[论文解读] Personality Type Based on Myers-Briggs Type Indicator with Text Posting Style by using Traditional and Deep Learning

Sakdipat Ontoum, Jonathan H. Chan|arXiv (Cornell University)|Jan 21, 2022

Customer churn and segmentationBusiness, Management and Accounting被引用 19

一句话总结

本研究提出了一套机器学习框架，通过传统模型（朴素贝叶斯、支持向量机）和深度学习模型（循环神经网络）从文本帖子中预测迈尔斯-布里格斯性格类型指标（MBTI）人格类型。基于RNN的方法，结合词嵌入和双向LSTM，取得了最高的准确率，在所有四个MBTI维度上均优于其他模型，F1得分均值约为76%。

ABSTRACT

The term personality may be expressed in terms of the individual differences in characteristics pattern of thinking, feeling, and behavior. This work presents several machine learning techniques including Naive Bayes, Support Vector Machines, and Recurrent Neural Networks to predict people personality from text based on Myers-Briggs Type Indicator (MBTI). Furthermore, this project applies CRISP-DM, which stands for Cross-Industry Standard Process for Data Mining, to guide the learning process. Since, CRISP-DM is kind of iterative development, we have adopted it with agile methodology, which is a rapid iterative software development method, in order to reduce the development cycle to be minimal.

研究动机与目标

• 开发基于机器学习的系统，从社交媒体文本帖子中预测MBTI人格类型。
• 比较传统机器学习模型（朴素贝叶斯、SVM）与深度学习模型（RNN）在MBTI分类任务中的性能表现。
• 应用CRISP-DM框架与敏捷方法论，以优化人格预测模型的迭代开发流程。
• 在所有四个MBTI维度（如感知型与判断型）上评估模型性能，并识别分类中的薄弱环节。
• 探索使用论坛文本数据（如Personality Cafe）作为可靠人格预测数据源的可行性。

提出的方法

• 采用CRISP-DM框架与敏捷方法论，实现数据挖掘与模型开发的迭代流程。
• 通过移除URL、特殊字符、停用词，并进行大小写标准化与词干提取，对文本数据进行预处理。
• 使用Scikit-learn实现朴素贝叶斯（多项式-NB）与线性核支持向量机（SVM）并加入正则化。
• 基于TensorFlow构建深度学习模型，采用词嵌入（词汇表大小256）、CONV1D层进行序列特征提取，以及双向LSTM（64个单元）实现双向上下文学习。
• 使用Scikit-learn的train_test_split函数将数据集按75%训练集与25%测试集进行划分。
• 通过混淆矩阵、分类报告与F1得分指标评估模型性能，以衡量各类MBTI类型在精确率、召回率与F1值上的表现。

实验结果

研究问题

• RQ1 在预测文本中的MBTI人格类型时，朴素贝叶斯、SVM或循环神经网络中哪种机器学习模型表现最佳？
• RQ2 各模型在四个MBTI维度（如感知型与判断型）上的性能表现有何差异？
• RQ3 与传统模型相比，使用双向LSTM与词嵌入在多大程度上提升了分类准确率？
• RQ4 在预测某些MBTI类型时存在哪些关键局限性？混淆矩阵如何揭示误分类模式？
• RQ5 来自如Personality Cafe等论坛的社交媒体文本是否可作为可靠的数据源，用于通过机器学习实现有效的性格预测？

主要发现

• 循环神经网络（RNN）模型在所有四个MBTI人格类型上均取得了最高的整体准确率，优于朴素贝叶斯与SVM模型。
• RNN模型的F1得分均值约为76%，表明其在各类别中精确率与召回率保持良好平衡。
• RNN模型的混淆矩阵显示，大多数预测结果为真正例，且假正例数量相对较少，表明分类具有一致性。
• 朴素贝叶斯与SVM模型在感知型（P）与判断型（J）维度上的准确率显著低于RNN模型。
• 分类报告（图13与图14）证实，RNN模型在所有MBTI类型中均保持更高的精确率与召回率，尤其在更具挑战性的维度上表现更优。
• 尽管整体表现良好，但各模型在准确分类所有四个MBTI维度方面仍存在普遍性弱点，表明数据集中可能存在固有的模糊性或类别不平衡问题。