博客作者性別分類(lèi)的研究.pdf

1、博客，是一種通常由個(gè)人管理、不定期張貼新的文章的網(wǎng)站。隨著博客的快速發(fā)展，博客作為一個(gè)重要的信息源的價(jià)值也在增加。在自然語(yǔ)言處理方面和其他方面存在著大量的對(duì)博客的研究工作。有許多的商業(yè)公司利用博客中的信息來(lái)提供增值服務(wù)，比如博客搜索、博客主題追蹤以及人們對(duì)產(chǎn)品和服務(wù)意見(jiàn)的情感分析。博客作者的性別分類(lèi)是一個(gè)有許多商業(yè)應(yīng)用價(jià)值的研究領(lǐng)域。例如，能夠幫助用戶(hù)找到什么主題和產(chǎn)品被男性和女性談?wù)摰淖疃?，以及什么產(chǎn)品和服務(wù)被男性和女性喜歡或是不喜歡

2、，利用這些信息能夠用于制作有針對(duì)性的廣告與開(kāi)發(fā)針對(duì)性的產(chǎn)品。所以，對(duì)博客作者性別分類(lèi)的研究具有重要的意義。
　　論文主要實(shí)現(xiàn)了博客作者的性別分類(lèi)，并重點(diǎn)研究了如何提高博客作者性別分類(lèi)的準(zhǔn)確度，對(duì)于給定一篇博文，提取用于博客作者性別分類(lèi)的特征類(lèi)，利用帶有課題研究得到的歸并高分類(lèi)能力特征的候選特征集的樸素貝葉斯分類(lèi)器，能夠?qū)Σ┪牡淖髡哌M(jìn)行判別歸類(lèi)，并且分類(lèi)準(zhǔn)確度在實(shí)驗(yàn)中可以達(dá)到74.49％，具體實(shí)現(xiàn)主要包括四部分：第一步是提取用于博客

3、作者性別分類(lèi)的特征類(lèi)，課題采用的特征類(lèi)為基本特征類(lèi)與詞性序列特征類(lèi)；第二步是實(shí)現(xiàn)用于博客作者性別分類(lèi)的特征選擇方法，并利用特征選擇方法選擇出候選特征集，課題采用的特征選擇方法是基于單個(gè)特征選擇標(biāo)準(zhǔn)的特征選擇方法與集成特征選擇方法；第三步是結(jié)合帶有候選特征集的樸素貝葉斯分類(lèi)器與十折交叉驗(yàn)證法，從多組候選特征集中選擇最優(yōu)博客作者性別分類(lèi)特征集；第四步是為了提高博客作者性別分類(lèi)的準(zhǔn)備度，設(shè)計(jì)并實(shí)現(xiàn)了歸并高分類(lèi)能力的候選特征集。
　　論文

4、采用帶有候選特征集的樸素貝葉斯分類(lèi)器與十折交叉驗(yàn)證法對(duì)博文作者性別進(jìn)行分類(lèi)并驗(yàn)證分類(lèi)結(jié)果，最終得到的實(shí)驗(yàn)結(jié)果如下：采用加入詞性序列特征的特征集，相比采用沒(méi)有加入詞性序列特征的特征集，分類(lèi)準(zhǔn)確度較高，為62.99％>60.59％，分類(lèi)準(zhǔn)確度提高了2.4％；采用集成特征選擇方法提取的候選特征集，相比采用單個(gè)特征選擇標(biāo)準(zhǔn)提取的候選特征集，分類(lèi)準(zhǔn)確度較高，分別為72.89％>67.57％，72.89％>68.19％，72.89％>70.49％，