ПОСТРОЕНИЕ ПСИХОЛОГИЧЕСКОГО ПОРТРЕТА ЧЕЛОВЕКА С ПРИМЕНЕНИЕМ ТЕХНОЛОГИЙ ОБРАБОТКИ ЕСТЕСТВЕННОГО ЯЗЫКА

Татарникова Т.М., Богданов П.Ю. Построение психологического портрета человека с применением технологий обработки естественного языка // Научно-технический вестник информационных технологий, механики и оптики. 2021. Т. 21, № 1. С. 85–91. doi: 10.17586/2226-1494-2021-21-1-85-91

Предмет исследования. Предложено решение по автоматическому построению психологического портрета человека на основе анализа его речевого поведения. Показано, что для формирования тренировочного набора данных могут использоваться сообщения в социальных сетях, мессенджерах, чатах, как в формате текстовых сообщений, так и аудио- и видеозвонков. Раскрыты функции составляющих классификатора психотипов по речевому поведению человека. Выполнено сравнение между мультиклассовой и бинарной классификациями, исходя из минимизации функции потерь. Методы. Психологический портрет соответствует типологии Майерс– Бриггс, согласно которому человек может быть отнесен к одному из 16 типов. Привлечены технологии Text Mining для обработки естественного языка и модель глубокого обучения для обработки речи. Набор данных для обучения и тестирования сформирован записями речи людей, переведенной в текстовый формат. Метки классов формируются содержимым вектора параметров текста, который представляет собой словарь часто встречаемых слов. Для автоматического построения психологического портрета человека применяется алгоритм глубокого обучения на базе рекуррентных нейронных сетей типа LSTM. Алгоритм опробован как для мультиклассовой, так и бинарной классификации. Объективность предлагаемого подхода к построению психологического портрета обеспечивается наличием разнообразного контента, созданного человеком в разное время в соответствии с жизненными ситуациями, профессией, увлечениями и другими обстоятельствами. Основные результаты. Предложен новый подход к автоматическому построению психологического портрета человека, основанный на бинарной классификации и модели глубокого обучения. Продемонстрирована сходимость результатов бинарной классификации с тестовым множеством речевого поведения разных людей. Использование сети LSTM в бинарной классификации позволило достичь точности 83 % правильного определения психотипа и снизить потери до 25 %. Практическая значимость. Автоматическое построение психологического портрета человека по его речевому поведению помогает разным специалистам: психологам, социологам, кадровым работникам в принятии решений при работе с конкретным человеком. Метод анализа личных качеств человека по его речевому поведению доведен до программной реализации.

1. Eisenstein J. Introduction to Natural Language Processing. Cambridge: MIT Press, 2019. 536 p.

2. Gary S.J., Alexander R.A., Friedt L. Item analysis of the Myers- Briggs Type Indicator // Educational and Psychological Measurement. 1985. V. 45. N 4. P. 789–796. doi: 10.1177/0013164485454009

3. Thompson B., Borrello G. Construct Validity of the Myers-Briggs Type Indicator // Educational and Psychological Measurement. 1986. V. 46. N 3. P. 745–752. doi: 10.1177/0013164486463032

4. Татарникова Т.М. Анализ данных. СПб.: СПбГЭУ, 2018. 85 с.

5. Богданов Д.С. Системы распознавания речи: классификация, методы и алгоритмы реализации // Аллея науки. 2018. Т. 7. № 11(27). С. 819–823.

6. Советов Б.Я., Татарникова Т.М., Яшин А.И. Использование технологии TextMining для выявления скрытых угроз в сообщениях, распространяемых по социальным сетям // Известия СПбГЭТУ ЛЭТИ. 2019. № 4. С. 26–32.

7. Aggarwal C.C., Zhai C. Mining Text Data. Springer, 2012. 527 p. doi: 10.1007/978-1-4614-3223-4

8. Шереметьева С.О., Осминин П.Г. Методы и модели автоматического извлечения ключевых слов // Вестник Южно-Уральского государственного универсиета. Серия: Лингвистика. 2015. Т. 12. № 1. С. 76–81.

9. Forsyth D. Applied Machine Learning. Springer, 2019. 494 p. doi: 10.1007/978-3-030-18114-7

10. Weiss K., Khoshgoftaar T.M., Wang D. A survey of transfer learning // Journal of Big Data. 2016. V. 3. N 1. P. 9. doi: 10.1186/s40537-016-0043-6

11. Yosinski J., Clune J., Bengio Y., Lipson H. How transferable are features in deep neural networks? // Advances in Neural Information Processing Systems. 2014. V. 4. P. 3320–3328.

12. Liu D., Tan Y., Khoram E., Yu Z. Training deep neural networks for the inverse design of nanophotonic structures // ACS Photonics. 2018. V. 5. N 4. P. 1365–1369. doi: 10.1021/acsphotonics.7b01377

13. Krizhevsky A., Sutskever I., Hinton G.E. ImageNet classification with deep convolutional neural networks // Advances in Neural Information Processing Systems. 2012. V. 2. P. 1097–1105.

14. Müller A.C., Guido S. Introduction to Machine Learning with Python: A Guide for Data Scientists. O’Reilly Media, 2016. 400 p.

15. Berrar D., Lopes P., Dubitzky W. Incorporating domain knowledge in machine learning for soccer outcome prediction // Machine Learning. 2019. V. 108. N 1. P. 97–126. doi: 10.1007/s10994-018-5747-8

16. Mohri M., Rostamizadeh A., Talwalkar A. Foundations of Machine Learning. Second Edition. Cambridge: MIT Press, 2018.

17. Alpaydin E. Machine Learning: The New AI. Cambridge: MIT Press, 2017. 206 p.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License