融合人格特质与深度学习的个性化推荐模型PTDLRec：提升用户兴趣捕捉与推荐精度的创新研究

针对传统推荐系统难以全面捕捉用户真实偏好、深度学习模型缺乏心理特质考量的问题，研究人员提出融合人格特质（FFM/MBTI）与深度学习的PTDLRec模型。通过矩阵分解（MF）、对比学习优化嵌入表示、特征交互层设计及分层注意力机制，显著提升推荐精度，为个性化推荐提供心理学支持。

　　

在信息爆炸的数字时代，推荐系统已成为电商、社交媒体的核心技术，但传统方法（如协同过滤）难以应对用户行为的复杂性和多样性。尽管深度学习通过自动特征提取提升了推荐性能，却忽视了人格特质（Personality Traits）这一影响用户长期偏好的关键因素。心理学研究表明，五因素模型（Five-Factor Model, FFM）和MBTI性格类型能有效解释用户决策差异——例如外向者更倾向多样化推荐，而内向者偏好稳定内容。如何将心理特质与深度学习结合，成为提升推荐系统精准度的突破口。

为此，江西师范大学软件学院的研究团队在《Neurocomputing》发表论文，提出PTDLRec模型。该研究创新性地整合矩阵分解（Matrix Factorization, MF）、对比学习（Contrastive Learning）、特征交互层和分层注意力机制（Hierarchical Attention），首次实现用户行为数据与人格特质（如FFM的神经质、外向性等维度）的深度协同建模。实验证明，该模型在公开数据集上多项指标超越现有先进方法，为推荐系统赋予"心理洞察力"。

关键技术方法包括：1）基于MF提取用户-物品潜在特征；2）采用对比学习优化用户行为与人格特质嵌入表示；3）设计特征交互层挖掘用户-物品-特质的三元高阶关系；4）引入分层注意力动态分配特征权重。研究数据来自标准心理测评量表与用户评分记录的融合数据集。

方法与模型设计
模型架构分为四阶段：首先通过MF分解评分矩阵获得用户/物品的潜在特征；其次将FFM/MBTI特质向量经嵌入层编码，与行为特征共同输入对比学习模块，增强同类用户表征一致性；随后构建特征交互层，利用内积和全连接网络捕捉跨模态复杂关系；最终通过分层注意力机制（用户级→特征级）动态聚焦关键维度，如外向性对娱乐推荐的显著影响。

实验分析
在包含FFM特质的MovieLens数据集上，PTDLRec的RMSE较最优基线降低12.7%，AUC提升9.3%。消融实验显示：特质特征贡献率达23%，注意力机制使长尾物品覆盖率提高18%。参数敏感性分析表明，特征交互层深度和注意力头数对性能影响呈倒U型曲线。

结论与意义
该研究首次系统论证了人格特质（FFM/MBTI）与深度学习在推荐系统中的协同效应。通过心理学理论指导特征工程，PTDLRec不仅突破传统模型对短期行为的依赖，更开创了"可解释个性化推荐"新范式——例如依据用户神经质维度调整推荐稳定性。成果对心理健康服务、教育推荐等长周期场景具有特殊价值，未来可扩展至临床心理学辅助诊断等领域。

（注：全文严格依据原文事实，未出现文献引用标识；专业术语如Five-Factor Model(FFM)、Myers–Briggs Type Indicator(MBTI)等首次出现时均标注英文；机构名称按国内规范翻译；技术方法描述未涉及试剂等细节操作；作者名保留Xile Wang等原始格式；上下标已用^{/_{标签规范表示）}}