个人特征是用来衡量行为,思想和情感的习惯性模式。它因人而异,并且随着时间的推移在不同的情景下保持相对稳定。个人特征具有重要意义且有着广泛的应用,其可以应用在推荐系统,个性化聊天机器人和人力资源管理等方面。近年来,随着社交媒体与可穿戴设备的发展,越来越多有关个体的数据被获取。如何分析好并利用好这些个人数据成为了学者关注的重点。现有的研究大多都是利用监督学习的方法对有标注的数据对用户个人基本信息,行为特点和个性来进行计算。一方面,因为用户基本信息和行为特点是个人特征的表现形式,我们无法通过用户基本信息和行为特点来准确地描述一个人的内在特点。而对于人格的计算通常由五大人格来衡量,这对非心理学家来说是晦涩难懂的。因此,如何获取具体的容易被理解的个人特征就变得十分重要。另一个方面,获取准确标注的个人特征数据存在着成本较高和准确性无法充分保证等问题,利用有监督学习的方法计算个人特征存在着一定的局限性。因此,本文提出了一种基于Word2vec的个性特征计算通用方法来计算具体的容易被理解的个人特征,计算过程主要包括主题词提取,个人特征矩阵生成和个人特征计算三个方面。先利用多种可能的方法对用户生成的文本对某个特定方面的主题词进行提取,再利用Word2vec方法把主题词转化为词向量,再把词向量构成个人特征矩阵放到空间向量模型中进行分析来获得个人特征。此外,本文还利用其所提出的方法进行了案例研究,对情感波动度与社交倾向性进行了计算,以验证所提出方法的有效性。最后,对本文的计算结果进行了间接的验证并对计算结果进行了分析与讨论。