目录
abstract
近年来，个性的自动预测受到了广泛关注。 具体而言，从多重数据（多模态） 预测人格已成为情感计算领域的热门话题。 在本文中，我们回顾了用于个性检测的重要机器学习模型，重点是基于深度学习的方法。 这篇综述文章概述了最流行的人格检测方法，各种计算数据集，工业应用以及用于人格检测的最新机器学习模型，文章将重点关注多模态。 人格检测是一个非常广泛而多样的主题：本次调查仅关注计算机方法方法，而没有进行关于人格检测的心理学研究。
1. introduction
人格是个人的行为，情感，动力和思想模式特征的组合。我们的性格对我们的生活有很大的影响，影响我们的生活选择，福祉，健康以及我们的喜好和欲望。因此，自动检测人格特征的能力具有许多重要的实际应用。伍德沃思精神神经病学调查表（Papurt，1930年）通常被称为第一个人格测验。它是在第一次世界大战期间为美国军方开发的，目的是对新兵进行创伤后应激障碍 的筛查。如今，PCM 是一种广泛使用和被认可的个性模型。它是由Taibi Kahler在NASA资助下开发的，最初用于协助航天飞机宇航员的选择。现在，该模型主要用于个人咨询，用以帮助个人提高沟通效率。
除了直接确定一个人的个性之外，人们可能还想知道周围的人如何看待他们。与自动人格识别不同，感知人格分析的目标不是自己认为的真实人格，而是与之互动的人是如何看待他们的他们的人格。测试方法是， 被测者的周围的人填写个性问卷，然后确定该被测者人的感知个性。
1.1 个性衡量方法
表示个性的方法有很多种，有16PF (Cattell and Mead 2008), EPQ-R (Miles and Hempel 2004)， PEN (Eysenck 2012)， The MyersBriggs Type Indicator (MBTI)等， 感兴趣的可以自己拓展
比较流行的就是Big-Five， 将一个人的个性分为
- Extraversion
- Neuroticism
- Agreeableness
- Conscientiousness
- Openness
衡量标准是 Yes /No， 是否具有这方面的个性特点
1.2 应用前景
可以用作以下这些方面：
| Enhanced personal assistants | 应用于个人助手， Siri等，使之根据不同用户的不同性格产生个性化的回应 |
| Recommendation systems | 推荐系统 |
| Word polarity detection | 流行词的探测 |
| Specialized health care and counseling | 心理健康咨询 |
| ForensicsIf | 犯罪侦查，通过探测在场人员的性格，减少犯罪嫌疑人的范围 |
| Job screening | 帮助雇佣者找到更符合此工作（性格检测）的人 |
| Psychological studies | 心理学研究 |
| Political forecasting | 帮助政客提出更有效的拉票方案 |
1.3 伦理道德
讨论了个性探测的合法性， 目前对于这方面的法律不健全， 而且分析他人的性格是否是一种侵犯有待商榷。
2. Related works
- 2014年以前， 使用 Naïve Bayes, kNN, mLR, Gaussian Process 这种浅学习技术进行分类
- 2014年后， 逐步采用了深度学习模型来提升准确率
- 2016年， 使用来**simage processing techniques（图片处理技术） and facial feature analysis（面部特征分析）**进行对图片上的个性分析
- 使用不同的个性衡量标准如， MBTI以及加入了不同的指标如， unhappy, weird, intelligent, confident,等等
- 2014年， Vinciarelli and Mohammadi 等人 将性格探测分出来三个下游任务， -
- Automatic Personality Perception (APP) 个性感知
- Automatic Personality Synthesis (APS)
- AutomaticPersonality Recognition (APR). 个性识别
- 2018年， 使用多模态技术， 将不同的数据（文本，图像）同时输入到模型中
3. Baseline methods
介绍一些基本的模型，结构和技术
3.1 文本
文本分为三个个方面
- 通过LIWC， MRC等文本特征提取技术以及简单的分类器（SVM， SMO）进行分类
- 通过fine-tune的词嵌入模型（GloVe or Word2Vec)结合深度神经网络（LSTM，GRU ）等进行分类
- 两者结合
3.2 音频
这个领域方法稍微少些， 主要是利用一些标准的声音特征提取模型，例如Mel-Frequency Cepstral Coefficients (MFCC), Zero Crossing Rate (ZCR), Logfbank， 然后再加上简单分类器SVM等
3.3 图像
首先是使用一些基本的CNN。
使用来一些fine-tuned的模型如，VGG-Face，EigenFace,等
3.4 多模态
将以上的两类或三类的数据，输入到一个多模态的模型中，比较常见的有Deep Residual Networks
目前流行的特征提取工具以及介绍
4. Detailed overview
4.1 文本
4.1.1 LIWC/MRC
- LIWC是一个基于心理学的文本情感分析关键， 它根据心理学研究将要单词分成不同的单词种类， 然后计算每个种类的频率， 将其作为模型输入， 然后进行分类。
- The PR2 system (Celli and Poesio 2014) 则是从LIWC/MRC进一步提取出特征，例如标点符号等，不同的是，只有提取的特征数值大于平均值，才能被用来进行分类， 研究发现这些特征和人的个性具有相关性。这项技术虽然没有提升准确性，但是却有助于更有效的特征提取
4.1.2 Receptiviti API
这个是基于LIWC， 相当于LIWC的API， 通过提交文本， 返回文本的特征提取结果， 但是这个API对于社交媒体的文本的效果不是很好。
4.1.3 社交网络文本研究
- 当前，通过社交网络上的文本进行性格探测，非常流行 Kalghatgi et al. (2015)等人，将用户的社交习惯（平均使用表情数目）以及 文本的语言学特征（平均文本长度）作为特征输入，然后输入到a Multi-Layer Perceptron (MLP).（多重感知器）进行分类预测
4.1.4 深度神经网络应用
- 对于新的数据集consciousness essay dataset (Pennebaker and King 1999)文本类型是文章， Majumder et al. (2017)等人使用CNN来进行文章的特征提取，下图是具体的网络结构， 其中：每一篇文章，看成句子向量的集合，句子向量是通过对单词向量的卷积形成， 单词使用Word2Vec进行词嵌入，最终得到的文档向量， 文档向量再加上LIWC和MRC提取的特征作为提取的最终结果， 将此结果放入一个全连接层，接Sofmax，求出yes/no的概率。
- Hernandez and Scott (2017) 等人，则另辟蹊径， 将表示好的句向量，作为一个时间序列， 输入到一个循环神经网络中（用了多种， RNN， LSTM， 双向LSTM， GRU）
- Liu et al. (2016) 等人则不用GloVe 和 Word2Vec， 而是使用一个双向的GRU进行词嵌入， 将单词向量组再输入到一个双向的RNN形成句向量， 最终放到前馈神经网络进行预测分类。结果发现此模型在corpus of Tweets. 的结果较好。
- Sun et al. (2018) 提出了Latent Sentence Group用来表示文章特征， LSG的提取是通过双向的LSTM，以及CNN得出的， 文章细节可以看Who Am I? Personality Detection based on Deep Learning for Texts 阅读笔记
4.1.5 SenticNet 5
(Cambria et al. 2018)等人 使用SentiNet模型， 此模型结合了情感分析的两类方法（基于统计模型和基于知识模型）， 利用此网络提取出的特征，放到SMO（序列最小优化算法）进行分类。
4.1.6 weighted ML-kNN（多标签学习）
Zuo (2013)等人认为，每个性格类别之间是有一定的关联的， 准确率提不高的原因在于５个类别，同时训练５个分类器，独立分类。于是他们选择多标签学习模型进行分类，提取出的特征权重，使用熵权理论得出。
4.1.7 其他信息作为特征加入
- (Chittaranjan et al. 2011) 不局限于单纯的文本， 他将研究方向转到来与人息息相关的手机信息上， 他开发一个软件， 提取用户的手机习惯（应用打开频率， 音乐偏好等）作为提取的特征，然后使用了回归分析， SVM， C4.5等进行分类。
-
conversations作为特征， 有时候是通过两个个体的聊天记录来进行个性探测， 信息作为一个时序序列， 被放到RNN中，**Su et al. (2016)提出了Hidden Markov Model HMM **模型通过输入两个人的对话记录，来进行个性探测。
Conversational Dialog Corpus作为数据集