---

许可证: MIT
语言: 英语
微件:

• 文本: >
  "我对'我是派对中的灵魂人物'持中立态度，强烈认同'我能体谅他人的感受'，同意'我会立刻完成家务'，同意'我情绪波动频繁'，同意'我拥有丰富的想象力'，强烈认同'我不爱多说话'，强烈反对'我对别人的问题不感兴趣'，强烈反对'我经常忘记把东西放回原位'，不同意'我大部分时间都很放松'，不同意'我对抽象概念不感兴趣'，同意'我在派对上与很多人交谈'，强烈反对'我能感受到他人的情绪'，同意'我喜欢井然有序'，强烈认同'我容易心烦意乱'，对'我难以理解抽象概念'持中立态度，强烈反对'我保持低调'，强烈反对'我对他人不感兴趣'，强烈反对'我把事情搞得一团糟'，不同意'我很少感到忧郁'，不同意'我没有很好的想象力'"
• 文本: >
  "我强烈反对'我是派对中的灵魂人物'，强烈反对'我能体谅他人的感受'，强烈反对'我会立刻完成家务'，同意'我情绪波动频繁'，强烈反对'我拥有丰富的想象力'，同意'我不爱多说话'，不同意'我对别人的问题不感兴趣'，不同意'我经常忘记把东西放回原位'，同意'我大部分时间都很放松'，强烈认同'我对抽象概念不感兴趣'，强烈认同'我在派对上与很多人交谈'，不同意'我能感受到他人的情绪'，强烈认同'我喜欢井然有序'，同意'我容易心烦意乱'，对'我难以理解抽象概念'持中立态度，强烈认同'我保持低调'，强烈认同'我对他人不感兴趣'，强烈认同'我把事情搞得一团糟'，强烈认同'我很少感到忧郁'，不同意'我没有很好的想象力'"
• 文本: >
  "我不同意'我是派对中的灵魂人物'，强烈认同'我能体谅他人的感受'，同意'我会立刻完成家务'，强烈认同'我情绪波动频繁'，同意'我拥有丰富的想象力'，强烈认同'我不爱多说话'，强烈反对'我对别人的问题不感兴趣'，强烈反对'我经常忘记把东西放回原位'，强烈认同'我大部分时间都很放松'，同意'我对抽象概念不感兴趣'，同意'我在派对上与很多人交谈'，同意'我能感受到他人的情绪'，同意'我喜欢井然有序'，强烈反对'我容易心烦意乱'，强烈反对'我难以理解抽象概念'，强烈反对'我保持低调'，同意'我对他人不感兴趣'，强烈反对'我把事情搞得一团糟'，强烈反对'我很少感到忧郁'，强烈反对'我没有很好的想象力'"
  库名称: transformers
  管道标签: 文本分类
  标签:
• 人格
• 人格分类
• 迷你大五人格评估
• 人格类型 (OCEAN)
• 宜人性
• 尽责性
• 外向性
• 神经质
• 开放性

模型描述

• 现代企业领域中许多重大进展均由数据驱动。在不远的将来，数据对日常个人操作将变得更加关键和革命性。
• 在此项目中，我采用迁移学习技术，基于microsoft/MiniLM-L12-H384-uncased模型预测大五人格特质。
• 通过精选的人格特质数据集，模型优化了输入文本与人格特征之间的学习模式。
• 相比此前依赖roberta-large的模型（准确率65%），microsoft/MiniLM-L12-H384-uncased模型利用迁移学习将人格特质预测准确率提升至97%以上。
• 此微调模型能够基于用户输入文本高精度估算大五人格特质，展现了迁移学习与模型优化的强大能力。
• 本实验验证了大五人格特质预测的有效性及迁移学习在机器学习中的优势。

• 开发者: [Nasser Elsaman]
• 模型类型: [文本/人格分类模型]
• 语言（NLP）: [英语]
• 许可证: [MIT]
• 微调基础模型: microsoft/MiniLM-L12-H384-uncased
• 模型目标: 本模型仅供教育与研究用途，超出此范围的使用作者概不负责。

用途:-

直接使用:

• 个人可直接使用此人格预测模型，基于输入文本获取自身人格特质的洞察。用户输入文本即可获得大五人格特质的预测结果。本模型仅供教育与研究用途，超出此范围的使用作者概不负责。

下游应用:

• 此模型设计用于后续特定需求的微调或应用，是独立的人格预测微调模型。

非适用范围:

• 在就业、教育或法律等关键领域对个人做重大决策时，需谨慎使用此模型。

偏见、风险与限制:

• 与任何机器学习模型类似，人格预测模型存在局限性及潜在偏见，使用时需注意。

泛化性:

• 模型通过训练数据集中的模式预测人格特质。若应用于训练数据中代表性不足的不同种族或文化背景个体，结果可能不准确。

伦理考量:

• 人格预测模型应负责任地使用，需认识到人格特质不能定义一个人的价值或能力。避免基于预测结果形成不公正判断或歧视。

隐私顾虑:

• 模型依赖用户提供的输入文本，可能包含敏感信息。用户应谨慎提供个人信息并确保数据安全。

建议:

• 为降低人格预测模型的风险与限制，建议遵循以下准则：

意识与教育:

• 用户需了解模型的局限性与潜在偏见。人格特质具有复杂性，单一模型或文本分析无法全面体现。

避免刻板印象与歧视:

• 用户应避免仅基于预测的人格特质做决策或结论。人格预测不可用于歧视或强化刻板印象，本模型仅供教育与研究用途。

情境化解读:

• 结合输入文本外的其他信息，在具体情境中理解模型预测结果。

数据隐私与安全:

• 确保用户数据安全处理，符合隐私法规。用户需谨慎提供个人信息。

倡导道德使用:

• 鼓励人格预测模型的合理使用，杜绝滥用或有害应用。

• 需强调的是，上述建议为通用原则，具体应用中应根据使用场景和伦理考量制定额外建议。

模型入门指南:

使用以下代码快速开始使用模型。

from transformers import AutoTokenizer, AutoModelForSequenceClassification  

    def personality_detection(text, threshold=0.05, endpoint= 1.0):  
        token="填写您的HUG访问令牌ID"  
        tokenizer = AutoTokenizer.from_pretrained ("Nasserelsaman/microsoft-finetuned-personality",token=token)  
        model = AutoModelForSequenceClassification.from_pretrained ("Nasserelsaman/microsoft-finetuned-personality",token=token)  
          
        inputs = tokenizer(text, truncation=True, padding=True, return_tensors="pt")  
        outputs = model(**inputs)  
        predictions = outputs.logits.squeeze().detach().numpy()  
          
        # 获取原始逻辑值  
        logits = model(**inputs).logits  
          
        # 应用sigmoid函数将值压缩至0-1之间  
        probabilities = torch.sigmoid(logits)  
          
        # 将低于阈值的值设为0.05  
        predictions[predictions < threshold] = 0.05  
        predictions[predictions > endpoint] = 1.0  
          
        label_names = ['宜人性', '尽责性', '外向性', '神经质', '开放性']  
        result = {label_names[i]: f"{predictions[i]*100:.0f}%" for i in range(len(label_names))}  
          
        return result  

结果

[最终获得准确率超过97%的微调模型；通过我的Streamlit应用自行测试

personality_detection函数返回基于输入文本预测的人格特质字典。
字典包含以下人格特质及其对应预测值：

1. 宜人性: 5%至100%之间的值，表示预测的宜人性特质。
2. 尽责性: 5%至100%之间的值，表示预测的尽责性特质。
3. 外向性: 5%至100%之间的值，表示预测的外向性特质。
4. 神经质: 5%至100%之间的值，表示预测的神经质特质。
5. 开放性: 5%至100%之间的值，表示预测的开放性特质。

请注意，我将最小值设为5%而非0%，因为0%无实际意义，5%表示用户在此特质上表现较低，而100%表示此特质占主导地位。

示例:-

text_input = "强烈认同'我是派对中的灵魂人物'。
不同意'我能体谅他人的感受'。
强烈认同'我会立刻完成家务'。
不同意'我情绪波动频繁'。
不同意'我拥有丰富的想象力'。
对'我不爱多说话'持中立态度。
强烈反对'我对别人的问题不感兴趣'。
对'我经常忘记把东西放回原位'持中立态度。
强烈认同'我大部分时间都很放松'。
对'我对抽象概念不感兴趣'持中立态度。
强烈认同'我在派对上与很多人交谈'。
同意'我能感受到他人的情绪'。
不同意'我喜欢井然有序'。
强烈认同'我容易心烦意乱'。
对'我难以理解抽象概念'持中立态度。
强烈反对'我保持低调'。
同意'我对他人不感兴趣'。
强烈反对'我把事情搞得一团糟'。
强烈认同'我很少感到忧郁'。
强烈反对'我没有很好的想象力'。"

personality_prediction = personality_detection(text_input)
print(personality_prediction)

输出:-

{
"宜人性":"5%"
"尽责性":"5%"
"外向性":"6%"
"神经质":"100%"
"开放性":"5%"
}

* 我的Streamlit应用中还包含雷达图展示。

训练轮数:

• 仅进行了3轮训练，从第二轮起即获得高准确率且未过拟合：

轮次	训练损失	验证损失	准确率
1	0.626600	0.188280	0.945493
2	0.166500	0.095803	0.970488
3	0.104300	0.074864	0.976524

** 请注意以下解释我的结果及未过拟合的原因：

1. 360,855条样本的大型训练数据集使模型在少量轮次内即可获得良好性能。
2. 使用预训练语言模型microsoft/MiniLM-L12-H384-uncased（12层，384隐藏单元，12头，3300万参数，比BERT-Base快2.7倍）实现了比随机初始化更快的收敛。
   • 此点详细技术说明可参阅论文"[MiniLM: Deep Self-Att