具有人格特征的人格模型构建方法及装置与流程

本发明涉及数据处理，更具体地说是具有人格特征的人格模型构建方法及装置。

背景技术：

1、随着人工智能(artificialintelligence，ai)技术的发展，基于ai技术创建的语音助手或者聊天机器人能够以各种形式与人类进行交互。

2、目前市面上的语音助手或者聊天机器人能够实现仿造人的外貌和声音，但是普遍的语音助手或者聊天机器人不具有像人一样的个体差异。

3、而对于人类而言，个体差异主要体现在个人的人格的不同，人格是个体在思维模式、情感、动机和行为特征上的差异，人格对生活有很大的影响，会决定一个人在网站、书籍、音乐和电影等方面的选择，此外，人格也会影响与他人和环境互动，人格揭示出个体激励因素、沟通方式、决策风格、能力特长、抗压能力等等特质。

4、如何让语音助手或者聊天机器人等人工智能设备能够具有人格特征是目前需要继续思考的问题。

5、目前，已存在能够反映具有一定人格特性的人工智能设备，但不具有更全面的人格特性，只要原因是所建立的人格模型存在一定的缺陷，各个维度的特征没有很好的结合以及关联，从而导致这样的人格模型在应用过程中没有更加明显友好的用户体验，无法在某些技术场景得到充分的应用。

技术实现思路

1、本发明的目的在于克服现有技术的不足，提供具有人格特征的人格模型构建方法及装置，旨在提升人格模型的全面性，进而提升人格模型应用的友好性和广泛的适用性。

2、为实现上述目的，本发明采用以下技术方案：

3、第一方面，本发明提供了具有人格特征的人格模型构建方法，包括：

4、收集个人信息数据，所述个人信息数据包括个人行为数据、个人生理数据以及个人自我评价数据；

5、对个人信息数据进行预处理；

6、从经过预处理后的数据中提取出表示个人人格的不同维度的特征数据集；

7、对特征数据集进行统计分析；

8、根据任务需求选择合适的机器学习算法；

9、将统计分析后的特征数据集中的一部分特征数据作为训练数据，输入至所选的机器学习算法中进行训练，以创建出个体人格模型；

10、使用特征数据集中剩余部分特征数据作为测试数据，对创建出的个体人格模型进行评估验证；

11、根据评估验证结果对个体人格模型进行调整和优化。

12、基于第一方面，进一步技术方案为：所述从经过预处理后的数据中提取出表示个人人格的不同维度的特征数据集，包括：

13、将预处理后的数据转化为特征向量；

14、对特征向量进行降维处理，以得到不同维度的特征数据集；

15、从不同维度的特征数据集挑选出与所需人格维度相关的特征，并进行拟合处理，以得到个人人格的不同维度的特征数据集。

16、基于第一方面，进一步技术方案为：所述对特征数据集进行统计分析，包括：

17、将个人人格的不同维度的特征数据集进行标准化处理，以得到标准化数据；

18、根据标准化数据计算协方差矩阵；

19、对协方差矩阵进行特征值分解，以得到特征向量和特征值，其中特征向量表示不同主成分的方向，特征值表示各个主成分的重要程度；

20、根据特征值的大小，选择最大的k个主成分，并将其保留，并将个人人格的不同维度的特征数据集映射到k维空间中；

21、对选择保留的主成分进行解释性分析。

22、基于第一方面，进一步技术方案为：所述根据任务需求选择合适的机器学习算法，包括：

23、根据研究问题和目标，确定所需预测变量或响应变量；

24、根据所需预测变量或响应变量，确定出需要选择的算法类型；

25、根据确定出需要选择的算法类型，从符合该算法类型中选择多个算法进行比较，以确定出符合需求的最优的机器学习算法。

26、基于第一方面，进一步技术方案为：所述使用特征数据集中剩余部分特征数据作为测试数据，对创建出的个体人格模型进行评估验证，包括：

27、创建出的个体人格模型对测试集进行预测，并计算预测结果；

28、根据预测结果计算多个预测指标，所述预测指标包括：模型的准确度、模型的精确度以及召回率。

29、第二方面，本发明还提供了具有人格特征的人格模型构建装置，包括收集单元、预处理单元、特征提取单元、统计分析单元、算法选择单元、模型训练单元、模型评估验证单元以及模型调整优化单元；

30、所述收集单元，用于收集个人信息数据，所述个人信息数据包括个人行为数据、个人生理数据以及个人自我评价数据；

31、所述预处理单元，用于对个人信息数据进行预处理；

32、所述特征提取单元，用于从经过预处理后的数据中提取出表示个人人格的不同维度的特征数据集；

33、所述统计分析单元，用于对特征数据集进行统计分析；

34、所述算法选择单元，用于根据任务需求选择合适的机器学习算法；

35、所述模型训练单元，用于将统计分析后的特征数据集中的一部分特征数据作为训练数据，输入至所选的机器学习算法中进行训练，以创建出个体人格模型；

36、模型评估单元，用于使用特征数据集中剩余部分特征数据作为测试数据，对创建出的个体人格模型进行评估验证；

37、所述模型调整优化单元，用于根据评估验证结果对个体人格模型进行调整和优化。

38、基于第二方面，进一步技术方案为：所述预处理单元包括特征向量转化模块、降维模块以及拟合处理模块；

39、所述特征向量转化模块，用于将预处理后的数据转化为特征向量；

40、所述降维模块，用于对特征向量进行降维处理，以得到不同维度的特征数据集；

41、所述拟合处理模块，用于从不同维度的特征数据集挑选出与所需人格维度相关的特征，并进行拟合处理，以得到个人人格的不同维度的特征数据集。

42、基于第二方面，进一步技术方案为：所述统计分析单元包括标准化处理模块、方差矩阵计算模块、特征值分解模块、主成分选择模块以及解析模块；

43、所述标准化处理模块，用于将个人人格的不同维度的特征数据集进行标准化处理，以得到标准化数据；

44、所述方差矩阵计算模块，用于根据标准化数据计算协方差矩阵；

45、所述特征值分解模块，用于对协方差矩阵进行特征值分解，以得到特征向量和特征值，其中特征向量表示不同主成分的方向，特征值表示各个主成分的重要程度；

46、所述主成分选择模块，用于根据特征值的大小，选择最大的k个主成分，并将其保留，并将个人人格的不同维度的特征数据集映射到k维空间中；

47、所述解析模块，用于对选择保留的主成分进行解释性分析。

48、第三方面，本发明还提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的具有人格特征的人格模型构建方法。

49、第四方面，本发明还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时，使得所述处理器执行如上述的具有人格特征的人格模型构建方法。

50、本发明与现有技术相比的有益效果是：具有人格特征的人格模型构建方法包括：收集个人信息数据，所述个人信息数据包括个人行为数据、个人生理数据以及个人自我评价数据；对个人信息数据进行预处理；从经过预处理后的数据中提取出表示个人人格的不同维度的特征数据集；对特征数据集进行统计分析；根据任务需求选择合适的机器学习算法；将统计分析后的特征数据集中的一部分特征数据作为训练数据，输入至所选的机器学习算法中进行训练，以创建出个体人格模型；使用特征数据集中剩余部分特征数据作为测试数据，对创建出的个体人格模型进行评估验证；根据评估验证结果对个体人格模型进行调整和优化。收集的个人信息数据包括了多个属性的个人数据，并且通过分析处理，使得提取出的特征数据可以揭示人格特征的分布情况以及相关性等信息，为后续模型建立基础数据支持，同时降低了不同特征之间的多重共线性，减少了不必要的冗余信息，从而有助于模型的建立，另外，通过对创建出的个体人格模型进行评估验证，为模型的优化调整提供了基础，进而间接提升了模型的可靠性。

51、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明技术手段，可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的特征及优点能够更明显易懂，以下特举较佳实施例，详细说明如下。