Deep learning-based personality recognition from text posts of online social networks 阅读笔记

文章目录

• 一、摘要
• 二、模型过程
• 1.文本预处理
• 1.1 文本切分
• 1.2 文本统一
• 2. 基于统计的特征提取
• 2.1 提取特殊的语言统计特征
• 2.2 提取基于字典的语言特征
• 3. 基于深度学习的文本建模
• 3.1 基于无监督学习的词嵌入
• 3.2 基于监督学习的深度语义特征提取
• 3.2.1 AttRCNN进行句子向量化
• S1. Word Embedding
• S2. 基于GRU的神经网络得到word上下文特征
• S2-1. 提取上文特征
• S2-2. 使用ReLU作为激活函数
• S2-3. 加入dropout层
• S3. 组合上文特征，下文特征，本身特征
• S4. 全连接层
• S5. 词向量组变句向量
• 3.2.2 CNNs进行文档向量化
• 3.2.3 训练模型
• 4.预测
• 三、实验结果

一、摘要

这是一篇在性格探测这方面比较新的文章了， 时间是2018年，作者提出了一种分层结构的神经网络——AttRCNN， 还有一种基于CNN的变体，从用户text学习到语义的特征， 然后把这个语义特征和文本的语言学特征结合起来，放到传统的回归模型里预测5大性格的分数

个人觉得 比较有新意的一点是能打分？ 而不是简单的判断true or false

二、模型过程

1.文本预处理

1.1 文本切分

简单通过空格来切分句子得到单词， 不改版任何的字母，这是为了尽可能的保留文本， 得到完整的特征， 但是会去掉一些表情,例如: ∧ ∧, (/∼ /)

1.2 文本统一

减少类似重复的字母， 例如busyyyy， busyyyyyyyyy， 这些都应该看成busy， 同时转换成小写，把处理好的单词列表进入过程2

2. 基于统计的特征提取

2.1 提取特殊的语言统计特征

作者认为具有不同性格的人可能有不同的使用标点符号，符号，表情符号和大写字母的习惯， 所以作者从这些特殊的方面进行统计，提取5个特征， 这个是作者自己设置的， 当然你也可以找新的特征

• (1) rateof emoticons;
• (2) rate of tokens which have no less than 3 tandem duplicated letters or symbols;
• (3) rate of capital letters;
• (4) rate of capitalized words;
• (5) total number of text posts of each user.

2.2 提取基于字典的语言特征

作者通过Linguistic Inquiry and Word Count (LIWC)工具，分析出64个基于字典的语言特征

3. 基于深度学习的文本建模

3.1 基于无监督学习的词嵌入

基于词袋模型，使用word2vec 训练我们的文本， 然后得到每个单词的词向量， 对于未知的word全部随机给一个[-0.25， +0.25]的正态分布的参数

3.2 基于监督学习的深度语义特征提取

这是文章的重点部分， 作者定义了一个叫做AttRCNN-CNNs的模型来提取语义特征， 因为它是一个AttRCNN， CNNs 的分层结构，

可以从这张图看到AttRCNN-CNNs模型的层次:

3.2.1 AttRCNN进行句子向量化

由RCNN作为启发， 作者构想出一种AttRCNN用于把句子变成句子向量。

结构图如下：

具体过程分为5个步骤，下面将详细解释

S1. Word Embedding

通过训练好的词嵌入矩阵，把句子里的每个word，变成词向量。

S2. 基于GRU的神经网络得到word上下文特征

GRU是LSTM网络的一种效果很好的变体，它较LSTM网络的结构更加简单，而且效果也很好，因此也是当前非常流形的一种网络。GRU既然是LSTM的变体，因此也是可以解决RNN网络中的长依赖问题。

输入词向量到不同的两个GRU分别得到单词的上文特征，和下文特征，两个GRU结构相同，只是扫描方向不同， 下面已向前扫描的GRU作为解释。

S2-1. 提取上文特征

使用前向的GRU， 在顶层使用batch normalization训练。对于每个word得到一个50维的注释向量

下图是如何从

S2-2. 使用ReLU作为激活函数

使用ReLU函数作为激活函数

线性整流函数（Rectified Linear Unit, ReLU），又称修正线性单元，是一种人工神经网络中常用的激活函数（activation function），通常指代以斜坡函数及其变种为代表的非线性函数。

S2-3. 加入dropout层

为防止过拟合， 还加上了dropout层

S3. 组合上文特征，下文特征，本身特征

通过上面的两个GRU神经网络, 我们分别得到每个单词的上文或下文特征，我们将其组合

50(上文) + E(word本身) + 50(下文)

S4. 全连接层

通过全连接层把100+E维的特征变成100维

S5. 词向量组变句向量

通过max-pooling层，我们把词向量变成句向量，完成此模块的任务。

3.2.2 CNNs进行文档向量化

使用CNNs来把得到的句子向量变成文档向量，

作者使用的是CNN-based Inception architecture， 一种基于CNN的结构来实现。

（注意不是CNN）

CNNs的具体结构如下

3.2.3 训练模型

模型采用批量梯度下降， 使用均方误差作为目标函数，最大迭代30轮.

4.预测

经过上面的步骤我们得到了一个119维的特征向量， 其中包括5个特殊方面的语言特征， 64个基于字典的语言特征， 50个文档语义特征， 我们将其放到GBR里，得到分数，当然这个回归算法在后面的实验中会尝试很多。

三、实验结果

待分析~~