CN103902566A - 一种基于微博用户行为的人格预测方法 - Google Patents

Abstract

本申请提供一种基于微博用户行为的人格预测方法，包括：步骤1，获取微博活跃用户的id列表，根据活跃用户的id列表，通过微博的“对他说”功能，获取被试用户在线填写的人格问卷；步骤2，根据填写人格问卷的被试名单，下载该用户的微博数据，根据建立的微博网络行为体系，从微博数据中提取相应的静态行为特征以及动态的行为特征；步骤3，利用时间序列分析方法，对提取的用户动态行为特征进行数值化，形成完整的微博特征集；步骤4，根据逐步回归算法，从微博特征集中，提取最大的显著特征集合，完成特征选取；对选取出来的特征，利用建立的人格预测回归模型，预测用户的人格心理指标。

Description

一种基于微博用户行为的人格预测方法

技术领域

本发明涉及人格预测技术，更具体地，涉及基于微博用户行为的人格预测方法。

背景技术

人格是一种稳定的心理变量，它能够预测多种有价值的结果变量，比如：个体变量（工作绩效，心理健康）、人际变量（亲密关系）、社会变量（犯罪行为，社会意识形态）。因此人格是心理学研究的一个重要课题。

目前传统的人格预测的主要手段分为：自陈人格调查表和投射技术。自陈人格调查表的原型是伍德沃斯个人资料调查表（Woodworth Personal DataSheet），通过有目的总结、收集用户的日常行为，然后对收集的行为进行选择、分组，从而形成可以供用户纸笔填写的自测量表，并通过后期的用户实验，对量表进行修正。在量表的编制、收集、选择和分组产生了多种方法，主要的方法有内容关联、经验准则确定、因素分析和人格理论等。

投射技术是指通过给测试者指定一个相对非结构的任务，即这个任务允许做出几乎无限可能的反应，通过分析用户对这个任务的反应，从而来预测用户的整体人格状况。投射技术源自于临床，由针对精神病人的治疗方法（比如艺术疗法）演化而来。一般来说，投射工具是经过掩饰的测试方法，使被测试者难以觉察对他们的反应所做的心理学解释。在投射技术发展的过程中，已经形成了大量的成型技术：墨迹技术、图片技术、言语技术、自传体记忆和表演技术等。

然而，在实际应用中这两种方法都有自己的不足：自陈人格调查表是一种自测量表，相比较投射技术，很难隐藏自己的测量意图，这会或多或少的激起被试的防御心理，对自测的结果产生影响。投射技术的缺陷是常模资料的缺失，很多投射技术还是依赖临床医生的“一般临床经验”解释投射实验的成绩。另外，不管是自陈人格调查表还是投射技术，都需要被测试者的直接参与。这样，在进行大规模团体实验，实验的代价、成本以及周期都比较高昂。在对时效性比较高的需求下，这两种方法都难以胜任。

另一方面，随着互联网的迅速发展，以及用户网络的数据获取的方便性，一些学者开始尝试利用用户的在线行为来预测用户的人格。学者利用数据挖掘的知识，通过对用户繁杂的网络数据与用户人格的关联研究，试图找到不同人格表现出来的不同的网络行为，从而达到用网络行为对用户的人格进行他评预测，克服传统的心理学问卷依赖用户主观意识，存在用户实验周期长、代价大的缺点。但是这种研究的铺开面广，虽然得到一些与人格相关的网络行为，但是由于互谅网的复杂性以及实效性，建立一个普适的网络行为人格预测模型技术上比较困难，而且需要长时间的积累。

发明内容

为克服现有技术的上述缺陷，本发明提出一种基于微博用户行为的人格预测方法。

根据本发明的一个方面，提出了基于微博用户行为的人格预测方法，包括：步骤1，获取微博活跃用户的id列表，根据活跃用户的id列表，通过微博的“对他说”功能，邀请被试用户在线填写人格问卷；步骤2，根据填写人格问卷的被试名单，下载该用户的微博数据，根据建立的微博网络行为体系，从微博数据中提取相应的静态行为特征以及动态的行为特征；步骤3，利用时间序列分析方法，对提取的用户动态行为特征进行数值化，形成完整的微博特征集；步骤4，根据逐步回归算法，从微博特征集中，提取最大的显著特征集合，完成特征选取；对选取出来的特征，利用建立的人格预测回归模型，预测用户的人格心理指标。

本发明通过在线人格预测，结合用户的微博数据，能实时、准确地预测用户的人格状况。通过这种方式，在个体用户的人格研究领域，提供了一个人格测量的新工具，能大大提高人格实验的代价、难度与实验周期。另外，在针对群体用户的人格研究中，本发明提供的方法将对群体用户的人格进行实时监测和统计变为现实，能实时、准确地给出群体用户的整体心理状况。进一步的，通过本方法提供的思路，可以把这种在线他测的方式应用到其他的心理特征，能结合社会预警的知识，形成一个在线预警系统。

附图说明

图1为微博网络行为半自动构建构建流程；

图2为微博动态行为特征分析方法；

图3为活跃用户抓取流程。

如图所示，为了能明确实现本发明的实施例的结构，在图中标注了特定的结构和器件，但这仅为示意需要，并非意图将本发明限定在该特定结构、器件和环境中，根据具体需要，本领域的普通技术人员可以将这些器件和环境进行调整或者修改，所进行的调整或者修改仍然包括在后附的权利要求的范围中。

具体实施方式

下面结合附图和具体实施例对本发明提供的一种基于微博用户行为的人格预测方法进行详细描述。

在以下的描述中，将描述本发明的多个不同的方面，然而，对于本领域内的普通技术人员而言，可以仅仅利用本发明的一些或者全部结构或者流程来实施本发明。为了解释的明确性而言，阐述了特定的数目、配置和顺序，但是很明显，在没有这些特定细节的情况下也可以实施本发明。在其他情况下，为了不混淆本发明，对于一些众所周知的特征将不再进行详细阐述。

本发明提供一个通过用户的微博数据预测用户人格状况的方法，该方法包括：

获取微博（例如新浪、搜狐或者腾讯微博）活跃用户的id列表；根据用户的活跃用户的id列表，通过微博的“对他说”功能（功能），邀请被试用户在线填写人格问卷；根据填写人格问卷的被试名单，下载用户的微博数据；得到下载的用户数据，根据建立的微博网络行为体系，从微博数据中提取相应的静态行为特征以及动态的行为特征；利用时间序列分析方法，对提取的用户动态行为特征进行数值化，从而形成一个完整的微博特征集；根据逐步回归算法，从微博特征集中，提取最大的显著特征集合，完成特征选取；对选取出来的特征，利用建立的人格预测回归模型，预测用户的人格心理指标。

具体地，本发明首先提出了微博网络动态行为的构建方法（如图1所示），首先将一个网络行为分为四个部分：主体，客体、功能/内容以及操作路径。一个网络行为的一般形式表达式可以表达为：某种主体通过具体的功能/内容作用于某类客体，并根据自己的人格特质选择某种作用路径。拿微博平台举例来说明，用户发送一条微博并好友可以抽象成如下网络行为：

行为：观察用户（主体）对好友（客体）使用微博的社交功能（功能）

路径：使用功能。

通过上述的半自动微博网络行为构建方法，结合微博应用平台的数据类型（用户的个人信息、用户的关系网、用户的话题列表、用户的标签列表），生成了四十大类的微博网络行为。部分行为如下表所示：

行为	路径
		对所有用户使用社交功能	微博字数长短

对所有用户使用社交功能	有没有图片
		对所有用户使用社交功能	是不是转发
对所有用户使用社交功能	话题的个数
		对所有用户使用社交功能	的个数
对所有用户使用社交功能	表情的个数
		对所有用户使用社交功能	使用媒介
对所有用户使用社交功能	热门程度
		对所有的人使用转发功能	转发好友
对所有的人使用转发功能	转发应用

接着，提出对动态特征的时间序列分析，进行时间序列分析步骤（如图2）包括：将列举出来的动态特征进行矩阵化，矩阵的行表示行为发生所在的小时，矩阵的列表示行为发生所在的天的序号（从创建时间开始，第几天），矩阵的元素表示行为的数值特征（比如发送微博中个数），这样就能得到40个动态特征的时间特征矩阵；从每个时间矩阵中提取5个时间序列，比如每天此行为发生最频繁的时间段等，由此可获得200个用户行为的时间序列特征；最后，对每个时间序列进行统计学处理：均值、方差、求和、加权求和等，最终获得了800个动态特征。当然，上述具体数字不限于示例所示，可以选取其他自然数时间节点。

根据Apter的理论，引入四大约束条件:关注目的/超越目的、顺从/逆反、控制/同情以及自我中心/他人取向，以此四大约束条件为基础，结合上提取的静态特征和动态特征，最终建立一个微博用户的行为特征集。

之后，以此行为特征为基础，结合机器学习的方法，后续开展用户实验，数据预处理，模型训练，最终产生了人格预测模型。和传统的问卷结果做相关分析，在线他测模型的预测模型结果和问卷结果相关性在大五人格的五个维度上都能达到0.3，在神经质和开放性两个维度上能达到0.4以上；最优的，在尽责性和内向性上能达到0.5以上，效果比较显著。如下表所示：

	宜人性	尽责性	内向性	神经质	开放性
						相关性	0.3942	0.5134	0.5045	0.4663	0.4311

下面对于各个步骤详细描述：

步骤1：获取微博活跃用户的id列表。

在进行系统构建之前，确定一份合适微博用户的id列表。本方明是针对用户的微博数据的分析，足量的微博数据是必不可少的条件，所以可以将研究对象定位新浪微博的活跃用户。利用新浪提供的API接口来爬取用户的id，流程如图3所示，主要分为两大步：尽可能多的获取新浪微博用户的id列表和根据获得所有用户的统计信息进行活跃用户的筛选。

微博用户id列表的获取：首先以10个用户为种子用户，采取宽度搜索的方式，利用微博爬虫，抓取用户的关系网（连续抓一天），对所有的关系网的id去重，获得无重复1576万用户id；但是，由于关系网的聚合性，当总用户id数达到1576万，宽度搜索在id扩充上，变的不显著，为了解决这个问题，从1576万用户中，挑选出29万粉丝数在[1000,3300]的用户，抓取他们的关系网全局；抓取这29万用户，获得11亿条关系网，对所有的关系网去重，获得9900万无重复的用户id。

活跃用户的筛选：考虑到在下载数据是遇到的资源限制与下载效率，用用户发送的总微博数和用户平均每天发送微博数这两个指标对用户进行分次筛选。首先，抓取这9900用户的微博简要信息，根据微博总数分布图，选出微博总数大于512的590万用户；然后，对这590万用户下载详细信息，根据用户每天发送的微博，选取每天发送[2.84,40]的用户为微博活跃用户，总计获得用户id：1950000。

步骤2：进行在线的用户在线实验，获得被试用户的问卷测量结果。

为了获得训练所需要的标注数据，并且和传统的问卷个人测量进行比较，选择了基于大五人格模型的大五人格问卷作为在线的人格自测工具。大五人格模型在20世纪90年代就已经在心理学界得到了广泛的关注和讨论，目前已经是心理学领域在人格分析方面最为广泛应用的理论模型。1991年，美国加州大学伯克利分校心理学家Oliver P John在大五人格模型的理论基础上编制的大五人格量表（Big Five Inventory,BFI）是当今获得普遍认可的人格测试量表。此量表的信度和效度都在多项心理学实验中得到了广泛的验证，本申请也采用了此量表。为了比较好的开展在线用户实验，在新浪微博平台开发了一个站外应用心理地图（http://dao.gucas.ac.cn:9999/）。

以此应用为平台，从195万活跃微博用户中，随机挑选了3万用户，利用微博的功能，使用机器微博账户，向这三万个微博用户发出有偿用户实验的邀请，让他们在线填写个人量表，并承诺认真填写之后，给予他们30元的报酬，最终，收集了562个有效用户的人格问卷数据。

步骤3：参加实验的用户新浪微博数据的下载。

利用微博平台提供的API（Application Programming Interface,应用程序编程接口）编写用户微博数据下载程序（微博爬虫，结构图如图3），本爬虫是用C#语言实现，主要分为两个字模块：数据的下载和数据的存储。数据的下载通过发送数据包形式，调用微博请求服务器，请求json格式的数据。用mysql数据库存取下载的数据，对下载的数据，首先进行反序列化，然后通过Nhibernate操作数据，将微博数据写入数据库，总共下载了如图2所示的用户微博数据。

下载的数据包括：用户个人基本信息（包括性别、账户创建时间）、用户关注的话题列表、用户发送的微博列表、用户自定义标签列表、用户关注的微博列表和用户的粉丝列表（关系网）。这些数据均为微博用户的个人数据，反映了用户在微博上的行为，体现了用户在心理学范畴内的诸多特征。用户的人格特征，在这些数据上都能有相当程度的体现。收集和储存这些数据，为通过用户微博账户信息和行为进行用户人格的预测奠定了基础。

步骤4：微博数据的预处理。

从用户的行为出发，提取用户微博中涉及用户行为的特征。通过对用户数据的技术分析，将用户的行为分为静态行为和微博动态行为。

静态行为是只从用户的个人信息、用户的标签列表、用户的关系网以及用户的话题列表提取出来的。静态特征主要涉及用户的长期行为，包括用户的自然属性（性别，所在城市等），用户的设置信息（是否让其他用户我，是否允许其他用户评论我等），用户的对热门事件的偏好（用户使用的热门标签，用户使用的热门话题等），用户的关系网络分析（用户的互粉数，用户的关注列表的类别等）等。

微博动态行为是指从用户发送的微博列表中提取出来的行为特征。从微博平台上提供的发、转发、互动和使用应用这四个功能角度，通过前面介绍的微博网络行为构建方法生成了40类用户的微博动态行为。与静态特征相比，这些特征对时间信息更加敏感。

首先为用户的微博引入观察周期的概念，即通过确定观察周期，将用户的数据统一切片，比观察周期是30天，就只对用户填写问卷之前30天的数据进行分析。在确定了观察周期之后，将一天切成固定的24个小时，这样，每一个特征都可以用一个矩阵来描述。举例来说，在确定了观察周期为30天之后，每一个特征能用24*30的矩阵来表述。接着，从每个特征矩阵中抽取出多个时间序列。对每个时间序列，按时间求均值、标准差等统计统计，从而来描述一个行为特征。根据此思维模式，总共提取了800个微博动态行为特征，加上静态行为特征，在数据预处理阶段，总计提取了845个特征。此845个特征几乎涵盖了用户在微博上的所有行为，将微博用户在微博网络上的具体行为抽象为845个数值特征。有效的使用有845个维度的特征向量来形式化，定量化的表示一个微博用户。对微博用户的抽象表示、形式化定义，使得通过严谨的数学方法和计算机机器学习方法分析微博用户成为可能。

步骤5：预测模型的训练。

在完成了数据预处理，也就是模型的特征提取之后，接下来进行模型的训练。模型分为两大部分：特征选取和模型的选取训练。特征选取采用逐步选择的方式，即通过一个自动化程序，以R方最优为原则，逐步将特征放入到回归模型，从而从整个特征集选出最优的特征组合，这部分功能通过SPSS软件中计算回归处理中Stepwise方法来实现，对每一组分属于不同观察周期的特征集合，均用此方式进行特征选取。在特征选取之后，进行预测模型的选取及训练。使用在计算机机器学习领域被广泛应用的Weka（WaikatoEnvironment for Knowledge Analysis）程序进行模型的训练和验证。在Weka中，分别使用M5Rules、Gauss process（高斯过程）、ZeroR、M5P等各种算法来建立预测模型。然后采用10-fold cross-validation（十折交叉验证）的方式，来训练和测试模型，并通过调整观察周期参数来对模型寻优。

通过对比，发现采用M5P算法建立的模型具有最好的预测结果，模型的预测值和量表测量值之间有最高的相关性。所以选取M5P算法和训练预测模型，最后形成基于微博的人格预测线性模型，供用户使用。用户可以使用该模型来进行人格的分析，预测过程中无需用户填写任何问卷，整个过程完全由计算机程序完成，无需任何人工干预。并且模型的分析结果，比传统的心理学“他评”结果要好。预测模型为用户人格的测量，提供了一个全新的、自动化的、无需人工干预的新途径。

最后应说明的是，以上实施例仅用以描述本发明的技术方案而不是对本技术方法进行限制，本发明在应用上可以延伸为其他的修改、变化、应用和实施例，并且因此认为所有这样的修改、变化、应用、实施例都在本发明的精神和教导范围内。

Claims (9)

1.基于微博用户行为的人格预测方法，包括：

步骤1，获取微博活跃用户的id列表，根据活跃用户的id列表，通过微博的“对他说”功能，获取被试用户在线填写的人格问卷；

步骤2，根据填写人格问卷的被试名单，下载该用户的微博数据，根据建立的微博网络行为体系，从微博数据中提取相应的静态行为特征以及动态行为特征；

步骤3，利用时间序列分析方法，对提取的用户动态行为特征进行数值化，形成完整的微博特征集；

步骤4，根据逐步回归算法，从微博特征集中提取最大的显著特征集合，完成特征选取；对选取出来的特征，利用建立的人格预测回归模型，预测用户的人格心理指标。

2.根据权利要求1所述的方法，其中，步骤3包括：

将列举出来的动态特征进行矩阵化，该矩阵的行表示行为发生所在的小时，矩阵的列表示行为发生所在的天的序号，矩阵的元素表示行为的数值特征，得到N个动态特征的时间特征矩阵；

从每个时间矩阵中提取M个时间序列，获得N*M个用户行为的时间序列特征；

对每个时间序列分别进行L种统计学处理，获得M*N*L个动态特征，其中N、M和L为自然数。

3.根据权利要求1所述的方法，其中，步骤1中，获取微博活跃用户的id列表包括：

以多个用户为种子用户，采取宽度搜索的方式，利用微博爬虫抓取用户的关系网，对所有的关系网的id去重；

从获得的用户id中，挑选出粉丝数在1000-3300的用户，抓取他们的关系网全局；

抓取所挑选的用户，获得其关系网，对所有的关系网去重，获得无重复的用户id作为活跃用户。

4.根据权利要求3所述的方法，其中，步骤1中的邀请被试用户在线填写人格问卷步骤还包括：

从活跃用户中随机挑选一定量的用户，利用微博的“对他说”功能，使用机器微博账户，向这一定量微博用户发出用户实验的邀请，收集有效用户的人格问卷数据。

5.根据权利要求4所述的方法，其中，步骤2包括：

从用户的行为出发，提取用户微博中涉及用户行为的特征；

通过对涉及用户行为的特征进行分析，将用户行为分为静态行为和微博动态行为。

6.根据权利要求5所述的方法，其中，静态特征包括用户的自然属性、用户的设置信息、用户的对热门事件的偏好和用户的关系网络分析；微博动态行为是指从用户发送的微博列表中提取出来的行为特征。

7.根据权利要求5所述的方法，其中，步骤4还包括：

特征选取，采用逐步选择的方式，以R方最优为原则，逐步将特征放入到回归模型，从整个特征集选出最优的特征组合；

预测模型的选取及训练，通过Weka程序进行模型的训练和验证，使用M5P算法来建立预测模型。

8.根据权利要求6所述的方法，其中，动态行为特征的提取包括：

确定行为的主体和客体特征；

穷举微博上的功能特征；

穷举微博上的路径方式；

将主体、客体、功能和路径组合在一起，形成一系列特征，主体对客体通过某种路径作用某种功能；

根据约束条件对所有的行为进行删选。

9.根据权利要求8所述的方法，其中，所述约束条件包括：关注目的/超越目的，顺从/逆反，控制/同情以及自我中心/他人取向。

Images