Das menschliche Persönlichkeitsprofil wird erheblich durch die Wörter repräsentiert, die eine Person in ihrer mündlichen oder schriftlichen Kommunikation verwendet. Als Folge der Ausbreitung von Informationsinfrastrukturen (insbesondere des Internets und sozialer Medien) haben sich menschliche Kommunikationsformen deutlich von direkten persönlichen Begegnungen verändert. Im Allgemeinen bezeichnet Automatische Persönlichkeitsvorhersage (oder -wahrnehmung) (APP) die computergestützte Prognose der Persönlichkeit anhand verschiedener Arten von von Menschen generierten oder ausgetauschten Inhalten (wie Text, Sprache, Bild, Video usw.). Das Hauptziel dieser Studie besteht darin, die Genauigkeit der APP auf Basis von Text zu verbessern. Zu diesem Zweck schlagen wir fünf neue APP-Methoden vor: basierend auf Termdokumentenfrequenzvektoren, ontologiebasiert, erweitert ontologiebasiert, basierend auf latenter semantischer Analyse (LSA) und neuronale Netzwerke mit bidirektionalem Längsschnitt-LSTM (BiLSTM). Diese Methoden ergänzen sich gegenseitig und tragen zur Verbesserung der Genauigkeit der APP bei, indem sie durch Ensemble-Modellierung (Stacking) kombiniert werden, wobei ein hierarchisches Aufmerksamkeitsnetzwerk (HAN) als Metamodell eingesetzt wird. Die Ergebnisse zeigen, dass die Ensemble-Modellierung die Genauigkeit der APP erhöht.