Sep, 2023

人格分析：社交媒体个人资料对预测个人信息有多大的信息量？

PDF
TL;DR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。
发现论文，激发创造
  • 使用预先训练的语言模型将 Myers-Briggs 人格分类应用于社交媒体文本

    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

  • 借助 Twitter 数据进行人格检测与分析

    自动检测个性特征的研究方法已引起计算语言学领域的广泛关注，本文针对此领域中数据集有限的问题，收集和发布了一个包含 1.52 亿推文和 5.6 万份数据点的研究社区最大的自动整理数据集，以用于预测迈尔斯 - 布里格斯（MBTI）人格类型，通过对数据进行定性和定量研究，分析了数据的模式，并得出了相应的结论。

    Sep, 2023

  • 利用传统与深度学习结合 Myers-Briggs 类型指标和文本发布风格辨别人格类型

    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

  • 基于个性化的社交多媒体内容推荐

    本研究旨在研究人格特质对内容推荐模型的影响，通过一个名为 PersiC 的创新的基于人格特质的多视角内容推荐引擎，进行实验和现实案例研究，结果表明它不仅能够有效地具有人格驱动的多视角内容推荐能力，而且能够提出行之有效的数字广告策略建议，将数字广告效率提高了 420% 以上，相较于最初的人为指导方法。

    Jul, 2022

  • 利用在线用户画像检测 Twitter 上的社交机器人

    通过机器学习模型，利用推文文本中提取的用户资料来检测社交机器人（social bots）的研究，其主要贡献为提出一种利用个人信息相似性来区分社交机器人和人类用户的新模型，并创建了一个包含 6900 个 Twitter 账户资料的公共数据集。

    Mar, 2022

  • 研究用户在不同在线社交网络中的足迹

    本文利用 Social Graph API、FriendFeed 和 Profilactic 等工具提取了不同社交网络用户身份的信息，并生成了数字足迹。该文专注于推特和领英用户的自动分类，通过 UserID 和 Name 特征和相似度分析，实现了 98% 的准确性、99% 的精度和 96% 的召回率，从而解决了在多个社交网络上识别同一用户的问题。

    Jan, 2013

  • 利用心理测量测试中的项目作为 Twitter 用户个性化建模的训练数据

    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

  • 使用预训练语言模型进行 Myers-Briggs 人格分类和个性化语言生成

    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

  • 衡量有影响力的信息对不同角色的影响

    本文提出了一个新任务 ——Response Forecasting on Personas for News Media，并创建了一个包含 13,357 条回复的数据集，以预测不同人物或人群对新闻事件的不同响应，其中任务除了预测评论的情感极性和强度外，还引入了个性化因素，利用最新的神经语言模型进行研究，分析结果表明，加入人物特征有助于预测响应的所有维度，同时该任务的制定还能够应用于社交网络分析中的极端意见群体讨论等多种有趣应用。

    May, 2023

  • MBTI 类型的可解释性多标签分类

    本文旨在确定最有效的机器学习模型，以准确地从 Reddit 帖子和 Kaggle 数据集中对 Myers-Briggs 类型指标（MBTI）进行分类。我们应用多标签分类和二元关联方法，并使用可解释的人工智能（XAI）方法突出流程和结果的透明度和可理解性。为了实现这一目标，我们试验了针对简单性、透明度和可解释性而设计的玻璃盒学习模型。我们选取了 k-Nearest Neighbour、Multinomial Naive Bayes 和 Logistic Regression 作为玻璃盒模型。我们表明，如果排除观察者（S）特质类别，Multinomial Naive Bayes 和 k-Nearest Neighbour 表现更好，而当所有类别都有超过 550 条记录时，Logistic Regression 获得最佳结果。

    May, 2024