基于属性感知辅助学习的细粒度性格推理

高晓雅，王晶晶，李寿山

(苏州大学 计算机科学与技术学院 江苏 苏州 215006)

0 引言

性格推理任务是对用户自发产生的论述性内容进行分析、处理、归纳和推理性格的过程。随着互联网及社交媒体的迅速发展，用户习惯于在网络平台上发表自己对某事物的观点和评论，而这些观点和评论中往往反映了用户的实时性格倾向，通过捕捉这些性格倾向，可以应用在广泛的场景中，例如，优化推荐系统、AI虚拟人物性格建模、社交媒体分析[1-3]、心理学分析如焦虑症检测和抑郁症检测[4]。因此，性格推理任务得到了来自工业界和学术界越来越多的关注。

传统的性格推理任务集中于分析用户的大五人格体系[1,5-7]，即：神经质、外倾性、经验开放性、宜人性、认真性。但是在现实应用场景中，大五人格体系中的性格特征较为抽象且粗粒度，在工业应用角度存在一定的局限性，例如，AI虚拟人物的开发中倾向于设定更细粒度且具体的性格特征，在商业场景下可以表现出“理性”或“善于洞察”的性格倾向，在医疗场景下可以表现出“富于同情心”或“慈爱”的性格倾向等。因此，本文提出了一种新的细粒度性格推理任务，致力于从用户的评论文本中分析用户实时的性格倾向(如浪漫、害羞等)。

首先，仅根据句子级文本来判断用户实时的细粒度性格倾向是本文的挑战之一。现今，性格推理任务方法主要分为机器学习方法和深度学习方法。机器学习方法中，常用的方法有朴素贝叶斯(NB)、支持向量机(SVM)和最大熵(ME)，利用TF-IDF等方法构建文本特征后送入模型中训练，得到文本的最终表示用于分类任务[8]。……