[發(fā)明專利]一種基于微博用戶關(guān)系的用戶性別識別方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201410494539.7
• 申請日: 2014-09-24
• 公開（公告）號: CN104268214B
• 公開（公告）日: 2018-01-19
• 發(fā)明（設(shè)計）人: 李壽山;黃磊;周國棟;孔芳
• 申請（專利權(quán)）人: 蘇州大學(xué)
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司11227
• 代理人: 常亮

1.一種基于微博用戶關(guān)系的用戶性別識別方法，其特征在于，包括以下步驟：

S1、根據(jù)微博網(wǎng)站提供的API接口，收集微博用戶的用戶信息，并對不同用戶進行分類；

在步驟S1中，所述收集微博用戶的用戶信息過程包括以下步驟：

S101、隨機選擇一個用戶作為種子用戶，利用微博提供的API接口抓取用戶的用戶信息；

S102、根據(jù)所抓取的用戶信息中的關(guān)注者和粉絲兩者的userid，繼續(xù)抓取所述關(guān)注者和粉絲兩者的用戶信息，直至抓取數(shù)量達到所需規(guī)模；

S2、根據(jù)已分類用戶的userid獲取其關(guān)注者和粉絲兩者的userid，并將所述關(guān)注者和粉絲兩者的userid整理成文本；

S3、使用信息增益對訓(xùn)練樣本進行特征提取，并使用最大熵分類器將待分類樣本進行分類。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，在步驟S1中，所述用戶信息包括用戶的關(guān)注者和粉絲兩者的userid及gender字段，并且對不同用戶根據(jù)gender字段進行分類。

3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，在步驟S1中，是根據(jù)所抓取的用戶信息中的gender字段值，對用戶類型進行分類，其中g(shù)ender字段值包括m、f及n，m表示男，f表示女，n表示未知。

4.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟S2還包括：將所述關(guān)注者和粉絲兩者的userid整理成文本后，分別存放在文件的兩行，并選取等量的男性及女性用戶文本形成訓(xùn)練樣本，另外選取等量的男性及女性用戶文本形成測試樣本。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟S3還包括，利用訓(xùn)練樣本構(gòu)建最大熵分類器，其中使用的最大熵是MALLET機器學(xué)習(xí)工具包。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，步驟S3所述的信息增益計算方式為：

G(t)={-Σi=1mP(ci)log P(ci)}+{P(t)[Σi=1mP(ci|t)log P(ci|t)]+P(t‾)[Σi=1mP(ci|t‾)log P(ci|t‾)]}]]>

其中，P(c_j)表示c_j類文檔在語料中出現(xiàn)的概率，P(t_i)表示語料中包含特征項t_i的文檔的概率，P(c_j|t_i)表示文檔包含特征項t_i時屬于C_j類時的條件概率，表示語料中不包含特征項t_i的文檔的概率，表示文檔不包含特征項t_i時屬于C_j的條件概率，m表示類別數(shù)。