早期的心理学与神经科学研究表明，人的性格类型不仅可通过整张脸进行判断，也可通过面部两侧（即半脸，hemifaces）进行识别。本文介绍了一项基于深度神经网络的创新研究，该研究通过分析面部两侧的特征，来评估个体的五大性格特质（Big Five Personality Traits, PT）。为此，我们提出了一种名为 EmoFormer 的实时方法，其核心为跨半脸注意力机制（cross-hemiface attention）。本方法的创新之处在于，首次证实了每一侧半脸均具备高度预测人类性格特质的能力。该方法基于一种新型中层情绪特征提取器，分别针对每侧半脸进行特征建模，并采用跨半脸注意力融合策略实现半脸特征的聚合。实验结果表明，将两侧半脸信息融合后的性能，在 ChaLearn First Impressions V2 数据集上相较使用整张脸的方法，其一致性相关系数（Concordance Correlation Coefficient, CCC）提升了 3.6%（0.634 vs. 0.612），显著优于传统整脸分析方式。此外，所提出的 EmoFormer 方法在基于面部模态的性格特质评估任务中，全面超越了现有所有最先进的技术水平。我们进一步分析了在不同人口统计学特征（性别、种族、年龄）下，哪一侧半脸在预测性格特质方面表现更优。研究发现，对于五大性格特质中的两个（经验开放性 Openness to Experience 与非神经质 Non-Neuroticism），最优半脸会因个体的人口统计学特征而异。而对于其余三个特质，右半脸在外向性（Extraversion）预测中表现更优，而左半脸则在尽责性（Conscientiousness）与宜人性（Agreeableness）的预测中更具指示性。这些发现与既有的心理学与神经科学研究结果高度一致。此外，我们公开发布了一个开源框架，命名为 OCEAN-AI，该框架可无缝集成至各类专家系统中，具备在医疗健康、教育、人力资源等多个实际应用场景中的广阔应用前景。