[论文解读] What's my age?: Predicting Twitter User's Age using Influential Friend Network and DBpedia

Alan Smith, Manas Gaur|arXiv (Cornell University)|Apr 10, 2018

Authorship Attribution and Profiling参考文献 12被引用 4

一句话总结

本文提出一种机器学习方法，通过利用用户的影响力好友网络和DBpedia结构化知识来预测Twitter用户年龄。通过结合用户特定的DBpedia类别和归一化的关注者影响力特征，该方法实现了6.8的MAE和83.7%的准确率（误差在±10年范围内），优于基线的均值预测模型。

ABSTRACT

Social media is a rich source of user behavior and opinions. Twitter senses nearly 500 million tweets per day from 328 million users.An appropriate machine learning pipeline over this information enables up-to-date and cost-effective data collection for a wide variety of domains such as; social science, public health, the wisdom of the crowd, etc. In many of the domains, users demographic information is key to the identification of segments of the populations being studied. For instance, Which age groups are observed to abuse which drugs?, Which ethnicities are most affected by depression per location?. Twitter in its current state does not require users to provide any demographic information. We propose to create a machine learning system coupled with the DBpedia graph that predicts the most probable age of the Twitter user. In our process to build an age prediction model using social media text and user meta-data, we explore the existing state of the art approaches. Detailing our data collection, feature engineering cycle, model selection and evaluation pipeline, we will exhibit the efficacy of our approach by comparing with the "predict mean" age estimator baseline.

研究动机与目标

• 为解决Twitter资料中缺乏人口统计信息的问题，提出一种无需依赖人工调查或访谈的用户年龄预测方法。
• 通过结合社交网络结构（影响力好友）和DBpedia中的语义知识，提升年龄预测的准确性。
• 开发一种可扩展的自动化流水线，利用机器学习对实时社交媒体数据进行年龄估计。
• 评估结合用户兴趣、DBpedia类别和网络影响力指标的特征工程效果。
• 证明知识增强特征相比基线模型（如均值年龄估计）可降低预测误差。

提出的方法

• 收集Twitter用户数据，并通过一次深度优先搜索识别每个目标用户的影响力好友（即关注者数量较高的用户）。
• 提取每个影响力好友关联的DBpedia类别，以表征用户兴趣和社会背景。
• 通过将每位用户的类别数量除以其影响力好友总数，对原始DBpedia类别数量进行归一化，生成基于百分比的特征。
• 对基于交互的特征进行特征缩放，以提升模型泛化能力，并减少用户关注者数量带来的偏差。
• 在23,120名用户的数据库上，使用交叉验证训练并评估多种回归模型，包括SVR-RBF、LASSO和线性核SVR。
• 使用MAE、MedAE、R²和Accuracy@10等统计指标评估模型性能，并通过残差分析评估预测偏差。

实验结果

研究问题

• RQ1 与简单的均值年龄基线相比，是否能够通过影响力好友网络和DBpedia类别更准确地预测Twitter用户年龄？
• RQ2 基于相对影响力和兴趣分布的特征缩放如何影响年龄预测模型的性能？
• RQ3 在年龄估计中，引入DBpedia的语义知识对降低预测误差有何影响？
• RQ4 在不同年龄组（如年轻用户、青少年、年长用户）中，模型在MAE和准确率方面的表现如何变化？
• RQ5 模型的预测偏差（如低估）在多大程度上影响整体准确率，这在残差图中如何体现？

主要发现

• SVR-RBF模型实现了最低的平均绝对误差（MAE）6.8，显著优于基线均值预测模型（MAE = 8.1）。
• 模型在±10年误差范围内的准确率达到83.7%，表明其在20年范围内正确预测了83.7%的用户年龄。
• 准确率随误差范围扩大而提升，±10年时为83.7%，±9年时为79.6%，显示出对中等预测误差的鲁棒性。
• 残差图显示分布呈左偏，表明模型倾向于低估年龄，但零误差附近密度较高，说明中心区域预测准确性强。
• LASSO和线性SVR模型在不同正则化水平下表现出较高的性能方差，而SVR-RBF保持稳定且持续有效。
• 尽管R²得分较低（SVR-RBF为0.03），但模型展现出强大的实际性能，表明数据稀疏性和噪声虽具挑战性，但可通过合理的特征工程加以管理。