personality prediction下载 - personality prediction源代码下载

personality prediction

Ai源码

Code for ICDM'20 paper

下载

使用预训练的语言模型的自动性格预测

该存储库包含纸质自下而上和自上而下的代码：具有心理语言和语言模型特征的人格，发表在IEEE国际数据挖掘会议2020年。

以下是用Tensorflow + Pytorch编写的一组实验，用于使用论文数据集中的语言模型探索自动化的个性检测（标记为特质的大五个个性）和Kaggle MBTI数据集。

设置

从GitHub中提取存储库，然后创建一个新的虚拟环境（CONDA或VENV）：

 git clone https : // github . com / yashsmehta / personality - prediction . git
cd personality - prediction
conda create - n mvenv python = 3.10

安装诗歌，并使用它来安装运行项目所需的依赖项：

 curl - sSL https : // install . python - poetry . org | python3 -
poetry install

用法

首先运行通过语言模型将数据集传递的LM提取器代码，并将（所有层）嵌入（所有层）存储在泡菜文件中。创建此“新数据集”可节省我们大量的计算时间，并有效地搜索填充网络的超参数。在运行代码之前，请在回购文件夹中创建一个PKL_DATA文件夹。所有参数都是可选的，并且传递没有参数以默认值运行提取器。

python LM_extractor.py -dataset_type ' essays ' -token_length 512 -batch_size 32 -embed ' bert-base ' -op_dir ' pkl_data '

接下来，运行一个固定模型，以将提取的功能作为腌制文件中的输入并训练一个固定模型。我们发现浅MLP是表现最好的一个

python finetune_models/MLP_LM.py

结果表	语言模型与心理语言特征

在看不见的文本上预测个性

请按照以下步骤预测个性（例如，大五：海洋特征）在新文本/文章中：

python finetune_models/MLP_LM.py -save_model ' yes '

现在使用下面的脚本预测看不见的文本：

python unseen_predictor.py

运行时间

LM_extractor.py

在rtx2080 gpu上，``bert-base'iffertor''提取器大约需要〜2m 30s，而“伯特 - 大''的提取器大约需要〜5m 30s

在CPU上，“ Bert-base”提取器大约需要约25m

python finetune_models/MLP_LM.py

在RTX2080 GPU上，根据MLP体系结构，在5s-60s上运行15个时期（没有交叉验证）。

文学

基于深度学习的人格预测[文学评论]（Springer Air Journal -2020）

 @article { mehta2020recent ,
  title = { Recent Trends in Deep Learning Based Personality Detection } ,
  author = { Mehta, Yash and Majumder, Navonil and Gelbukh, Alexander and Cambria, Erik } ,
  journal = { Artificial Intelligence Review } ,
  pages = { 2313–2339 } ,
  year = { 2020 } ,
  doi = { https://doi.org/10.1007/s10462-019-09770-z } ,
  url = { https://link.springer.com/article/10.1007/s10462-019-09770-z }
  publisher= { Springer }
}

基于语言模型的人格预测（ICDM -2020）

如果您发现此存储库对您的研究有用，请使用以下内容引用它：

 @inproceedings { mehta2020bottom ,
  title = { Bottom-up and top-down: Predicting personality with psycholinguistic and language model features } ,
  author = { Mehta, Yash and Fatehi, Samin and Kazameini, Amirmohammad and Stachl, Clemens and Cambria, Erik and Eetemadi, Sauleh } ,
  booktitle = { 2020 IEEE International Conference on Data Mining (ICDM) } ,
  pages = { 1184--1189 } ,
  year = { 2020 } ,
  organization = { IEEE }
}