[論文レビュー] Using Machine Learning Based Models for Personality Recognition

Fatemeh Mohades Deilami, Hossein Sadr+1 more|arXiv (Cornell University)|Jan 17, 2022

Personality Traits and Psychology被引用数 7

ひとこと要約

本稿では、テキストからのパーソナリティ認識のためのハイブリッド機械学習モデルを提案する。畳み込みニューラルネットワーク（CNN）とAdaBoostを組み合わせた手法であり、異なるフィルターサイズを持つ複数のCNNを統合し、AdaBoostを用いて予測をアンサンブルすることで、エッセイデータセットにおいて従来の機械学習手法や単独のディープラーニング手法を上回る優れた性能を達成した。

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.

研究の動機と目的

• テキストデータからのパーソナリティ認識の正確性を機械学習モデルを用いて向上させること。
• CNNにおける固定されたフィルターサイズの制限を、複数のフィルターサイズを組み合わせることで克服すること。
• AdaBoostによるアンサンブル学習を活用して分類性能を向上させること。
• ベンチマークとしてのテキストベースのパーソナリティデータセット上で、提案手法を検証すること。
• 単独の機械学習やディープラーニング手法と比較して、ハイブリッド手法の優位性を示すこと。

提案手法

• 複数のフィルターサイズを持つCNNアーキテクチャを採用し、各フィルターサイズがテキスト入力からの異なるn-gram特徴を捉える。
• 同じデータセット上で、異なるフィルターサイズを持つ複数のCNNモデルを個別に学習する。
• 個々のCNNモデルの予測結果を、より正確な分類器に高い重みを割り当てるアンサンブルアルゴリズムであるAdaBoostを用いて統合する。
• 最終的な分類は、CNN-AdaBoostモデルのアンサンブルからの重み付き多数決によって決定される。
• モデルは、オピニオン・ファイブのパーソナリティ次元に基づいてラベル付けされた人格的特徴を含むエッセイデータセット上で学習および評価される。
• 交差検証を用いて、フィルターサイズ、学習率、AdaBoostの推定器数などのハイパーパrameterが調整された。

実験結果

リサーチクエスチョン

• RQ1 異なるフィルターサイズを持つ複数のCNNモデルを組み合わせることで、テキストからのパーソナリティ認識の性能が向上するか？
• RQ2 CNNにAdaBoostを統合することで、単独のCNNや従来の機械学習モデルと比較して、分類精度が向上するか？
• RQ3 提案されたハイブリッドモデルは、エッセイデータセットにおけるF1スコアと全体的な正確性の観点から、最先端の手法と比較してどのように差をつけるか？
• RQ4 さまざまなフィルターサイズが、人格的特徴に関連する多様な言語的パターンをどれほど効果的に捉えているか？
• RQ5 アンサンブルアプローチは、データセット内の異なる人格次元（例：開放性、誠実性）に対して一貫して頑健であるか？

主な発見

• 提案されたCNN-AdaBoostモデルは、すべての5つの人格次元（開放性、誠実性、外向性、協同性、神経症傾向）において、ベースラインモデルよりも高いF1スコアを達成した。
• モデルは、エッセイデータセットにおいて、従来の機械学習手法および単独のディープラーニング手法を上回った。
• CNNにおける複数のフィルターサイズの使用は、特に短距離および長距離の言語的パターンを捉える特徴抽出を顕著に向上させた。
• AdaBoostは、個々のCNNの予測を効果的に統合し、分散を低減し、一般化性能を向上させた。
• アンサンブルアプローチは、頻度が低い人格的特徴に対しても一貫した性能向上を示した。
• 実験的結果により、ハイブリッドモデルがその構成要素よりもより頑健で正確であることが確認された。