基于图像的性格测试调查问卷生成方法及调查交互的方法

基于图像的性格测试调查问卷生成方法及调查交互的方法
【专利摘要】本发明公开了一种基于图像的性格测试调查问卷生成方法和调查交互的方法。其中，性格测试调查问卷生成方法包括获取用户喜欢的图像集及所述用户的性格属性真值集合，并构建图像与用户的第一关系；进行概念提取，构建图像与概念的关系；提取图像集中各图像的图像特征，构建图像与用户的第二关系；根据图像与概念的关系和图像与用户的第二关系，确定给定用户集合下用户集共有概念集合；然后筛选出具体性格区分度的概念集合；从各概念下的图像集合里筛选具有性格代表性的图像，作为可视化问题的图像选项；通过筛选出的概念和概念下的图像选项，生成调查问卷。通过本发明实施例能够在较短时间内得到较为准确的用户性格，具有更好的跨语言性能。
【专利说明】
基于图像的性格测试调查问卷生成方法及调查交互的方法
技术领域
[0001] 本发明实施例涉及图像处理、数据挖掘和心理学技术领域，具体涉及一种基于图 像的性格测试调查问卷生成方法及调查交互的方法。
【背景技术】
[0002] 性格是一个心理学特征，致力于将人类复杂多样的行为，用少量的、稳定的、可以 度量的独特特征去解释。跟人口统计学中的属性相比，性格特征从人的内在心理学角度去 解释和预测人类行为的不同。目前使用最广泛的性格模型是：大五模型(Big Five，BF)，也 叫五因素模型(Five-Factor Model，FFM)。大五模型(Big Five,BF)将人的性格，分成五个 方面：开放（openness)、自觉（Conscientiousness)、外向（Extraversion)、亲和 (Agreeableness)和神经质(Neuroticism)。基于大五模型(Big Five，BF)的性格研究，目前 已经有很多的应用，如:职业辅助、定向广告、个性化推荐系统、疾病识别和预防，甚至人机 交互。
[0003] 传统性格测试，如:大五性格测试调查问卷(Big-Five Inventory，BFI)，等标准性 格调查问卷，是通过测定个体在性格的五个维度的分数来调查个体性格。这一类调查问卷， 问卷的一系列问题由心理学专家设定；问卷的测试方式是:受试者阅读并理解文本形式的 题目的含义，然后思考自身表现出的性格属性，并根据自身属性和文本题目的含义之间的 相似程度打分，从非常不同意到非常同意。
[0004] 尽管大五性格测试调查问卷(Big-Five Inventory，BFI)已经被广泛使用，但是现 有的基于文本的性格测试调查问卷，却有着如下局限：（1)每回答一个问题，受试者都要先 阅读和理解该问题的含义，当问题较多的时候，会对受试者造成很大的负担，特别是标准的 大五性格调查问卷一般是 240 道题的 NE〇-PI-R-240(Neuroticism-Extraversion-〇penness Personality Inventory Revised)。做这样的调查问卷的时候，受试者需要思考自身表现 出的性格属性，然后评估自己的属性和问题的含义之间的相似程度，然而，受试者并不是对 性格有研究的学者或专家，更一般地，受试者并不太清楚自身的性格属性，这为调查性格属 性造成了很大的误差。（2)基于文本的调查问卷，传达出了明显的调查意图，出于提升自我 的心态，受试者倾向于使他们的回答更加符合主流价值观，更讨人喜欢。比如在BFI-10调查 问卷中有一个问题："我比较懒"，大部分受试者会选择"不同意"。这非常容易引起调查的误 差，影响调查的准确性。（3)基于文本的调查问卷是语言敏感的，心理学专家在针对自己国 家进行调查问卷的引入的时候，不能直接的翻译题干的意思，还需要考虑具体题干的性格 含义，如：在英语版的BFI中，"calm"是用来度量神经质(Neuroticism)这一维度性格的，如 果直接把"calm"翻译成德语，对应的单词是"ruhlg"，然而"ruhlg"在德语中不仅和神经质 (Neuroticism)这一维度有关系，还跟外向（Extraversion)这一维度有关。
[0005] 有鉴于此，特提出本发明。

【发明内容】

[0006] 鉴于上述问题，提出了本发明以便提供一种至少部分地解决上述问题的一种基于 图像的性格测试调查问卷生成方法。此外，还提供一种调查交互的方法。
[0007] 为了实现上述目的，根据本发明的一个方面，提供了以下技术方案：
[0008] 一种基于图像的性格测试调查问卷生成方法，所述方法至少包括：
[0009] 获取用户喜欢的图像集及所述用户的性格属性真值集合，并构建所述图像与所述 用户的第一关系；
[0010] 对所述用户喜欢的所述图像集中的图像进行基于深度学习的概念提取，构建所述 图像与所述概念的关系；
[0011] 提取所述图像集中各图像的图像特征，并根据所述图像特征确定图像特征向量和 用户特征集合，以及利用所述图像特征向量扩充所述图像与用户的第一关系，构建图像与 用户的第二关系；
[0012] 根据所述图像与概念的关系和所述图像与用户的第二关系，确定给定用户集合下 用户集共有概念集合；
[0013] 将所述用户特征集合和所述用户集共有概念集合作为训练集，并以所述用户的性 格属性真值集合作为目标，训练回归器，并采用基于视角的梯度提升决策树算法，筛选出具 体性格区分度的概念集合；
[0014] 使用聚类算法，利用所述筛选出的具体性格区分度的概念集合，从各概念下的图 像集合里筛选具有性格代表性的图像，作为可视化问题的图像选项；
[0015] 通过所述筛选出的概念和所述概念下的所述图像选项，生成所述基于图像的性格 测试调查问卷。
[0016] 优选地，所述对所述用户喜欢的所述图像集中的图像进行基于深度学习的概念提 取，具体包括：
[0017] 采用深度神经网络对所述用户喜欢的所述图像集中的图像进行概念提取。
[0018]优选地，所述采用基于视角的梯度提升决策树算法，筛选出具体性格区分度的概 念集合，具体包括：
[0019]根据以下公式初始化强回归器：
[0021]其中，所述Fo表示初始强回归器;所述Pl表示用户经基于文本的性格测试得到的性 格属性真值;所述N表示训练样本个数；
[0022]根据以下公式计算残差r1:
[0023] ri = pi-Fm-i(xi)
[0024] 其中，所述m表示迭代次数;所述& ^股&^/二:^^八^所述冗表示性格概念角度 个数;所述d表示所述图像的特征维度；
[0025] 根据以下公式对残差回归得到弱回归器：
[0027] 将弱回归器添加到强回归器中，得到新的强回归器：
[0028] Fm(x) =Fm-l(x)+vT(x； Vm,Rm,Am)
[0029] 其中，所述v表示权重；
[0030]确定最终的回归器为：
[则其中，所述r(x; f/;，及,"，4)二E么』-' ? ⑴ 示基回归器;所述K ?)表示指示函数;所述J表示叶子结点数量;所述Vm表示选中的概念角 度的特征;所述Rm表示学习到的分类模式;所述Am表示输出的叶子结点值;所述M表示使用的 基回归器的个数;所述9表示训练集；
[0033] 通过确定的所述最终的回归器，来筛选出所述具体性格区分度的概念集合。
[0034] 为了实现上述目的，根据本发明的另一个方面，还提供了一种利用上述技术方案 所述方法生成的调查问卷进行调查交互的方法。所述调查交互的方法包括：
[0035] 设定所述调查问卷的调查形式为:给定一组问题，设定含有相应概念的图像作为 问题的选项；
[0036]设定所述调查问卷的交互形式为:所述用户根据自身对所述图像的理解，选择符 合调查题干的图像；
[0037] 根据用户答案，利用所述回归器，计算所述用户的大五性格特征。
[0038] 与现有技术相比，上述技术方案至少具有以下有益效果：
[0039] 本发明实施例通过采用上述任一技术方案，使用图像作为调查问卷的选项，提供 能准确有效且用户友好的性格测试调查问卷，可以有效地减轻填写问卷时用户的负担，提 升用户友好度，能够在较短时间内得到较为准确的用户性格，具有更好的跨语言性能，降低 了性格测试的误差。解决了文本性格测试方法的偏差问题，以及语言敏感问题。相比现有的 基于文本的性格测试调查问卷的生成方法:心理学专家设定文本描述的题目和选项，一方 面通过图像能够让受试者迅速无负担的理解，无需进行针对语言的翻译，让受试者在短时 间内完成调查问卷;另一方面，通过数据驱动的调查问卷问题设置，能够使性格调查具有可 解释性。
[0040] 当然，实施本发明的任一产品不一定需要同时实现以上所述的所有优点。
[0041] 本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变 得显而易见，或者通过实施本发明而了解。本发明的目的和其它优点可通过在所写的说明 书、权利要求书以及附图中所特别指出的方法来实现和获得。
【附图说明】
[0042]附图作为本发明的一部分，用来提供对本发明的进一步的理解，本发明的示意性 实施例及其说明用于解释本发明，但不构成对本发明的不当限定。显然，下面描述中的附图 仅仅是一些实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他附图。在附图中：
[0043]图1为根据一示例性实施例示出的基于图像的性格测试调查问卷生成方法的流程 示意图；
[0044] 图2a为根据另一示例性实施例示出的基于图像的性格测试调查问卷生成方法中 概念提取不意图；
[0045] 图2b为根据另一示例性实施例示出的基于图像的性格测试调查问卷生成方法中 聚类示意图；
[0046] 图3为根据一示例性实施例示出的基于图像的性格测试调查问卷的调查交互图； [0047]图4为根据一示例性实施例示出的基于图像的性格测试调查问卷的调查交互方法 的流程示意图。
[0048] 这些附图和文字描述并不旨在以任何方式限制本发明的构思范围，而是通过参考 特定实施例为本领域技术人员说明本发明的概念。
【具体实施方式】
[0049] 下面结合附图以及具体实施例对本发明实施例解决的技术问题、所采用的技术方 案以及实现的技术效果进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请的一部 分实施例，并不是全部实施例。基于本申请中的实施例，本领域普通技术人员在不付出创造 性劳动的前提下，所获的所有其它等同或明显变型的实施例均落在本发明的保护范围内。 本发明实施例可以按照权利要求中限定和涵盖的多种不同方式来具体化。
[0050] 需要说明的是，在下面的描述中，为了方便理解，给出了许多具体细节。但是很明 显，本发明的实现可以没有这些具体细节。
[0051] 还需要说明的是，在没有明确限定或不冲突的情况下，本发明中的各个实施例及 其中的技术特征可以相互组合而形成技术方案。
[0052] 本发明的主要技术构思是：设定一系列的可视化问题，每一个可视化问题都围绕 着一些特定的概念，根据图像中含有的概念生成对应性格测试题目和选项。问题下的图像 选项是这些概念下的具有性格代表性的图像。利用用户对可视化问题的回答选项，分析出 用户的大五性格特征(Big Five Traits)。
[0053] 本发明实施例提出一种基于图像的性格测试调查问卷生成方法。如图1所示，该方 法可以包括:步骤S100至步骤S160。
[0054] S100:获取用户喜欢的图像集及用户的性格属性真值集合，并构建图像与用户的 第一关系。
[0055]其中，用户喜欢的图像集中的任意一张图像都以该用户的性格属性真值为标记。 性格属性真值由用户进行基于文本的性格测试产生。组织关系索引以表示图像与用户的关 系;若使用三元组表示形式，可以表示成〈图像，用户，关系类别〉。
[0056] S110:对用户喜欢的图像集中的图像进行基于深度学习的概念提取，构建图像与 概念的关系。
[0057]本步骤中，概念代表图像中包含的事物。基于提取的图像所含有的概念集，组织成 关系索引，表示图像与概念的关系;若使用三元组表示形式，可以表示成〈图像，概念集，关 系类别〉。
[0058]下面举例说明对用户喜欢的图像集中的图像进行基于深度学习的概念提取的过 程。
[0059] 基于GoogLeNet网络结构，在图网（ImageNet)上进行预训练，得到深度神经网络分 类模型。采用深度神经网络对用户喜欢的图像集中的图像进行概念提取。
[0060]输入图像集中的图像，输出为ILSVRC(大规模可视化识别挑战赛)第二项挑战:分 类和定位中提供的1000种类别在当前图像中出现的可信性。对于每一张图像，仅选取可能 性大于0.1，且排名前5的分类，如图2a所示。其中，将埃及猫、木门、灯、花豹和金刚鹦鹉作为 该图像含有的概念。为了扩大概念的数量，将初始的1 〇〇〇种图网（ImageNet)分类记作概念 的第1层次。根据词网(WordNet)的层次结构，将第1层次的概念，向上推广到第2层次，第3层 次，第4层次。词网是一个完备的英文词汇语义网，它将英文词汇，特别是名词概念，按照是 否拥有蕴含关系，构建层次结构。最终提取到1789个概念。
[0061] S120:提取图像集中各图像的图像特征，并根据图像特征确定图像特征向量和用 户特征集合，以及利用图像特征向量扩充图像与用户的第一关系，构建图像与用户的第二 关系。
[0062]其中，图像特征包括颜色特征、纹理特征、构图特征和内容特征。将这些特征表示 成图像特征向量。将用户表示为其喜欢的全部图像的图像特征向量的集合，作为用户特征 集合。
[0063]利用图像特征向量扩充图像与用户的第一关系后，图像与用户的关系为〈图像，图 像特征向量，用户，关系类别〉。
[0064] S130:根据图像与概念的关系和图像与用户的第二关系，确定给定用户集合下用 户集共有概念集合。
[0065] 例如:根据〈图像，概念集，图像-概念关系类别〉和〈图像，图像特征向量，用户，图 像-用户关系类别〉，推导出：〈用户集，用户集特征集合，用户集共有概念集，用户集共有图 像集，图像_用户关系类别，图像-概念关系类别〉。
[0066] S140:将用户特征集合和用户集共有概念集合作为训练集，并以用户的性格属性 真值集合作为目标，训练回归器，并采用基于视角的梯度提升决策树算法，筛选出具体性格 区分度的概念集合。
[0067] 作为示例，详细说明基于视角的梯度提升决策树算法的过程。
[0068] 对于每一个用户来说，从他喜欢的图片集中，提取出K个概念，这K个概念可以视作 这个用户的性格的K个角度(即K个性格概念角度），也即用户x[x (1)，. . .x(1)，. . .x(k)]T，其中 每一个1)+1，. . .，Xld]，表示用户图片集中的第i个概念下的图像的特征，d表示图 像的特征维度。
[0069]本发明实施例在采用基于视角的梯度提升决策树(vGBDT)算法时，在每一轮挑选 基回归器的时候，不仅考虑调整优化参数和输出叶子节点，还计算了本轮迭代中，将使用哪 一个概念角度。其中，vGBDT采用的基回归器T的形式如下：
[0071]其中，1( ?)表示指示函数;J表示叶子结点数量;m表示迭代次数;Vm表示选中的概 念角度的特征;Rm表不学习到的分类模式;Am表不输出的叶子结点值。
[0072]假设Pl表示用户经基于文本的性格测试得到的性格属性真值，优选地，PlG [-4， 4 ]。= 1，…，iV，其中N表示训练样本个数。
[0073] 初始化强回归器，即
[0074]根据以下公式计算残差r1:
[0075] ri = pi-Fm-i(xi)
[0076] 其中，m表示迭代次数;Xi表示用户；i = l, ? ? ?，N。
[0077] 根据以下公式对残差回归得到弱回归器：
[0079] 将弱回归器添加到强回归器中，得到新的强回归器，即：
[0080] Fm(x) =Fm-l(x)+vT(x； Vm,Rm,Am)
[0081 ] 其中，v表示权重。
[0082]当 m=M 时，F=Fm。
[0083]最终的回归器为：
[0085] 其中，M表示使用的基回归器的个数，也即使用的性格概念角度的个数;0表示训练 集。
[0086] S150:使用聚类算法，利用筛选出的具体性格区分度的概念集合，从各概念下的图 像集合里筛选具有性格代表性的图像，作为可视化问题的图像选项。
[0087] 本步骤对于筛选出的含有同一概念的图像集合，优选地采用信念传播聚类 (Affinity Propagation Clustering)算法进行具体概念下图像选项的选择。
[0088] S160:通过筛选出的概念和概念下的图像选项，生成基于图像的性格测试调查问 卷。
[0089]作为示例，使用vGBDT算法后，M个候选概念就会被选取出来，这也代表着固定了M 个题目的题干。例如选出"猫"这一概念，则本题的题干就可以表示为：以下含有"猫"的图 像，你最喜欢哪一张。对于每一个概念，都对其相应的图像集使用信念传播算法进行筛选， 选出J个AP算法的聚类中心，也即J个具有代表性的图像。将用于预测用户性格真值p的、已 选出的第m个概念，记为。对于任意图像A 6 ，可以使用vGBDT算法将它们分配到M 个基回归器之,<)中的一个。设J为5,则会将< 概念集内的图像，聚成5类。结果如图 2b，图像被标注为1-5。为了防止作为题目选项的图像被误选，而影响到用户的响应，我们采 用信念传播(Affinity Propagation,AP)算法，对A 进行聚类，只采用最大类中，最靠 近聚类中心的被标注为1-5的图像，如图2b。至此，由vGBDT算法确定的M个问题，以及M个问 题下的由AP算法确定的J个选项已经完备，如图3,完成了基于图像性格测试调查问卷的生 成流程。
[0090]传统的文本调查文件的调查方式，是设定多个题目，受试者在阅读和理解时，会承 受较大的负担，受试者还需要有一定的性格科学素养，能分辨出自身的性格特征，并和题干 进行对比，回答相似或同意程度;文本调查问卷问题的题干会传达出明显的调查意图，受试 者会有意识的做出对于自身有利的回答，隐瞒真实情况，造成偏差;文本问卷还是语言敏感 的，在跨语言方面，比较困难。
[0091]本发明实施例通过设定一系列"选你最喜欢的图像"的可视化问题，并收集用户对 问题的回答选项来做，从而提供一种基于图像的性格测试调查问卷的调查交互方法。如图4 所示，该方法可以包括：
[0092] S400:设定调查问卷的调查形式为:给定一组问题，设定含有相应概念的图像作为 问题的选项。
[0093] S410:设定调查问卷的交互形式为：用户根据自身对图像的理解，选择符合调查题 干的图像。
[0094] S420:根据用户答案，利用回归器，计算用户的大五性格特征。
[0095] 采用本发明实施例，用户只用回答一个问题："以下图像，哪一张是你最喜欢的?" 如图3所示。用户对于问卷的理解不再具有障碍，问卷的调查意图隐藏在图像之后，用户不 能直接通过图像有意识的做出偏差的回答。
[0096] 为了评估本发明，我们将本发明的算法测试结果和用户使用传统性格测试问卷调 查结果做了对比，使用均方根误差作为度量标准，均方根误差在1.232-1.796之间。
[0097] 上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域 技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行， 其可以同时（并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之 内。
[0098] 以上对本发明实施例所提供的技术方案进行了详细的介绍。虽然本文应用了具体 的个例对本发明的原理和实施方式进行了阐述，但是，上述实施例的说明仅适用于帮助理 解本发明实施例的原理；同时，对于本领域技术人员来说，依据本发明实施例，在具体实施 方式以及应用范围之内均会做出改变。
[0099] 需要说明的是，本文中涉及到的流程图或框图不仅仅局限于本文所示的形式，其 还可以进行划分和/或组合。
[0100] 还需要说明的是：附图中的标记和文字只是为了更清楚地说明本发明，不视为对 本发明保护范围的不当限定。
[0101] 术语"包括"或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系 列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的 其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
[0102] 本发明的各个步骤可以用通用的计算装置来实现，例如，它们可以集中在单个的 计算装置上，例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备或者多 处理器装置，也可以分布在多个计算装置所组成的网络上，它们可以以不同于此处的顺序 执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多 个模块或步骤制作成单个集成电路模块来实现。因此，本发明不限于任何特定的硬件和软 件或者其结合。
[0103] 本发明提供的方法可以使用可编程逻辑器件来实现，也可以实施为计算机程序软 件或程序模块(其包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件或 数据结构等等），例如根据本发明的实施例可以是一种计算机程序产品，运行该计算机程序 产品使计算机执行用于所示范的方法。所述计算机程序产品包括计算机可读存储介质，该 介质上包含计算机程序逻辑或代码部分，用于实现所述方法。所述计算机可读存储介质可 以是被安装在计算机中的内置介质或者可以从计算机主体上拆卸下来的可移动介质（例 如:采用热插拔技术的存储设备）。所述内置介质包括但不限于可重写的非易失性存储器， 例如:RAM、ROM、快闪存储器和硬盘。所述可移动介质包括但不限于:光存储介质(例如:CD ― ROM和DVD )、磁光存储介质（例如:M0 )、磁存储介质（例如:磁带或移动硬盘）、具有内置的可 重写非易失性存储器的媒体(例如:存储卡)和具有内置ROM的媒体(例如:ROM盒）。
[0104]以上所述，仅为本发明中的【具体实施方式】，但本发明的保护范围并不局限于此，任 何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在 本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。
【主权项】
1. 一种基于图像的性格测试调查问卷生成方法，其特征在于，所述方法至少包括： 获取用户喜欢的图像集及所述用户的性格属性真值集合，并构建所述图像与所述用户 的第一关系； 对所述用户喜欢的所述图像集中的图像进行基于深度学习的概念提取，构建所述图像 与所述概念的关系； 提取所述图像集中各图像的图像特征，并根据所述图像特征确定图像特征向量和用户 特征集合，以及利用所述图像特征向量扩充所述图像与用户的第一关系，构建图像与用户 的第二关系； 根据所述图像与概念的关系和所述图像与用户的第二关系，确定给定用户集合下用户 集共有概念集合； 将所述用户特征集合和所述用户集共有概念集合作为训练集，并以所述用户的性格属 性真值集合作为目标，训练回归器，并采用基于视角的梯度提升决策树算法，筛选出具体性 格区分度的概念集合； 使用聚类算法，利用所述筛选出的具体性格区分度的概念集合，从各概念下的图像集 合里筛选具有性格代表性的图像，作为可视化问题的图像选项； 通过所述筛选出的概念和所述概念下的所述图像选项，生成所述基于图像的性格测试 调查问卷。2. 根据权利要求1所述的方法，其特征在于，所述对所述用户喜欢的所述图像集中的图 像进行基于深度学习的概念提取，具体包括： 采用深度神经网络对所述用户喜欢的所述图像集中的图像进行概念提取。3. 根据权利要求1所述的方法，其特征在于，所述采用基于视角的梯度提升决策树算 法，筛选出具体性格区分度的概念集合，具体包括： 根据以下公式初始化强回归器：其中，所述Fo表示初始强回归器;所述Pl表示用户经基于文本的性格测试得到的性格属 性真值;所述N表示训练样本个数； 根据以下公式计算残差η: Ti = Pi-Fm-I ( Xi) 其中，所述m表示迭代次数;所述& €脱&/,/ = 1,...,^^所述1(表示性格概念角度个数； 所述d表示所述图像的特征维度； 根据以下公式对残差回归得到弱回归器： 将弱回归器添加到强回归器中，得到新的强回归器： Fm(X) =Fm-l(X)+vT(X;Vm，Rm，Am) 其中，所述V表示权重； 确定最终的回归器为：所述T表示基 回归器;所述K ·)表示指示函数;所述J表示叶子结点数量;所述乂》表示选中的概念角度的 特征;所述Rm表示学习到的分类模式;所述Am表示输出的叶子结点值;所述M表示使用的基回 归器的个数;所述Θ表示训练集； 通过确定的所述最终的回归器，来筛选出所述具体性格区分度的概念集合。4. 一种利用上述权利要求1-3中任一所述方法生成的调查问卷进行调查交互的方法， 其特征在于，所述调查交互的方法包括： 设定所述调查问卷的调查形式为：给定一组问题，设定含有相应概念的图像作为问题 的选项； 设定所述调查问卷的交互形式为:所述用户根据自身对所述图像的理解，选择符合调 查题干的图像； 根据用户答案，利用所述回归器，计算所述用户的大五性格特征。
【文档编号】G06F19/00GK105893784SQ201610484985
【公开日】2016年8月24日
【申请日】2016年6月28日
【发明人】桑基韬, 徐常胜, 张怀文
【申请人】中国科学院自动化研究所