孙启蕴

(南京烽火软件科技有限公司,南京 210019)

(武汉邮电科学研究院 通信与信息专业,武汉 430073)

引言

随着人们对互联网的使用量逐渐增大,互联网进入了大数据时代.新浪微博作为一个公开社交平台,使人们能够有获取最新最热门的新闻、了解话题舆论、展现自我观点、寻找志趣相投的朋友等途径.截止到2017年第一季度,新浪微博约有2.97亿日常活跃用户,每天新增的微博数量约4亿条.而新浪微博用户性别这一基本属性在不同领域都有着重要影响,如微博推荐系统会根据性别的不同给男性推荐车、体育相关的微博,而给女性推荐美妆、衣服相关的微博等等.因此对新浪微博用户的性别做判断很有意义.

目前国内外有不少研究人员对社交平台中的用户性别判断进行研究.文献[1]对twitter中非英文用户性别的特征进行探索;文献[2]利用用户间的评论信息文本推测出交互双方的性别;文献[3]通过一个分类器寻找两个博客之间的关系,从关联来获取未标注样本中的分类信息;文献[4]采用半监督学习方法,通过博客文本和博客评论两个视图对用户性别进行分类,取得了不错的分类性能.文献[5]从两性表达情绪的差异出发,利用微博发布文本内容中的情绪特征进行性别判断;文献[6]将用户兴趣标签分成若干概念类来区分用户性别,但这两篇文献在实践过程中都需要大量人工标记样本,且准确度不高.

本文从新浪微博爬取真实的用户数据,经……