[论文解读] Gender Prediction in Social Media

James Smith|arXiv (Cornell University)|Jul 8, 2014

Authorship Attribution and Profiling参考文献 10被引用 6

一句话总结

本文提出了一种启发式方法，仅使用Fotolog平台的用户名和关注者数据进行社交媒体上的性别预测，通过在用户名中搜索与女性相关的名称和术语，实现了64.70%的准确率。该方法利用有限用户数据中的语言和社交线索，表明即使输入信息极少，用户名中的性别特定命名模式也能产生有意义的预测结果。

ABSTRACT

In this paper, we explore the task of gender classification using limited network data with an application to Fotolog. We take a heuristic approach to automating gender inference based on username, followers and network structure. We test our approach on a subset of 100,000 nodes and analyze our results to find that there is a lot of value in these limited information and that there is great promise in further pursuing this approach to classification.

研究动机与目标

• 开发一种仅使用最少社交媒体数据（如用户名和关注者数量）的可推广性别预测方法。
• 评估用户名中的性别特定命名模式是否与实际性别相关，尤其是在真实姓名不可用的情况下。
• 探索无需依赖复杂机器学习或大规模训练数据的启发式技术。
• 评估在Fotolog平台上仅使用有限公开网络特征进行性别预测的可行性。
• 识别可提升预测准确率的关键语言和社交线索，而无需完整用户资料。

提出的方法

• 作者基于文化刻板印象和用户名中常见用法，构建了一个包含女性相关名称和术语（如“girl”、“love”、“Taylor”）的列表。
• 对每个用户的用户名进行精确子串匹配，检查是否包含女性术语列表中的内容，若匹配则将用户标记为女性。
• 对于未匹配的用户，采用概率分配方法——70%概率为女性，30%概率为男性，基于Fotolog用户群体中估计的性别分布。
• 通过测试不同变体对算法进行迭代优化，包括先仅使用女性姓名，随后逐步添加常见性别化术语以提升准确率。
• 在84,589名已知性别的Fotolog用户子集上评估该算法，排除15,411名性别标签缺失的用户。
• 最终模型结合女性姓名匹配与额外性别化术语，成为所有测试配置中准确率最高的版本。

实验结果

研究问题

• RQ1 是否可以仅使用社交媒体平台的用户名和关注者数据，实现具有合理准确率的性别预测？
• RQ2 用户名中的性别特定名称和术语在多大程度上与实际用户性别相关？
• RQ3 与仅基于姓名的启发式方法相比，包含非姓名性别化术语（如“love”、“girl”）是否能提升预测准确率？
• RQ4 基于人口估计的概率分配方法与确定性规则相比，在性别预测中表现如何？
• RQ5 尽管用户行为和语言使用存在差异，该启发式方法是否可推广至不同社交媒体平台？

主要发现

• 该启发式方法在Fotolog数据集上，通过结合用户名中的女性姓名与性别化术语，最终实现了64.70%的预测准确率。
• 仅使用用户名中的女性姓名，准确率达到63.95%，表明女性姓名与女性身份用户之间存在较强相关性。
• 添加“girl”和“love”等常见性别化术语后，准确率从63.95%提升至64.70%。
• 50/50随机分配基线准确率降至60%，证实该启发式方法优于简单猜测。
• 当仅依赖热门话题搜索时，准确率表现较差（约40%），表明此类术语在此情境下效用有限。
• 当同时使用男性和女性姓名列表时，模糊子串（如“Bert”出现在“Robert”中）的存在可能降低准确率，表明需要更智能的子串匹配机制。