在社交網(wǎng)絡中,個人頭像作為一種穩(wěn)定的內容,被用戶用來對外展示個人的形象,頭像中呈現(xiàn)的人臉和風格特征受用戶的性格等因素影響而有所不同。同樣,用戶日常發(fā)布的圖像因用戶的性格和人口統(tǒng)計學特征的不同而出現(xiàn)差異。人的性格唯一地刻畫了一個個體,并且影響著個體的精神狀態(tài)和社會行為�；谏缃痪W(wǎng)絡的性格研究,有利于針對性的社交推薦、線上營銷、輿論控制。在數(shù)據(jù)科學領域,傳統(tǒng)的性格研究多采用問卷調查方式和用戶的文本數(shù)據(jù)。該方式有諸多的問題,比如,問卷調查實施困難,模型性能嚴重依賴文本特征。本文提出基于社交網(wǎng)絡的性格分析和預測,使用推特用戶在線上活動中產(chǎn)生的兩類圖像數(shù)據(jù)推斷用戶性格。本文主要工作有社交網(wǎng)絡中用戶數(shù)據(jù)獲取、圖像特征提取和篩選、分類器篩選。其中提取和篩選圖像特征為研究的重點內容。大五性格模型^[2]用于劃分用戶的性格,該模型統(tǒng)一了個體在性格方面的差異,將性格劃分為五個主要維度:隨和性（Agreeableness）、盡責性（Conscientiousness）、外傾性（Extroversion）、情緒性（Neuroticism）、開放性（Openness）。首先,使用網(wǎng)絡爬蟲程序... 

【文章來源】：西南大學重慶市 211工程院校 教育部直屬院校

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

用戶頭像分類64%默認頭像兩張人臉一張人臉三張張人臉大于三張人臉

西南大學碩士學位論文28個原因是，對于不同的領域，風格的定義帶有嚴重的主觀因素，以至于對于不同人，同一張圖像往往有不同風格判定。圖3-4展示4種不同風格的圖像，“Detailed”風格和“Noir”風格僅通過人眼就能輕易區(qū)分，前者主要捕捉對象小范圍的細節(jié)，而后者則來源于一種電影風格——黑色電影，該風格下的圖片多取材于該類型電影中的場景，單一的黑色場景和單一的光源�！癛omantic”和“Vintage”風格的圖像僅通過人眼難以分辨，前者場景多包含豐富的色彩、風景，后者則擁有豐富色彩的同時，體現(xiàn)復古、舊式等特點。后面兩種風格不僅體現(xiàn)在圖像的內容中，還體現(xiàn)在圖像的整體特征。這種整體特征由于其抽象性，普通機器學習算法很難提齲圖3-4幾種不同風格的圖像深度卷積神經(jīng)網(wǎng)絡（CNN）在許多機器視覺任務中表現(xiàn)的非常好，從低層次的圖像處理，比如提高圖像的分辨率，到高層次的圖像理解，比如圖像分類、目標分割。CNN的成功得益于其對圖像不同層次的特征表達能力。本文中描述的圖像抽象風格實際上是圖像的紋理信息，這種紋理信息既包含了圖像的局部特征，比如，色彩、邊緣、形狀，還包含了這些局部特征之間的關系。正是這種特征之間的關系很好的體現(xiàn)了風格的整體性特點，使得圖像的紋理信息在應用到風格識別任務中時有較好的表現(xiàn)，對比同類研究是最優(yōu)的方法。通過改造CNN的結構使得其不僅能夠提取圖像局部的特征，還對全局性的特征具有良好的表達能力。對抽象風格特征的提取，本文使用2.3.2小節(jié)中介紹的雙通道深度卷積神經(jīng)網(wǎng)絡，在Flickr數(shù)據(jù)集[13]上訓練模型提取頭像抽象風格的能力。Flickr數(shù)據(jù)集將圖像風格分為5個組別，20種小類，一共包含80000張圖片，每張圖片由3至5名從事攝影工作的專業(yè)人員投票標注，每張圖片可

第3章基于社交網(wǎng)絡的性格分析與預測29的大小劃分比例為60：20：20，圖像被裁剪成256x256大小，為了增加訓練數(shù)據(jù)集的規(guī)模，將輸入圖片隨機裁剪成4張224x224大小的圖片，圖像最終的預測結果為4張圖像預測結果的均值。表3-3Flickr數(shù)據(jù)集中圖像風格類別特征類別具體特征光學技術Macro，Bokeh，DepthofFiled，LongExposure，HDR氛圍Hazy，Sunny情緒Serene，Melancholy，Ethereal結構Minimal，Geometric，Detailed，Texture色彩Pastel，Bright流派Noir，Vintage，Romantic，Horror模型的訓練和應用過程如圖3-5所示，訓練基于caffe深度學習框架[32]，Caffe全稱ConvolutionalArchitectureforFastFeatureEmbedding，是一種高效的開源深度學習框架，可以部署在不同平臺上，在學術界和工業(yè)界有著廣泛的應用。由于該模型的訓練涉及80000張原始圖片和超過1億個網(wǎng)絡參數(shù)，需要強大的計算能力，僅依靠普通桌面電腦的中央處理器需要漫長的訓練時間。為了縮短模型的訓練時間，選擇租用谷歌云平臺（GCP）的深度學習服務器來搭建實驗平臺。憑借該平臺豐富的GPU資源，模型在數(shù)小時內訓練完成。圖3-5抽象風格模型訓練和應用過程3.2.4樣本標記在實驗中我們并沒有使用問卷調查的方式標記用戶的性格，而是使用IBM的PersonalityInsight服務標記用戶的性格。選擇成熟的商用模型主要出于以下幾點考慮。首先，實驗樣本的來源使得我們無法獲取大量的問卷反潰其次，現(xiàn)有模型基于海量數(shù)據(jù)和最優(yōu)研究方法建立，一定程度上可以通過這些模型獲取到與問卷調

【參考文獻】：
期刊論文
[1]基于性格特征的社會化媒體用戶學術信息搜尋行為感知差異研究[J]. 張晉朝,羅博,查先進.  信息資源管理學報. 2018(04)



本文編號：3145281