[论文解读] Aligning Daily Activities with Personality: Towards A Recommender System for Improving Wellbeing

Mohammed Khwaja, Miquel Ferrer+3 more|arXiv (Cornell University)|Sep 9, 2019

Mental Health Research Topics被引用 4

一句话总结

本文提出了一种个性化推荐系统，通过将日常活动与用户的五大核心人格特质相匹配，以提升主观幸福感（SWB）。该系统基于智能手机收集的活动、人格和SWB数据训练机器学习模型，预测高SWB或低SWB状态下的最优活动分布，识别个体中‘不良’活动模式的准确率最高可达92%。

ABSTRACT

Recommender Systems have not been explored to a great extent for improving health and subjective wellbeing. Recent advances in mobile technologies and user modelling present the opportunity for delivering such systems, however the key issue is understanding the drivers of subjective wellbeing at an individual level. In this paper we propose a novel approach for deriving personalized activity recommendations to improve subjective wellbeing by maximizing the congruence between activities and personality traits. To evaluate the model, we leveraged a rich dataset collected in a smartphone study, which contains three weeks of daily activity probes, the Big-Five personality questionnaire and subjective wellbeing surveys. We show that the model correctly infers a range of activities that are 'good' or 'bad' (i.e. that are positively or negatively related to subjective wellbeing) for a given user and that the derived recommendations greatly match outcomes in the real-world.

研究动机与目标

• 通过将人格特质作为用户档案，解决以幸福感为导向的推荐系统中的冷启动问题。
• 将人格与日常活动分布之间的契合度建模为提升主观幸福感（SWB）的驱动因素。
• 开发一种个性化活动推荐系统，以预测可增强SWB的最优活动模式。
• 验证模型推断出高SWB与低SWB结果对应之‘白名单’和‘黑名单’活动分布的准确性。
• 在理想与现实用户行为情景下评估系统性能。

提出的方法

• 通过智能手机应用程序在2至3周内收集纵向数据集，捕捉每日五次生态瞬时评估（EMA）活动报告。
• 整合五大核心人格问卷和生活满意度调查作为SWB的基准度量。
• 使用机器学习分类器，基于人格特质与活动分布模式之间的契合度来预测SWB。
• 通过模拟与预测SWB结果相匹配的分布，定义高SWB和低SWB的最优活动范围。
• 通过将预测的最优范围与第二组数据中实际用户活动分布进行比较，评估模型性能。
• 应用具有正则化参数（λ=0.1）的二分类模型，并识别出8个具有显著方差的关键活动聚类。

实验结果

研究问题

• RQ1 人格特质能否作为推断可增强主观幸福感的个性化活动模式的代理？
• RQ2 模型在多大程度上能够预测导致个体用户高SWB或低SWB的活动分布范围？
• RQ3 在与现实世界用户行为对比时，模型在识别‘良好’与‘不良’活动模式方面的准确性如何？
• RQ4 在完全遵从（全合规）或多数遵从（主要合规）的用户行为假设下，模型表现是否更优？
• RQ5 该模型是否能超越仅使用人格和活动数据而未考虑契合度的基线分类器？

主要发现

• 与三种基准分类器相比，所提出的模型在基于人格-活动契合度预测SWB方面，准确率高出9%至18%。
• 在考虑全部八个关键活动时，高SWB组51%的用户和低SWB组74%的用户其活动分布位于预测的最优范围内。
• 在评估至少五项主要活动时，高SWB用户的预测准确率提升至71%，低SWB用户则达92%。
• 模型在识别‘不良’活动模式（低SWB）方面表现优于‘良好’模式，表明对负面行为影响具有更高的敏感性。
• 结果表明，活动分布与人格的契合度是SWB的强预测因子，支持个性化幸福感推荐系统的可行性。
• 该系统在现实合规条件下仍保持高准确率，表明其在现实幸福感干预中的实际可行性。