Cr-Net：一种用于多模态表面人格分析的深度分类-回归网络

第一印象在社交互动中具有重要影响，对个人及职业生活均产生深远作用。本文提出一种深度分类-回归网络（Classification-Regression Network, CR-Net），用于分析大五人格（Big Five Personality）特质，并进一步在第一印象场景下辅助实现求职面试推荐。该研究基于ChaLearn第一印象数据集，该数据集包含多模态信息，包括视频、音频以及由音频转换而来的文本内容，每位参与者均在摄像头前进行陈述。为实现全面的预测，我们从两个层面分析视频数据：一是包含人物动作与背景的完整场景，二是人物面部特征。所提出的CR-Net首先执行人格特质分类任务，随后进行回归分析，从而在人格特质预测与面试推荐两方面均获得高精度结果。此外，为缓解回归分析中常见的“回归均值”（regression-to-the-mean）问题导致的预测偏差，我们提出一种新型损失函数——Bell Loss。在第一印象数据集上的大量实验表明，所提出的网络模型显著优于当前最先进的方法，验证了其有效性与优越性。