，我们比较和研究了逻辑回归、朴素贝叶斯、支持向量机和随机森林等四个模型在预测人们完整性格类型方面的准确性和多样性，结果显示 SVM 模型以 20.95% 的准确性表现最优，尽管逻辑回归模型稍有劣势，但培训速度和预测性能明显更快，我们发现社交媒体上的个人特征标记数据集以及其他数据集都存在较大的类别不平衡问题，因此强调了在这些数据集上报告模型性能时需予以谨慎，同时我们比较了几种解决类别不平衡问题的方法，并开发了一个统计框架来评估模型中不同特征集的重要性，研究发现，对于直觉 / 感知模型（p = 0.032）和思维 / 情感模型（p = 0.019），某些特征相对于其他特征更具信息量，尽管我们将这些方法应用于 Myers-Briggs 性格分类中，但它们也可以更广泛地用于社交媒体上对个体的标记。

Sep, 2023

基于社交媒体文本的个性检测 —— 注意力机制下的信息提取与去噪框架的研究

Nov, 2023

本文综述了情感计算领域中采用的用于自动预测人格特质的机器学习模型，重点是基于深度学习的方法以及多模态方法，包括了计算数据集，实际应用及最新的机器学习模型。

Aug, 2019

本文介绍基于语言使用进行人格预测的交叉性研究，报道了用于文本数据的最全面的心理语言学特征和混合模型的两个主要改进，实验结果表明，这些模型优于同一数据集上的现有工作，并通过对心理语言学特征的不同类别进行消融实验来量化其影响。

Apr, 2022