基于微博數(shù)據(jù)的微博用戶性別判斷研究.pdf

1、隨著互聯(lián)網(wǎng)的高速發(fā)展，越來越多的人開始享受互聯(lián)網(wǎng)帶來的便利。微博作為一項基于網(wǎng)絡(luò)的社交應(yīng)用，因為其快捷、社交性的特點，成為人們發(fā)表言論、討論社會話題等的一項重要工具。正是由于其用戶群體龐大、傳播速度快、具有群體效應(yīng)等特點，廣告媒體、社會輿情監(jiān)督部門等急切需要通過微博分析，挖掘出可用的信息。另外，如何通過對微博內(nèi)容及用戶資料，研究用戶的行為習(xí)慣、檢測網(wǎng)絡(luò)欺詐行為等，也是諸如Twitter、Facebook、騰訊、新浪微博等社交媒體研究工作

2、的一個重要部分。如果能夠通過微博用戶的性別、年齡、愛好等特征進行有效的預(yù)測，必然會在以上提到的方面發(fā)揮巨大的作用。
　　目前國內(nèi)外雖然已經(jīng)針對微博的信息挖掘做了相當多的工作，但這些工作主要集中在話題發(fā)現(xiàn)、微博情感分析、意見領(lǐng)袖發(fā)現(xiàn)、社交群體挖掘等方向，而針對用戶的屬性信息，如性別、年齡分類的研究較少。
　　本文僅選取與用戶性別相關(guān)的特征，通過對微博內(nèi)容以及能夠獲取到的用戶個人信息，設(shè)計了分類算法，在用戶的性別分類判斷方面做了

3、一些研究工作。本文的主要貢獻和創(chuàng)新點如下:
　　1.以騰訊微博為例，研究了騰訊微博的開放平臺接口和微博特點，提出了基于微博內(nèi)容的用戶名自動發(fā)現(xiàn)算法和海量微博文本自動下載算法。在對騰訊微博的內(nèi)容進行分析時，發(fā)現(xiàn)其中有很多和其他用戶的互動，而這些操作都涉及到其他用戶的用戶名，據(jù)此提出了用戶名自動發(fā)現(xiàn)算法;結(jié)合騰訊官方開放平臺提供的微博數(shù)據(jù)下載接口，利用自動發(fā)現(xiàn)的用戶名，設(shè)計了海量微博數(shù)據(jù)自動下載算法、用戶信息自動下載算法，建立了微博語

4、料庫，包括微博文本信息和用戶的個人資料。
　　2.根據(jù)對微博內(nèi)容和用戶信息的統(tǒng)計分析，提出了根據(jù)昵稱和動詞進行性別分類的算法以及分類時特征詞提取的方法。通過對下載的海量微博內(nèi)容和用戶個人資料的抽樣統(tǒng)計分析，發(fā)現(xiàn)用戶的昵稱大都與漢語的人名相似，而漢語人名具有比較強的性別區(qū)分性，因此提出了一種基于昵稱的性別分類方法，以昵稱中的單個字為特征進行了分類研究;在對微博文本進行分詞后，對動詞在兩種性別中出現(xiàn)頻次的統(tǒng)計分析，發(fā)現(xiàn)部分動詞具有較大