聞?wù)x 余艷霞

摘 要 性別是微博用戶的一個(gè)最基本的特征，獲取微博用戶的性別信息，可以幫助商家了解不同性別用戶的消費(fèi)習(xí)慣和產(chǎn)品喜好，為用戶提供個(gè)性化服務(wù)。本文基于微博文本和用戶名，構(gòu)建一個(gè)識(shí)別模型對數(shù)據(jù)進(jìn)行預(yù)處理和特征提取，設(shè)計(jì)了兩個(gè)分類器，基于微博用戶名和基于微博文本內(nèi)容，然后將兩個(gè)分類器進(jìn)行組合，設(shè)計(jì)出綜合微博用戶名和微博文本內(nèi)容對微博用戶性別進(jìn)行識(shí)別的分類器。

關(guān)鍵詞 微博；性別分類；特征提取

前言

隨著信息技術(shù)的高速發(fā)展和互聯(lián)網(wǎng)的普及，人們越來越能夠享受到互聯(lián)網(wǎng)的便利。微博作為一項(xiàng)以網(wǎng)絡(luò)為基礎(chǔ)的社交應(yīng)用，方便快捷、傳播速度塊、社交能力強(qiáng)是它的特點(diǎn)，因此，微博已經(jīng)成為人們實(shí)時(shí)分享，獲取和傳播信息，與他人進(jìn)行交流，表達(dá)自己看法的重要平臺(tái)和工具。正是因?yàn)槲⒉┯脩粢?guī)模很大、信息傳播速度快、傳播范圍廣等特點(diǎn)，廣告媒體等急切需要對微博里的數(shù)據(jù)內(nèi)容進(jìn)行分析挖掘，以獲取可用的信息。

性別是微博用戶的一個(gè)最基本的特征，對用戶性別區(qū)分方法的研究也有著眾多意義和應(yīng)用領(lǐng)域。獲取微博用戶的性別信息，可以幫助商家了解不同性別用戶的消費(fèi)習(xí)慣和產(chǎn)品喜好，制作有針對性的廣告和產(chǎn)品，更好地滿足用戶的商品需求，為用戶提供個(gè)性化服務(wù)。

本文主要基于微博用戶的用戶名和微博文本內(nèi)容，提取出性格差異比較明顯的特征，并設(shè)計(jì)算法進(jìn)行分類和識(shí)別。

1 數(shù)據(jù)的獲取和預(yù)處理

1.1 數(shù)據(jù)的獲取

因?yàn)楸疚难芯康氖俏⒉┯脩舻男詣e識(shí)別，所以有性別信息的微博用戶的用戶名和所發(fā)布的微博文本內(nèi)容是我們要獲取的數(shù)據(jù)。獲取數(shù)據(jù)的步驟如下：

第一步，隨機(jī)在微博平臺(tái)上獲取有性別信息的用戶。特別要注意的是，獲取數(shù)據(jù)時(shí)一定要保證樣本的隨機(jī)性，這樣對于微博用戶性別的識(shí)別才具有普遍適用性，且能提高準(zhǔn)確率。對于用戶資料的獲取，我們借助了微博提供的API接口，隨機(jī)地獲取了20000個(gè)用戶的個(gè)人信息以及他們近期的微博內(nèi)容。通過我們的觀察發(fā)現(xiàn)，從API平臺(tái)獲取的用戶的個(gè)人信息中包含的屬性主要有用戶的UID、昵稱、性別、生日等。但我們發(fā)現(xiàn)當(dāng)我們訪問別人的微博時(shí)，對于一些沒有填寫自己性別標(biāo)簽的用戶，我們無法得知他的信息。因此，我們需要人工標(biāo)注來過濾掉一些無效的樣本。

對于個(gè)人信息里沒有性別信息的用戶，我們選擇直接剔除，對于個(gè)人信息里有性別信息的用戶，我們要做接下來的判斷：第一，他所填寫的性別信息與他的簡介或者微博內(nèi)容有明顯的矛盾，比如性別信息填寫為“女”，但是在微博內(nèi)容里表示自己為男生；第二，非個(gè)人用戶，比如說一些媒體的官博，一些企業(yè)的微博，對于我們的研究沒有意義。第三，垃圾用戶，微博發(fā)布內(nèi)容過少，或者微博內(nèi)容全是廣告。對于以上幾種情況的微博用戶，我們也選擇丟棄。

通過上面的篩選，最終，我們得到了3197個(gè)有性別信息的用戶。并且在標(biāo)記過程中統(tǒng)計(jì)出男性用戶有2417人，女性用戶有780人將這些用戶的UID和性別信息進(jìn)行存儲(chǔ)。

第二步，對于上面我們已經(jīng)獲取的含有性別信息的微博用戶，通過他們的UID，來獲取他們的用戶名昵稱和近期發(fā)布的微博文本內(nèi)容。

1.2 數(shù)據(jù)的預(yù)處理

樣本數(shù)據(jù)的預(yù)處理分為以下幾個(gè)方面：一個(gè)是微博文本內(nèi)容的預(yù)處理，另一個(gè)是用戶個(gè)人資料的預(yù)處理。

微博文本內(nèi)容的預(yù)處理：從微博的API接口獲取的微博文本內(nèi)容，里邊含有許多無效信息，甚至有干擾的信息，這些信息對于特征提取基本沒有作用，因此，我們要把這些無意義的信息從微博文本里清除。對微博數(shù)據(jù)的預(yù)處理流程如下：第一步，刪除微博文本內(nèi)容里的非用戶數(shù)據(jù)；第二步，刪除微博文本內(nèi)容中的亂碼；第三步，對微博文本內(nèi)容進(jìn)行分詞。

用戶個(gè)人資料的預(yù)處理：因?yàn)楸疚难芯康奈⒉┯脩粜詣e識(shí)別，綜合了微博文本內(nèi)容和微博用戶的用戶名昵稱，因此，除了對微博文本內(nèi)容進(jìn)行預(yù)處理，也要對用戶個(gè)人資料進(jìn)行預(yù)處理，整理比較瑣碎的信息。步驟如下：第一步，根據(jù)UID，在從API獲取的用戶數(shù)據(jù)里找到對應(yīng)的微博用戶，獲取個(gè)人資料；第二步，從個(gè)人資料中提取用戶名昵稱和性別信息；第三步，將用戶名昵稱與用戶的性別相關(guān)聯(lián)，為后邊的研究做準(zhǔn)備[1]。

2 用戶性別特征的提取

在經(jīng)過上面的數(shù)據(jù)獲取和預(yù)處理后，我們得到了3197個(gè)用戶的數(shù)據(jù)，包括他們的用戶名昵稱，和處理過的微博文本數(shù)據(jù)。在進(jìn)行微博用戶性別識(shí)別時(shí)，我們要分別從用戶名昵稱和微博文本中提取特征。

2.1 微博文本中特征的提取

微博的用戶規(guī)模的極速擴(kuò)大，就意味著海量的微博數(shù)據(jù)，那么針對微博數(shù)據(jù)的研究就越來越多。在社交網(wǎng)絡(luò)方面，可以進(jìn)行微博情感分析，以及用戶行為分析。在社會(huì)語言和自然語言處理方面，很多社會(huì)語言家認(rèn)為語言是一種資源，任何一個(gè)人敘述一件事，總是會(huì)傳遞出自己的個(gè)人信息。也就是說微博用戶的個(gè)人信息，以及他們發(fā)表的文字，總是能體現(xiàn)出他的年齡、性別、性格等一系列屬性。本文要研究的就是從微博內(nèi)容中提取特征，識(shí)別用戶的性別。本文采取互信息的方法對微博文本內(nèi)容進(jìn)行特征提取。

首先，在預(yù)處理里，我們已經(jīng)對微博文本內(nèi)容進(jìn)行了分詞，例如對“明天我一定會(huì)按時(shí)起床”進(jìn)行分詞，得到“明天、我、一定、會(huì)、按時(shí)、起床”。由于一些詞的使用率過低（這里取低于20次），對特征的提取沒有太大所用，因此我們選擇把它刪掉，最終的詞表數(shù)量為138876。如果我們將138876個(gè)詞全部加入特征空間，那么特征空間的維度過大，需要進(jìn)行降維操作。

2.2 用戶名特征的提取

通過我們對于3197個(gè)樣本數(shù)據(jù)里微博用戶名的分析，可以發(fā)現(xiàn)用戶名中可以體現(xiàn)較強(qiáng)的性別信息，女性的用戶名通常含有偏女性化的字眼，例如“櫻櫻萌萌”中的“櫻”和“萌”，而含有“國”、“強(qiáng)”、“鵬”等字的用戶名通常為男性。

我們將用戶名進(jìn)行按字切分后，得到了一個(gè)含有1065個(gè)字特征的詞表，因?yàn)橛脩裘邪男畔⑾鄬τ谖⒉┪谋緝?nèi)容來說，比較少，因此我們直接把1065個(gè)特征詞直接加入用戶名的特征空間[2]。

3 用戶性別分類

3.1 基于用戶名的性別分類

在通過用戶名對微博用戶的性別進(jìn)行識(shí)別時(shí)，我們選擇了樸素貝葉斯分類器，原因一是我們在用戶名提取特征時(shí)，并沒有對特征進(jìn)行篩選，而是直接將所有特征加入了特征空間，所以在特征空間里存在一些對于性別識(shí)別沒有作用的特征，而樸素貝葉斯分類器有一個(gè)特點(diǎn)就是對于噪聲不敏感。 二是我們在處理聚類問題時(shí)，通常會(huì)采用k近鄰分類器，但是在本文中，我們的重點(diǎn)是分類問題。三是樸素貝葉斯分類器，比較簡單，耗時(shí)較少。

該算法具體的步驟第一步，根據(jù)特征提取中對訓(xùn)練樣本按字切分的結(jié)果，計(jì)算P（wordi|cj），i=1，2，···，n，j=1，2；第二步，對于待分類的用戶名w，將它按字切分為twordi；第三步，分別計(jì)算P1=P（c1|w）和P2=P（c2|w）；第四步，比較P1和P2的大小，P1大則w屬于c1，P2大則w屬于c2類。

3.2 基于微博文本的性別分類

在通過微博文本內(nèi)容對微博用戶的性別進(jìn)行識(shí)別時(shí)，我們選擇了最大熵模型分類器，原因一是我們在對微博文本內(nèi)容進(jìn)行分詞后，通過互信息的特征提取方法對詞特征進(jìn)行了一定程度的篩選，因此相對于樸素貝葉斯分類器來說，最大熵模型分類的準(zhǔn)確率更高一點(diǎn)；二是最大熵模型分類器中可以設(shè)定約束條件，這樣我們可以通過調(diào)節(jié)約束條件來使準(zhǔn)確率更高。

套用最大熵模型分類算法，我們可以知道類別集合為C={“男性”，“女性”}，將每一個(gè)微博用戶的微博文本內(nèi)容進(jìn)行分詞后，得到word1，word2···wordn，則微博文本內(nèi)容W={word1，word2…wordn}。然后對于每一個(gè)用戶的每一個(gè)wordi進(jìn)行訓(xùn)練，得出P（wordi|C），然后計(jì)算出P（C|wordi），進(jìn)而計(jì)算出H（C|wordi），同時(shí)設(shè)立一個(gè)約束條件，就可以對對應(yīng)的用戶名進(jìn)行分類[3]。

4 特征提取結(jié)果分析

因?yàn)樵趯τ脩裘M(jìn)行特征提取時(shí)得到的字特征數(shù)目不是特別多，所以直接加入特征空間，而對微博文本內(nèi)容的特征進(jìn)行提取時(shí)，由于特征空間維度過大，所以需要采用特征提取方法進(jìn)行降維，圖1是互信息與文檔頻率兩種特征提取方法結(jié)果對比分析圖。

由圖1可以看出，互信息特征提取法與文檔頻率相比，準(zhǔn)確率比較穩(wěn)定，并且準(zhǔn)確率始終高于文檔頻率表。說明了利用互信息提取特征，既能夠達(dá)到降維的目的，同時(shí)還能保證分類的準(zhǔn)確性。因此我們選擇了互信息的方法來提取特征[4]。

5 結(jié)束語

本文按照數(shù)據(jù)的獲取和預(yù)處理、樣本特征的提取和對樣本進(jìn)行分類的步驟來對微博用戶性別識(shí)別進(jìn)行研究并取得了一定成果。首先，我們研究了海量微博數(shù)據(jù)的自動(dòng)抓取，利用新浪微博提供的開放API接口收集用戶數(shù)據(jù)，使用中文分詞工具ICTCLAS對微博文本進(jìn)行處理。其次，對于分詞后的微博文本信息和用戶名，我們采用向量空間模型，將這些文本內(nèi)容用向量的形式來表示，向量的每一個(gè)維度表示一個(gè)特征，從而把文本內(nèi)容中的文字和標(biāo)點(diǎn)符號轉(zhuǎn)化為計(jì)算機(jī)內(nèi)部可以識(shí)別的結(jié)構(gòu)。最后，我們采取降維處理，經(jīng)過實(shí)驗(yàn)驗(yàn)證分析，互信息特征提取既能達(dá)到降維的目的，又能保證分類的準(zhǔn)確率。下一步我們將探索怎么把性別識(shí)別運(yùn)用到實(shí)際中去，體現(xiàn)研究的價(jià)值。

參考文獻(xiàn)

[1] Chikersal P，Poria S，Cambria E，et al. Modelling Public Sentiment in Twitter： Using Linguistic Patterns to Enhance Supervised Learning[C].International Conference on Intelligent Text Processing and Computational Linguistics. Springer，Cham，2015：49-65.

[2] Mukherjee S，Bala P K. Gender classification of microblog text based on authorial style[J]. Information Systems and e-Business Management，2017，15（1）：1-22.

[3] Yang M，Chow K P. Authorship Attribution for Forensic Investigation with Thousands of Authors[M]. ICT Systems Security and Privacy Protection. Springer Berlin Heidelberg，2014：339-350.

[4] 宗成慶.統(tǒng)計(jì)自然語言處理[M].北京：清華大學(xué)出版社，2013：199.

作者簡介

聞?wù)x（1976-），男，碩士，助教，研究方向：計(jì)算機(jī)應(yīng)用。

余艷霞（1974-），女，碩士，講師，研究方向：計(jì)算機(jī)應(yīng)用，通訊作者。