[发明专利]一种基于消息文本判断用户性别的方法和系统

说明书

技术领域

本发明涉及自然语言处理技术领域，特别涉及一种基于消息文本判断用户性别的方法和系统。

背景技术

伴随着网络的发展，网络游戏也应运而生，这种借助互联网的在线游戏、电子游戏，迅速的打开了市场。网络游戏，一般指多名玩家用户通过计算机网络互动娱乐的视频游戏。网络游戏必须依托于互联网进行，可以多人同时参与，通过人与人之间的互动达到交流、娱乐和休闲的目的。在注册游戏账户时，由于个人属性数据涉及隐私问题，用户经常选择不填写或者填写虚假的性别信息等方式隐藏其个人信息，导致与用户性别相关的推送无法与用户的需求实现匹配。另一方面，性别识别在信息检索与推荐、社会调查、心理诊断等方面同样具有非常广泛的应用，因此对用户性别的推断具有广泛的研究前景和实用价值。

据调研，业界已知利用男女玩游戏类型的占比分布做判断(参照公开号为CN106844687A的中国发明专利申请“一种基于游戏日志确定用户性别的方法及系统”)，此类方法可以概括如下：先统计所述己知性别分表中各款游戏出现的比例，得到各款游戏的性别极性，即男女在各款游戏中的占比。对未知性别用户，收集其玩过的游戏列表，并基于该列表利用累加求和的方法判断用户性别。该方法依靠的因素较为单一，游戏中男女占比的区分度不高，导致方法的准确率不高。譬如凭借是否玩游戏《王者荣耀》来判断男女，准确性显然不高。

发明内容

为了解决现有用户性别识别方法识别率低的问题。根据本发明的第一个方面，提供了一种基于消息文本判断用户性别的方法，其包括以下步骤：接收待测文本；提取待测文本的文本特征；将提取的对应待测文本的文本特征的代入分类模型，判断对应该待测文本的用户性别，其中，分类模型基于长短期记忆神经网络；文本特征包括所述待测文本的词频和哈夫曼编码。

进一步地，提取待测文本的文本特征的步骤包括以下子步骤：对待测文本分词，以生成对应该待测文本的一个或多个待测词；统计待测词的词频；基于哈夫曼树编码待测词，生成对应该待测词的哈夫曼编码；基于待测词的词频和哈夫曼编码，利用CBOW模型输出对应的嵌入向量，该文本特征包括该嵌入向量。

进一步地，对待测文本分词的步骤中，包括以下子步骤：基于分词词典，构建待测文本的有向无环图，其中，利用HMM模型的viterbi算法对该分词词典中未收录词进行分词处理；利用动态规划寻找有向无环图的最大概率路径；输出对应最大概率路径的分词结果。

进一步地，统计待测词的词频的步骤之前，还包括以下步骤：利用词典匹配待测词，以滤除停用词、高于预设词频的词和低于预设词频的词。

进一步地，在基于待测词的词频和哈夫曼编码，利用CBOW模型输出对应的嵌入向量的步骤之前，还包括以下步骤：对待测词中的语气词的词频进行加权，以提高语气词的词频的权重。

进一步地，所述文本特征还包括所述待测文本中的疑问句的比例。

进一步地，如果所述待测文本含有疑问词且以语气词结尾，则判断所述待测文本为疑问句。

根据本发明的第二个方面，提供了一种基于消息文本判断用户性别的系统，包括：第一模块，接收待测文本；第二模块，提取待测文本的文本特征；第三模块，将提取的对应待测文本的文本特征的代入分类模型，判断对应该待测文本的用户性别，其中，分类模型基于长短期记忆神经网络；文本特征包括所述待测文本的词频和哈夫曼编码。

根据本发明的第三个方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明第一个方面中所述方法的步骤。

本发明的有益效果在于：基于男女用户在语言表达上的显著性差异，利用用户发出的文本内容的上下文语义关系、词频和哈夫曼编码，能够实现较高的用户性别识别率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的一个或多个实施例的简略流程图；

图2是本发明的一个或多个实施例的详细图；

图3是训练分类模型的流程图；

图4是LSTM的数学原理示意图。

具体实施方式