性别是⼈类差异最⼤的特征之⼀，⼜是体⾏为、偏好和需求等⽅⾯的基本影响因⼦之⼀；性别识别的重要性和价值性不⾔⽽喻，每个⽤户画像产品的构建，基本都会遇到性别标签的识别需求。 ⽬前业内⽤户性别识别的⽅法很多，最⼤的特点是基于⽤户的⾏为进⾏⽤户识别，识别的准确性也参差不齐。作者认为影响识别准确性的关键原因在于这些⽤户⾏为蕴含的性别影响因⼦有多⼤，如果性别的区别对这些⾏为没有多⼤的影响⼒，那模型和算法的准确性将会遇到明显的瓶颈。同时，基于⽤户⾏为的性别识别涉及的数据⾯⾮常⼴、数据依赖链条很长、数据计算复杂度很⾼，识别效能反⽽成为了痛点！ 在这⾥，作者分享⼀下贝聊的⽤户性别识别模型：基于⽤户信息（姓名）的⽤户性别识别⽅法！这虽然只是⼀个单因素识别模型，但是实际识别准确率却⾼达 90% 以上，为什么效能这么⾼？主要是因为性别对命名的影响⾄关重要！下⾯我们分步骤来讲解下贝聊的⽤户性别识别模型构建过程。
⼀. 样本库构建：互联网信息服务管理办法
1. “姓名—性别”关系库构建cf清钢
因为姓名 + 性别不能⼤概率锁定出唯⼀的⽤户，所以姓名和性别的数据敏感度并不⾼，通过百度等搜索
引擎可以轻松获得，这⾥不详述。贝聊有⾃⾝的数据样本，并且进⾏了数据脱敏处理，初期过滤了⼀个⼗多万条“姓名—性别“的⾼精度种⼦样本库（已⾜够⽤！），并进⾏分词处理，结果库如下图（图中数据并⾮贝聊真实⽤户，仅是演⽰案例！）
2. “词性—性别概率”关系库构建
贝聊的⽤户性别识别模型对不同词在姓名中的位置做了区分，因为同⼀个词⽤在名字的不同位置的性别含义有较⼤区别！例如：“海”字，在⽤作名字的最后⼀个词时，男性概率⾼达 95%；但作为名字的中间词时，男性概率仅有 51%（基本是⼀个中性词）。经过样本数据的计算，统计出每个词的性别概率，结果库如下图所⽰（演⽰数据！）
⼆. ⽤户性别识别模型构建
1. 模型构建
基于⽤户信息的⽤户性别识别模型构建⾮常简洁，因为是⽂本数据，也不需要⽤到相对复杂⼀些的逻辑回归等算法，模型构建的思路基本上是“词性—性别概率”关系库构建的逆过程。姓名的识别概率公式如下图：势力范围
计算出⽤户性别的识别概率后，通过设定阈值，即可得到⽤户的性别标签。整体⽽⾔，模型计算量⾮热解焚烧炉
常⼩，可解释度很⾼，模型出错时问题容易追踪，预测效能⾮常好！
2. 结果分析
计算⽤户性别识别概率后，通过设定不同的阈值，可以得到不同的预测准确性。相对来说，阈值越低（例如预测男性概率⼤于 50% 时，就算男性，否则⼥性），则可预测的⽤户⾯较⼤，阈值越⾼（例如预测男性概率⼤于 60% 时，才算男性，⼩于 40% 才算⼥性），则预测的准确性得到保障，但有部分⽤户没法识别。
上图，我们抽取了部分贝聊员⼯来做模型结果验证测试（阈值设定为 50%）；从数据来看，模型准确性⾮常⾼，呈现出以下特点：
预测准确度和精确度，都⾼于 90%；其中男性的预测准确度更⾼，⼥性的预测精确度更⾼；说明相对⽽⾔，⼥性⽤户⼀般不会采⽤男性化字眼的名字。
预测结果仍有 5%-10% 左右的误差率；这应该是男性命名⼥性化，⼥性命名男性化影响所致，或者命名性别中性化。在单因素模型下，只能通过调整阈值来解决，否则就需要引⼊其他因⼦，构建多因素识别模型。
单因素模型下，只能通过调整阈值来解决，否则就需要引⼊其他因⼦，构建多因素识别模型。
根据作者的经验，基于⽤户姓名的⽤户性别识别模型具有较好的适⽤性、可部署性和延展性，在研究单因素识别⽅法⽅⾯提供了⼀定的参考价值；也可以在此基础上，引⼊其他因素，提⾼模型的准确性。
黄纪宪>张柱金注：部分公司可能没有⽤户的姓名，只有⽤户昵称，这是数据局限性的问题，当然也期待⼤家进⾏基于⽤户昵称的⽤户性别识别模型的准确性。
《开源计算机视觉库OpenCV从⼊门到应⽤》受益于深度学习技术的重⼤突破，计算机视觉成为⽬前⼈⼯智能领域热点，吸引⼤量投资，具有很好的创业前景， opencv是实现计算机视觉的⾸选框架，想了解细节的朋友欢迎参加！
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议