人格是对人们之间各种个人特质的高度总结,和人们的心理活动以及举止息息相关。而人格预测旨在利用用户的外在表现、行为特征来评估其个性。人格识别技术对个性化服务、医疗服务、用人招聘等领域具有重要意义。近年来,计算机与互联网技术迅速崛起,Facebook、Twitter、My Space、Linked In等在线社交网络平台也在飞速发展,产生的信息量呈指数级增长。随着人们在这些网络平台中停留的时间越来越长,用户或隐或显地留下了大量的富含个性的数字痕迹。那么,利用这些数据来分析、评估、预测用户的人格特征因为其高效、准确的特点越来越吸引学者们的关注。早期,该领域常用的方法为手工从上述数据中提取特征,利用机器学习方法通过回归或分类模型来预测人格。但由于此过程中,人工特征的制作过度依赖于专家经验,随着图像处理和人工智能等计算机科学领域的发展,更多的自动化人格识别技术已经变得普遍,研究人员开始通过自动监督特征学习来避免使用人工特征。因此,具备能够自动挖掘深层次特征的深度学习方法,如神经网络,得到了更进一步的应用。但是,上述方法较少的考虑了用户的网络结构与人格之间的关系,而其在人格预测中也起到重要作用。另外,在级联的传播过程中,以用户人格特质为驱动的传播行为也往往被忽视。针对以上问题,本文分别从用户网络结构以及级联传播中的用户人格驱动两个方面对基于图神经网络的人格预测算法进行研究。本文的主要工作包括以下两部分内容:1.针对现有的人格预测时网络结构特征缺失的问题,提出基于图神经网络的人格预测算法（Deep Per）。该算法设计了一个端到端框架,基于图神经网络技术,通过利用用户在线上虚拟环境中社交形成的关注网络结构以及其曾经发表过的文本内容来进行用户人格的自动识别计算。首先构建用户本地网络,对网络进行节点嵌入训练,得到图中每个节点的预训练数据。接着,利用上游得到的节点表示通过图神经网络学习用户隐含的人格特征。最后,模型输出每个用户节点的大五人格得分,将其与真实值进行比较,使相对平方误差最小化。在真实世界数据集上与经典人格预测方法进行对比,结果表明了本文方案挖掘用户社交网络结构来预测人格的有效性。2.针对社交网络上级联预测任务中用户内在人格驱动力的研究缺失,提出基于图神经网络的信息级联与人格特质预测多任务框架（Me CAPE）。该框架为多任务学习框架,可同时进行人格识别与级联预测任务。Me CAPE架构了两层图神经网络,分别用来建模级联传播以及人格特征。并设计了一个门控机制——Personality Gate,用来模拟级联传播与用户人格之间的相互影响过程。在两个真实数据集上的实验结果证明了本文所提出的框架在预测级联和预测个体人格特征方面的有效性。