【技术实现步骤摘要】
基于注意力机制的人格预测方法及系统
[0001]本专利技术涉及深度学习技术和人格预测
，具体涉及一种基于注意力机制的人格预测方法及系统。
技术介绍
[0002]人格作为个人最主要的特征之一，是指个体在对人、对事、对己等方面的社会适应过程中行为上的内部倾向性和心理特征。人格特征会影响人的行为模式，同时，人的行为模式也能反映出个人的人格。随着互联网的迅速发展以及社交媒体平台的不断增加，用户在社交媒体平台上会产生多种行为，利用用户的多模态行为特征可以预测用户的人格特征，进而了解用户的心理特征，这对社交网络分析、产品推荐系统、欺骗检测、情感和意见挖掘等领域都有着重要价值。
[0003]现有技术在预测用户人格特征时多采用深度学习方法，对用户单一行为产生的数据(如用户文本数据或用户点赞数据)进行分析来预测用户的人格特征；或者简单串联用户的两种行为进行人格预测研究。
[0004]上述方法虽然能够在一定程度上对用户的人格进行预测，但是却存在不足：使用用户单一行为进行用户人格预测时，表现出的人格维度会因为数据单一而不完整...
【技术保护点】
【技术特征摘要】
1.一种基于注意力机制的人格预测方法，其特征在于，所述方法包括：获取用户人格数据和包括用户社交数据的用户行为数据；基于所述用户行为数据获取模型训练数据，并基于所述模型训练数据获取特征向量；基于所述特征向量和注意力机制网络生成用户不同人格维度的用户特征向量；基于用户人格数据和不同人格维度的所述用户特征向量训练基于注意力机制的人格预测模型获取多任务人格预测模型，并基于所述多任务人格预测模型进行人格预测。2.如权利要求1所述的方法，其特征在于，所述用户行为数据包括：用户文本数据、用户点赞数据和用户社交数据。3.如权利要求2所述的方法，其特征在于，所述基于所述用户行为数据获取模型训练数据，并基于所述模型训练数据获取特征向量包括：S21、分别基于预设值对所述用户文本数据、用户点赞数据和用户社交数据进行预处理，获取模型训练数据；所述模型训练数据包括文本训练数据、点赞训练数据和社交训练数据；S22、基于所述文本训练数据利用Bert模型和卷积操作获取文本特征向量；基于点赞训练数据利用SVD奇异值分解方法获取偏好特征向量；基于社交训练数据利用Node2Vec方法获取用户的社交特征向量。4.如权利要求3所述的方法，其特征在于，所述基于所述特征向量和注意力机制网络生成用户不同人格维度的用户特征向量包括：将所述文本特征向量、偏好特征向量、社交特征向量输入到注意力机制网络中，获取每个特征在预测用户不同维度人格时所对应的权重，然后将每种特征向量乘以其对应的权重值并相加求和，获取用户不同人格维度的用户特征向量。5.如权利要求1所述的方法，其特征在于，所述基于用户人格数据和不同人格维度的所述用户特征向量训练基于注意力机制的人格预测模型包括：h
1i
＝W
1i
·
V
i
+b1h
′
1i
＝ReLu(h
1i
)h
2i
＝W
2i
·
h
′
1i
+b2h
′
2i
＝ReLu(h
2i
)h
3i
＝W
3i
·
h
′
2i
+b3V
i
＝a
Di
*D
_vec
+a
Li
*L
_vec
+a
Si
*S
_vec_vec
其中，V
i
表示第i种人格的用户特征向量；D
_vec
表示用户文本特征向量；a
Di
表示第i种人格维度用户文本特征向量的权重系数；L
_vec
表示用户偏好特征向量；a
Li
表示第i种人格维度用户偏好特征向量的权重系数；S
_vec
表示用户社交特征向量；a
Si
表示第i种人格维度用户社交特征向量的权重系数；h
1i
表示三层全连接层中第一层的输出；h
′
1i
表示h
1i
经过激活函数的输出；h
2i
表示三层全连接层中第二层的输出；h
′
2i
表示h
2i
经过激活函数的输出；h
3i
表示三
层全连接层中第三层的输出；Relu为激活函数；f0(x)函数为映射函数；Loss表示各个人格维度预测任务的均方误差；y
i
表示用户人格分数；表示预测的用户人格分数；n表示人格维度的个数。6.一种基于注意力机制的人格预测系统，其特征在于，所述系统包括：原始数据获取...
【专利技术属性】
技术研发人员：孙见山，徐其瑜，刘业政，姜元春，袁昆，柴一栋，钱洋，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。