[论文解读] ArabGend: Gender Analysis and Inference on Arabic Twitter

Hamdy Mubarak, Shammur Absar Chowdhury+1 more|arXiv (Cornell University)|Mar 1, 2022

Digital Communication and Language被引用 6

一句话总结

本文介绍了 ArabGend，一个大规模人工标注的阿拉伯语推特账号数据集，包含约166K个账号，按性别和地理位置进行标注，支持阿拉伯语社交媒体中的性别分析与推断。该研究提出了一种基于用户名、个人资料图片、推文和好友网络的多模态性别分类模型，F1得分达到82.1%，较多数基线模型提升47.3%，并发布了公开的性别预测演示系统。

ABSTRACT

Gender analysis of Twitter can reveal important socio-cultural differences between male and female users. There has been a significant effort to analyze and automatically infer gender in the past for most widely spoken languages' content, however, to our knowledge very limited work has been done for Arabic. In this paper, we perform an extensive analysis of differences between male and female users on the Arabic Twitter-sphere. We study differences in user engagement, topics of interest, and the gender gap in professions. Along with gender analysis, we also propose a method to infer gender by utilizing usernames, profile pictures, tweets, and networks of friends. In order to do so, we manually annotated gender and locations for ~166K Twitter accounts associated with ~92K user location, which we plan to make publicly available at http://anonymous.com. Our proposed gender inference method achieve an F1 score of 82.1%, which is 47.3% higher than majority baseline. In addition, we also developed a demo and made it publicly available.

研究动机与目标

• 为解决阿拉伯语社交媒体（尤其是推特）中性别分析与推断资源匮乏的问题。
• 开发一个公开可用的、人工标注的阿拉伯语推特用户数据集，包含性别与地理位置标签。
• 探究男性与女性阿拉伯语推特用户在语言模式、话题偏好和参与度方面的差异。
• 基于文本、视觉与社交网络特征，构建并评估一个鲁棒的性别推断模型。
• 基于阿拉伯语用户名与个人资料，提供一个公开的性别预测演示系统。

提出的方法

• 作者人工标注了约166K个阿拉伯语推特账号的性别与地理位置，最终形成约92K个唯一地理位置的数据集。
• 提取了多模态特征，包括用户名、用户简介、推文、个人资料图片以及好友网络结构。
• 使用这些特征训练机器学习模型，结合逻辑回归与集成方法，融合文本、视觉与网络信号。
• 利用用户好友的性别分布作为弱信号，提升在不确定预测中的置信度。
• 采用基于阈值的传播策略，从好友的预测标签中推断性别，将F1得分从82.1%提升至82.9%。
• 基于训练好的模型开发了公开演示系统，用户可输入阿拉伯语或英文姓名，获得性别预测的概率分数。

实验结果

研究问题

• RQ1 男性与女性阿拉伯语推特用户在语言模式、话题偏好和参与度方面有何差异？
• RQ2 在阿拉伯语推特中，用户资料、推文、个人资料图片与社交网络在多大程度上可用于性别推断？
• RQ3 用户好友网络中的性别分布在多大程度上影响性别预测模型的准确性？
• RQ4 所提出的性别推断模型在性能上与基线方法及商业工具（如推特广告）相比如何？
• RQ5 阿拉伯语推特中存在哪些人口统计与社会文化特征，特别是性别代表性与职业角色方面的模式？

主要发现

• 所提出的性别推断模型F1得分为82.1%，较多数基线模型提升47.3%。
• 整合好友的性别预测结果后，模型性能从82.1%提升至82.9%的F1得分，尤其在低置信度情况下表现更优。
• 模型估算的女性用户性别比例（20%）与推特广告数据（19%）高度吻合，验证了其可靠性。
• 研究揭示了男性与女性阿拉伯语推特用户在话题兴趣、用户参与度及职业代表性方面存在显著差异。
• 该数据集与演示系统均已公开，为未来阿拉伯语自然语言处理与社交媒体分析研究提供了宝贵资源。
• 作者承认由于阿拉伯国家间推特使用分布不均，可能存在区域偏差，尤其是马格里布地区代表性不足。