[논문 리뷰] Using Machine Learning Based Models for Personality Recognition

Fatemeh Mohades Deilami, Hossein Sadr외 1명|arXiv (Cornell University)|2022. 01. 17.

Personality Traits and Psychology인용 수 7

한 줄 요약

이 논문은 텍스트에서 성격 인식을 위한 하이브리드 기계학습 모델을 제안한다. 이 모델은 컨볼루션 신경망(CNN)과 AdaBoost를 조합하여 구현된다. 다양한 필터 크기를 가진 다수의 CNN을 통합하고 AdaBoost를 활용해 예측을 앙상블함으로써, Essay 데이터셋에서 기존의 전통적 기계학습 및 독립적인 딥러닝 방법보다 뛰어난 성능을 달성한다.

ABSTRACT

Personality can be defined as the combination of behavior, emotion, motivation, and thoughts that aim at describing various aspects of human behavior based on a few stable and measurable characteristics. Considering the fact that our personality has a remarkable influence in our daily life, automatic recognition of a person's personality attributes can provide many essential practical applications in various aspects of cognitive science. deep learning based method for the task of personality recognition from text is proposed in this paper. Among various deep neural networks, Convolutional Neural Networks (CNN) have demonstrated profound efficiency in natural language processing and especially personality detection. Owing to the fact that various filter sizes in CNN may influence its performance, we decided to combine CNN with AdaBoost, a classical ensemble algorithm, to consider the possibility of using the contribution of various filter lengths and gasp their potential in the final classification via combining various classifiers with respective filter size using AdaBoost. Our proposed method was validated on the Essay dataset by conducting a series of experiments and the empirical results demonstrated the superiority of our proposed method compared to both machine learning and deep learning methods for the task of personality recognition.

연구 동기 및 목표

• 기계학습 모델을 활용하여 텍스트 데이터로부터 성격 인식 정확도를 향상시키기 위해.
• CNN의 고정된 필터 크기의 한계를 보완하기 위해 다양한 필터 길이를 조합함으로써.
• AdaBoost를 통한 앙상블 학습을 통해 분류 성능을 향상시키기 위해.
• 기본 텍스트 기반 성격 인식 데이터셋에서 제안된 모델을 검증하기 위해.
• 단일 기계학습 및 딥러닝 방법보다 하이브리드 접근 방식의 우수성을 입증하기 위해.

제안 방법

• 다양한 필터 크기를 가진 다중 필터 CNN 아키텍처를 사용하여, 텍스트 입력으로부터 다양한 n-gram 특징을 추출한다.
• 동일한 데이터셋에서 서로 다른 필터 크기를 가진 다수의 CNN 모델을 독립적으로 학습시킨다.
• 개별 CNN 모델의 예측 결과를 AdaBoost라는 앙상블 알고리즘을 사용해 통합하며, 이는 더 정확한 분류기에게 더 높은 가중치를 할당한다.
• 최종 분류는 CNN-AdaBoost 앙상블의 가중 다수결정에 의해 결정된다.
• 모델은 Big Five 성격 차원 기반으로 레이블이 부여된 성격 특성 데이터를 포함하는 Essay 데이터셋에서 학습 및 평가된다.
• 교차 검증을 통해 필터 크기, 학습률, AdaBoost의 추정기 수 등 하이퍼파라미터가 조정된다.

실험 결과

연구 질문

• RQ1 다양한 필터 크기를 가진 다수의 CNN 모델을 조합함으로써 텍스트 기반 성격 인식 성능을 향상시킬 수 있는가?
• RQ2 CNN에 AdaBoost를 통합하면 단독 CNN 또는 전통적 기계학습 모델보다 더 높은 분류 정확도를 달성할 수 있는가?
• RQ3 제안된 하이브리드 모델은 Essay 데이터셋에서 F1 점수와 총합 정확도 측면에서 최신 기술과 비교해 어떻게 성능을 내는가?
• RQ4 다양한 필터 크기가 성격 특성과 관련된 다양한 언어적 패턴을 어떻게 효과적으로 포착하는가?
• RQ5 이 앙상블 접근 방식은 데이터셋 내 다양한 성격 차원(예: 열린 마음, 성실성 등)에서 안정적인 성능을 보이는가?

주요 결과

• 제안된 CNN-AdaBoost 모델은 Openness, Conscientiousness, Extraversion, Agreeableness, Neuroticism의 다섯 성격 차원 전반에서 기준 모델보다 높은 F1 점수를 달성하였다.
• 모델은 Essay 데이터셋에서 기존의 전통적 기계학습 방법과 독립적인 딥러닝 모델을 모두 능가하는 성능을 보였다.
• CNN에서 다수의 필터 크기를 사용함으로써 특징 추출이 크게 향상되었으며, 특히 짧고 긴 언어 패턴을 포착하는 데 유리하였다.
• AdaBoost는 개별 CNN의 예측을 효과적으로 통합하여 분산을 줄이고 일반화 성능을 향상시켰다.
• 앙상블 접근 방식은 특히 드물게 나타나는 성격 특성에 대해 뚜렷한 성능 향상을 보였다.
• 실증 결과는 하이브리드 모델이 구성 요소보다 더 견고하고 정확하다는 것을 확인시켰다.