|
近日，AMiner发布了最新版性别预测，只要登录以下网址（或者点击下方的阅读原文）： https://www./gender 在Name一栏中，输入你的姓名，注意是英文噢，点击提交，答案就在下方！ 至于准不准呢？ 我们说了不算，等你来回答！ 你，试过了吗？ 在下图中，点击why？我们为你揭晓了答案。 测试结果 那么，我们究竟是如何推断你的性别呢？ 在这个性别测试系统中，我们主要利用了以下三种性别推断方法，并提出了一个投票模型，将其结果纳入最终预测。 Face Recognition（FR）使用姓名和隶属关系信息作为查询词，将第一张返回的图片提取为用户肖像。通过使用Face++提供的用于人脸识别的API，我们可以轻松获取人脸的性别信息。FR对应界面中的“Face Recognizer”项。 Facebook Generated Name List（FGNL）是在[Tang，2011]中提出的，并作为[Gu，2016]第3.c节中的基线之一引入。基本上，它从Facebook上收集了一个带有相应性别值的常用名列表。如果用户名与列表中的任何条目匹配，FGNL将返回Gender值；否则，返回“未知”。FGNL对应界面中的“Name Classifier”项。 Web Based Gender Predictor（WebGP）代表有监督信息抽取框架，如[Gu，2016]的“方法”部分所示。简而言之，我们在谷歌等搜索引擎中自动构造有效的查询，以获取可能包含目标用户性别信息的相关片段。WebGP对应于界面中的“Google”项。 [Tang， 2011]Tang， Cong， Keith Ross， Nitesh Saxena， and Ruichuan Chen. “What‘s in a name：a study of names， gender inference， and gender behavior in facebook.” In International Conference on Database Systems for Advanced Applications， pp. 344-356. Springer Berlin Heidelberg， 2011. [Gu， 2016]Gu， Xiaotao， Hong Yang， Jie Tang， and Jing Zhang. “Web user profiling using data redundancy.” In Advances in Social Networks Analysis and Mining （ASONAM）， 2016 IEEE/ACM International Conference on， pp. 358-365. IEEE， 2016. Vote Model （Final）是按照“一人一票”的原则将所有这些方法的推论结果进行整合，最终选择投票数较多的性别价值。这种投票模型的直觉是很自然的，因为每一种方法都擅长预测具有某些特性的用户，但也有一定的限制。 例如，FGNL是西方国家中最常见的名字，具有明显的性别偏见（例如，“Nancy”通常是女孩的名字），因此对于列出的名字非常精确。然而，它的召回受到名单覆盖范围的限制，很难与韩国和日本等国家的外国名字相匹配。 因此，最直接的解决方案是训练另一个分类器，该分类器从每个方法中获取预测结果，为其学习“权重”或“可信度”，并给出“加权”预测。在这里，我们将其简化为投票模型，这意味着我们平等地信任每种方法。实验表明，该投票模型在提高整体绩效方面效果良好。 我们为性别推断提供了开放的API，与支持此应用程序的API相同。您可以通过GET请求轻松地访问它，并获得JSON编码的快速响应。 GET请求应如下所示： https://innovaapi./tools/v1/predict/gender？name=jie%20tang&org=tsinghua 以JSON编码来响应，并且包括每种方法的推理和概率。 举个例子： |
|
|
