随着互联网的普及,越来越多用户倾向于在社交平台公开表达自己的个人细节和情感内容,这些网络文本数据往往体现着不同场景下的真实表达,反映了用户内在的心理特质及人格倾向.近年来,基于社交文本的人格检测研究取得了显著进展,然而,研究者们大多直接使用未经处理的公开数据集,这些数据集因其收集过程导致不可避免地存在噪声,此外,大多过分依赖预训练模型提取的文本语义特征,而缺乏对心理语言学特征的引入.为了解决以上问题,提出一种新型的人格检测研究方法.该方法首先基于置信学习完成噪声数据清洗,提高数据集质量.其次,提取多层次心理语言学特征来填补单一文本语义特征的不足.最后通过动态深度图卷积网络来优化特征表达,完成最终的人格检测任务.在公开的Kaggle MBTI数据集上对该方法进行性能评估,结果表明,与目前先进的方法相比,该方法在准确率和F1值上分别提升了5.48%和4.22%.
