[论文解读] Detecting the Age of Twitter Users.

Benjamin Paul Chamberlain, Clive Humby+1 more|arXiv (Cornell University)|Jan 18, 2016

Bayesian Modeling and Causal Inference参考文献 1被引用 3

一句话总结

本文提出了一种与语言无关的方法，通过用户关注的社交网络结构（特别是关注对象）而非姓名或语言特征来检测Twitter用户的年龄。通过对7亿个账户应用贝叶斯分类模型，该方法实现了0.86的F1分数，能够在无需用户提供出生日期或语言特定模型的情况下实现准确的年龄推断。

ABSTRACT

Twitter provides an extremely rich and open source of data for studying human behaviour at scale. It has been used to advance our understanding of social network structure, the viral flow of information and how new ideas develop. Enriching Twitter with demographic information would permit more precise science and better generalisation to the real world. The only demographic indicators associated with a Twitter account are the free text name, location and description fields. We show how the age of most Twitter accounts can be inferred with high accuracy using the structure of the social graph. Besides classical social science applications, there are obvious privacy and child protection implications to this discovery. Previous work on Twitter age detection has focussed on either user-name or linguistic features of tweets. A shortcoming of the user-name approach is that it requires real names (Twitter names are often false) and census data from each user's (unknown) birth country. Problems with linguistic approaches are that most Twitter users do not tweet (the median number of Tweets is 4) and a different model must be learnt for each language. To address these issues, we devise a language-independent methodology for determining the age of Twitter users from data that is native to the Twitter ecosystem. Roughly 150,000 Twitter users specify an age in their free text description field. We generalize this to the entire Twitter network by showing that age can be predicted based on what or whom they follow. We adopt a Bayesian classification paradigm, which offers a consistent framework for handling uncertainty in our data, e.g., inaccurate age descriptions or spurious edges in the graph. Working within this paradigm we have successfully applied age detection to 700 million Twitter accounts with an F1 Score of 0.86.

研究动机与目标

• 为解决Twitter中缺乏可靠人口统计数据的问题，实现在不依赖用户提供的姓名或语言内容的前提下实现准确的年龄检测。
• 克服以往方法依赖真实姓名（通常不准确）或语言特定模型的局限性，这些方法在多语言或发帖量少的用户中不切实际。
• 开发一种可扩展、可泛化的从原生Twitter数据（特别是社交图关系）推断年龄的方法，适用于多样化人群。
• 利用贝叶斯推断，为年龄描述中的不确定性以及社交图边的噪声提供一致的处理框架。
• 通过准确估算大规模用户年龄，促进更精确的社会科学研究，并改善儿童保护机制。

提出的方法

• 以社交图结构——特别是某账户关注的用户集合——作为年龄预测的主要特征，避免依赖用户姓名或推文内容。
• 应用贝叶斯分类框架，对年龄描述中的不确定性及社交网络中潜在的虚假连接进行建模，从而实现稳健推断。
• 基于约15万名在个人简介中自报年龄的用户作为种子集进行训练，以推广至整个网络的年龄模式。
• 使用概率模型，基于用户社交圈中用户的年龄分布来推断其年龄组，假设关注行为存在与年龄相关的同质性。
• 通过适用于大规模图的高效推理技术，将该方法扩展至7亿个Twitter账户。
• 采用多分类方法，将年龄划分为若干组别（如18–24岁、25–34岁等），以在不同人群中的准确率与泛化能力之间取得平衡。

实验结果

研究问题

• RQ1 是否可以仅通过社交网络结构（不依赖语言或姓名特征）准确预测用户年龄？
• RQ2 当仅依赖用户关注的对象时，年龄检测在不同年龄组中的表现如何？
• RQ3 用户简介中自报的年龄在多大程度上可用于训练一个能推广至整个Twitter人群的模型？
• RQ4 贝叶斯框架如何处理年龄标签的不确定性以及社交图数据中的噪声？
• RQ5 该方法是否可大规模应用于数百万甚至数十亿用户，而无需进行语言特定的调优？

主要发现

• 在7亿个Twitter账户上预测年龄组时，该方法实现了0.86的F1分数，表明其在大规模场景下具有高准确性。
• 该方法与语言无关，无需语言特定模型或对推文的语言分析。
• 其性能优于依赖用户姓名或推文内容的先前方法，尤其在发帖量少（中位数仅4条推文）的用户中表现更优。
• 贝叶斯框架有效处理了自报年龄的不确定性以及虚假社交连接，提升了模型鲁棒性。
• 该模型能从仅15万名自报年龄的用户种子集良好泛化至整个Twitter网络。
• 本研究证明，仅依靠社交图结构本身即包含足够信号，可实现可靠的年龄推断，即使缺乏直接的语言或姓名线索。