人格是对人类个体特征的高度概括,也是区分人与人之间差别的一种科学的量化标准。人格不但与人类在现实世界中的行为密切相关,而且与虚拟世界中的社交网络行为具有高度相关性。目前国内外对社交网络中用户人格分析识别技术进行了大量的研究工作,基于大数据分析方法和机器学习方法的用户人格分析识别模型是目前较为有效且准确的方法。同时,人格是人类个体稳定且重要的心理特征,已经被广泛应用于安全领域的研究中,也是社会工程学攻击的重要利用因素。目前社会工程学中的人格研究面临两大方面的挑战:第一,由于人格数据集特殊性的限制,现有的人格分析识别方法在数据处理与模型创新方面仍存在缺陷,不能很好地提取更深层次、更完整的特征信息,基于人工智能方法的人格分析识别准确率较低;第二,人格作为用户个体隐私的一部分需要对其进行有效保护,但人格隐私保护的研究几乎处于空白状态,缺乏人格隐私保护方法的研究,缺少一套较为完整的人格在社会工程学中的分析、识别与保护体系框架。本文综合利用用户文本数据相关特征属性和人工智能学习方法,对人格识别与人格隐私保护的一系列关键技术进行研究,形成了一套完整的人格识别与保护方法,主要研究成果如下:1.人格识别问题是推荐系统、政治预测、心理学研究以及社会工程学安全防护等实际应用的重要基础。本文研究基于数据特征工程的人格识别问题,为了提高人格识别的准确度,提出了一种基于PSO-SMOTETomek技术的人格识别方法。针对数据分布严重不平衡的问题,本文首先提出了对数据进行过采样与欠采样结合的方法,实现数据平衡;然后,在特征提取上,针对已有人格特征提取不完整的问题,本文新增了心理词汇TF-IDF值和文本风格特征两大类特征,并对所有特征进行降维优化;最后利用浅层机器学习算法对其进行人格分类。实验结果表明,相较于最新的人格识别模型,人格识别的准确率在两个公开且权威的数据集上分别提升了 3-10个百分点和4-8个百分点,达到提高人格识别准确率的目的。2.基于浅层机器学习算法的人格识别方法需要手工提取大量特征,人力与时间消耗极大;同时,使用五组独立的特征对五个人格进行分类,无法考虑到用户人格特质之间的相关性。本研究旨在使用基于深度学习的框架,构建端到端的人格识别模型。为了解决上述问题,本文提出了一种基于图卷积神经网络的人格识别模型。本文首先基于用户、文档、单词之间的关系与词共现对整个人格语料库构建一个大型异构人格信息图;然后在具有已知用户和文档类别标签监督学习下,联合学习图中三类节点的嵌入,实现特征的自动学习提取;最后,通过共享一组人格特征,基于神经网络中的全连接层对人格进行多分类任务,将五种人格特质之间的相关性融入人格识别中,完善人格识别模型,实现自动识别人格的同时提高人格识别准确率。在两个公共且权威的基准数据集上的实验结果表明,提出的人格识别模型优于最新的人格识别方法,人格识别平均准确率提高了 2.75-3.17个百分点,平均F1-score提高了 2.4-9.2个百分点。3.社会工程学中人格隐私保护问题是网络空间安全、社会工程学安全、以及日后的认知域安全等领域安全防护研究的重要基础。然而针对人格隐私保护的研究几乎处于空白状态,为了初步实现人格隐私保护,本文提出了一种基于对抗文本生成的人格隐私保护框架。本研究主要基于梯度下降的对抗方法和余弦相似度计算生成对抗文本,提出了一套集BERT算法、快速梯度投影方法和余弦相似度计算的人格隐私保护框架,使得人格识别模型不能准确识别人格特质。在两个基准数据集上进行的仿真实验结果表明,模型的人格识别准确度分别下降了 25个百分点和56百分点,可以达到人格隐私保护的目的。