В статье в качестве инструментальных средств оценки личностных факторов «Большой пятерки» предлагается применять современные методы автоматической обработки изображений: извлекать из изображений в профилях пользователей социальной сети «ВКонтакте» BoW-словари на базе инвариантных к повороту, смещению и изменениям освещения KAZE-дескрипторов с дальнейшей их обработкой на искусственных нейронных сетях с целью построения инструмента для прогнозирования личностных факторов пользователей. Для формирования обучающей и тестовой выборок была использована база данных изображений и анкет пользователей социальной сети, изготовленная при непосредственном участии Психологического института Российской академии образования, анкетирование осуществлялось по опроснику «NEO-FFI». Нейронные сети реализованы с помощью библиотеки «Microsoft Cognitive Toolkit» (CNTK). Исследованы различные архитектуры нейронных сетей, разнообразные активационные функции и оптимизаторы обучения. Проводится сравнение с методами прямой нейросетевой обработки изображений. Выделены личностные факторы, коррелирующие с размещаемыми изображениями. Предложенный метод оказался лучше в задаче прогнозирования личностных факторов, чем подход с двумя нейронными сетями (прямого распространения и сверточной), где первая сжимает данные, а вторая уже обучается на них.
The article proposes to apply modern methods of automatic image processing as a tool for assessing «Big Five» personal factors: offered extract BoW-dictionaries based on invariant to rotation, displacement, and changes in the lighting of KAZE-descriptors from the images in the profiles of users of the «VKontakte» social network with their processing on artificial neural networks in order to build a tool for predicting the personal factors of users. To form training and test samples we used a database of images and profiles of a social networkusers, made with the direct participation of the Psychological Institute of Russian Academy of Education, questioning was carried out according to the «NEO-FFI» questionnaire. Neural networks are implemented using the Microsoft Cognitive Toolkit (CNTK) library. Various neural network architectures, various activation functions, and learning optimizers have been investigated. A comparison is made with methods of direct neural network image processing. Identified personal factors that correlate with the posted images. The proposed method turned out to be better in the task of predicting personality factors than the approach with two neural networks (direct distribution and convolutional), where the first compresses the data, and the second is already trained on them.
1. Tupes E.C., Christal R.E. Recurrent personality factors based on trait ratings. Journal of Personality. 1992.vol. 60. no. 2. P. 225–251. DOI: 10.1111/j.1467-6494.1992.tb00973.x.
2. Кисельникова Н.В., Куминская Е.А., Латышев А.В., Фраленко В.П., Хачумов М.В. Инструментальные средства анализа депрессивного состояния и личностных черт человека // Программные системы: теория и приложения. 2019. № 3. С. 129–159. DOI: 10.25209/2079-3316-2019-10-3-129-159.
3. Fralenko V., Khachumov V., Khachumov M. Correlation analysis and prediction of personality traits using graphic data collections. SHS Web of Conferences. 2019. vol. 72. Proceeding of the International Scientific Conference «Achievements and Perspectives of Philosophical Studies» (APPSCONF-2019). DOI: 10.1051/shsconf/20197201012. [Электронный ресурс]. URL: https://www.shs-conferences.org/articles/shsconf/pdf/2019/13/shsconf_appsconf2019_01012.pdf (дата обращения: 05.03.2020).
4. Do T.-N. Detection of pornographic images using Bag-Of-Visual-Words and ARCX4 of random multinomial naive bayes. Journal of Science and Technology. 2011. vol. 49. no. 5. P. 13–24.
5. Deselaers Т., Pimenidis L., Ney H. Bag-of-visual-words models tor adult image classification and filtering. Proceeding of the 19th International Conference on Pattern Recognition. 2008. P. 1–4.
6. Fralenko V.P., Suvorov R.E., Tikhomirov I.A. Automatic Image Classification for Web Content Filtering: New Dataset Evaluation. Recent Developments and the New Direction in Soft-Computing Foundations and Applications (Selected Papers from the 6th World Conference on Soft Computing, May 22–25, 2016, Berkeley, USA). 2018. P. 351–360.
7. Alcantarilla P.F., Bartoli A., Davison A.J.KAZE Features. Proceedings of the European Conference on Computer Vision (ECCV)(October 2012, Fiorenze, Italy). 14 p. [Электронный ресурс]. URL: http://www.robesafe.com/personal/pablo.alcantarilla/papers/Alcantarilla12eccv.pdf (дата обращения: 05.03.2020).
8. Costa P.T., McCrae R.R. Normal personality assessment in clinical practice: The NEO personality inventory. Psychological assessment. 1992. vol. 4. no. 1. P. 5–13. DOI: 10.1037/1040-3590.4.1.5.
9. Celebi M.E., Kingravi H.A., Vela P.A. A comparative study of efficient initialization methods for the k-means clustering algorithm. 2013. [Электронный ресурс]. URL: https://arxiv.org/pdf/1209.1960 (дата обращения: 05.03.2020).
10. Microsoft Cognitive Toolkit. 2017. [Электронный ресурс]. URL: https://www.microsoft.com/en-us/cognitive-toolkit/ (дата обращения: 05.03.2020).
11. Сntk.ops package – Python API for CNTK 2.6 documentation. 2017. [Электронный ресурс]. URL: https://cntk.ai/pythondocs/cntk.ops.html (дата обращения: 05.03.2020).
12. Ван Лянпэн. Программные средства с использованием методов и алгоритмов кратномасштабного вейвлет анализа для обработки и поиска изображений: дис. … канд. тех. наук. Москва, 2019. 138 c.
13. Сntk.learners package – Python API for CNTK 2.6 documentation. 2017. [Электронный ресурс]. URL: https://cntk.ai/pythondocs/cntk.learners.html (дата обращения: 05.03.2020).
14. Srivastava N., Hinton G., Krizhevsky A., Sutskever I., Salakhutdinov R. Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research. 2014. vol. 15. P. 1929–1958.
15. Kingma D.P., Ba J. Adam: A Method for Stochastic Optimization. Proceedings of International Conference on Learning Representations (ICLR). 2015. 13 p. [Электронный ресурс]. URL: https://arxiv.org/pdf/1412.6980.pdf (дата обращения: 05.03.2020).