Mpnet Personality

🚀 dwulff/mpnet-personality

このモデルは、sentence-transformersをベースに構築されており、性格に関連する項目や文章を768次元の密ベクトル空間にマッピングします。性格心理学における様々なタスク、例えば性格項目や尺度のクラスタリング、性格尺度と性格構成要素のマッピングなどに利用できます。

このモデルは、all-mpnet-base-v2を20万ペアの性格項目の無符号経験的相関を用いてファインチューニングすることで生成されました。そのため、このモデルは性格関連の文章の内容を方向（例えば否定）に関係なくエンコードします。

詳細については、Wulff & Mata (2025)（補足資料参照）をご覧ください。

🚀 クイックスタート

前提条件

sentence-transformersがインストールされていることを確認してください。

# 最新バージョン
pip install -U sentence-transformers

# 最新の開発バージョン
pip install git+https://github.com/UKPLab/sentence-transformers.git

埋め込みの抽出方法

以下のようにして埋め込みを抽出することができます。

from sentence_transformers import SentenceTransformer

# 性格に関する文章
sentences = ["Rarely think about how I feel.", "Make decisions quickly."]

# モデルの読み込み
model = SentenceTransformer('dwulff/mpnet-personality')

# 埋め込みの抽出
embeddings = model.encode(sentences)
print(embeddings)

✨ 主な機能

このモデルは、公開されている性格データで評価されています。BIG5やHEXACOなどの標準的な性格インベントリについて、このモデルは性格項目間の経験的相関をピアソンの相関係数r ~ .6で、尺度間の経験的相関をピアソンの相関係数r ~ .7で予測します。

学習に使用された多くの一般的な性格項目については、メモリ効果により性能が向上する場合があります（r ~ .9）。一方、より特殊な性格評価や性格項目以外の文章、および性格因子については、相関の分散が減少するため、性能は低下します。

詳細については、Wulff & Mata (2025)（補足資料参照）をご覧ください。

📚 ドキュメント

引用方法

@article{wulff2024taxonomic,
  author       = {Wulff, Dirk U. and Mata, Rui},
  title        = {Semantic embeddings reveal and address taxonomic incommensurability in psychological measurement},
  journal      = {Nature Human Behavior},
  doi          = {https://doi.org/10.1038/s41562-024-02089-y}
}

学習パラメータ

このモデルは以下のパラメータで学習されました。

DataLoader:

torch.utils.data.dataloader.DataLoader 長さ3125、パラメータは以下の通りです。

{'batch_size': 64, 'sampler': 'torch.utils.data.sampler.RandomSampler', 'batch_sampler': 'torch.utils.data.sampler.BatchSampler'}

Loss:

sentence_transformers.losses.CosineSimilarityLoss.CosineSimilarityLoss

fit() メソッドのパラメータ:

{
    "epochs": 3,
    "evaluation_steps": 0,
    "evaluator": "NoneType",
    "max_grad_norm": 1,
    "optimizer_class": "<class 'torch.optim.adamw.AdamW'>",
    "optimizer_params": {
        "lr": 2e-05
    },
    "scheduler": "WarmupLinear",
    "steps_per_epoch": null,
    "warmup_steps": 625,
    "weight_decay": 0.01
}

モデルのアーキテクチャ

SentenceTransformer(
  (0): Transformer({'max_seq_length': 384, 'do_lower_case': False}) with Transformer model: MPNetModel 
  (1): Pooling({'word_embedding_dimension': 768, 'pooling_mode_cls_token': False, 'pooling_mode_mean_tokens': True, 'pooling_mode_max_tokens': False, 'pooling_mode_mean_sqrt_len_tokens': False, 'pooling_mode_weightedmean_tokens': False, 'pooling_mode_lasttoken': False, 'include_prompt': True})
  (2): Normalize()
)