Most of the recent work on personality detection from online posts adopts multifarious deep neural networks to represent the posts and builds predictive models in a data-driven manner, without the exploitation of psycholinguistic knowledge that may unveil the connections between one's language usage and his psychological traits. In this paper, we propose a psycholinguistic knowledge-based tripartite graph network, TrigNet, which consists of a tripartite graph network and a BERT-based graph initializer. The graph network injects structural psycholinguistic knowledge from LIWC, a computerized instrument for psycholinguistic analysis, by constructing a heterogeneous tripartite graph. The graph initializer is employed to provide initial embeddings for the graph nodes. To reduce the computational cost in graph learning, we further propose a novel flow graph attention network (GAT) that only transmits messages between neighboring parties in the tripartite graph. Benefiting from the tripartite graph, TrigNet can aggregate post information from a psychological perspective, which is a novel way of exploiting domain knowledge. Extensive experiments on two datasets show that TrigNet outperforms the existing state-of-art model by 3.47 and 2.10 points in average F1. Moreover, the flow GAT reduces the FLOPS and Memory measures by 38% and 32%, respectively, in comparison to the original GAT in our setting.

中文翻译：

---

用于人格检测的心理语言三方图网络

最近关于在线帖子个性检测的大部分工作都采用了多种多样的深度神经网络来表示帖子并以数据驱动的方式构建预测模型，而没有利用可能揭示一个人的语言使用与其心理特征之间的联系的心理语言学知识. 在本文中，我们提出了一种基于心理语言学知识的三方图网络 TrigNet，它由三方图网络和基于 BERT 的图初始化器组成。图网络通过构建异构三方图，从 LIWC（一种用于心理语言学分析的计算机化工具）中注入结构心理语言学知识。图初始值设定项用于为图节点提供初始嵌入。为了降低图学习的计算成本，我们进一步提出了一种新颖的流图注意网络（GAT），它仅在三方图中的相邻方之间传输消息。受益于三方图，TrigNet 可以从心理学的角度聚合帖子信息，这是一种利用领域知识的新方法。对两个数据集的大量实验表明，TrigNet 在平均 F1.5 中比现有的最先进模型高 3.47 和 2.10 个百分点。此外，与我们设置中的原始 GAT 相比，流 GAT 分别将 FLOPS 和内存度量减少了 38% 和 32%。这是一种利用领域知识的新方法。对两个数据集的大量实验表明，TrigNet 在平均 F1.5 中比现有的最先进模型高 3.47 和 2.10 个百分点。此外，与我们设置中的原始 GAT 相比，流 GAT 分别将 FLOPS 和内存度量减少了 38% 和 32%。这是一种利用领域知识的新方法。对两个数据集的大量实验表明，TrigNet 在平均 F1.5 中比现有的最先进模型高 3.47 和 2.10 个百分点。此外，与我们设置中的原始 GAT 相比，流 GAT 分别将 FLOPS 和内存度量减少了 38% 和 32%。