CN104318255A

CN104318255A - 一种移动拍照类app用户的性别识别方法及系统

Info

Publication number: CN104318255A
Application number: CN201410654279.5A
Authority: CN
Inventors: 陈若田
Original assignee: Chengdu Pinguo Technology Co Ltd
Current assignee: Chengdu Pinguo Technology Co Ltd
Priority date: 2014-11-17
Filing date: 2014-11-17
Publication date: 2015-01-28
Anticipated expiration: 2034-11-17
Also published as: CN104318255B

Abstract

本发明公开了一种移动拍照类APP用户的性别识别方法及系统，涉及数据挖掘领域，尤其是针对应用软件，如拍照软件，的用户使用行为特征进行用户性别识别的方法。本发明技术要点：采集测试对象的目标特征值(x₁，x₂，...，x_m)；根据测试对象的目标特征值计算z值，z＝w₀+w₁×x₁+w₂×x₂+...w_m×x_m；其中，(w₀，w₁，w₂，...w_m)为已知的目标特征权值；计算测试对象的sigmoid函数值g，g＝1/(1+exp(-z))；根据g值求取测试对象的类标号t：其中a为二分类阈值。

Description

一种移动拍照类APP用户的性别识别方法及系统

技术领域

本发明涉及数据挖掘领域，尤其是一种分类/预测技术。

背景技术

随着网络及智能移动终端的不断发展，涌现出很多APP，为了扩大用户量，很多APP降低了用户使用门槛，大多数不需要注册，用户便可使用。如拍照软件等。

拍照软件在移动APP中占有极其重要的地位，为即时数字图像娱乐提供了极大便利。由于大多拍照软件不需注册，造成了用户资料的基本空白(如：性别等)。对用户信息不了解，APP开发上对产品的改进、营销活动(针对性地特效推荐、广告投放等)等将很难开展。

因此，很有必要提供一种基于用户对该类APP的使用行为特征确定用户性别等信息的方法。

发明内容

本发明所要解决的技术问题是：针对上述存在的问题，提供一种二分类方法及系统，尤其是根据应用软件，如拍照软件，的用户使用行为特征进行用户性别识别的方法。

本发明提供的二分类方法，包括：

步骤1：采集测试对象使用拍照类APP行为的的目标特征值(x₁,x₂,...,x_m)；

步骤2：根据所述目标特征值计算z值，z＝w₀+w₁×x₁+w₂×x₂+...w_m×x_m；其中，(w₀,w₁,w₂,...w_m)为已知的目标特征权值；

步骤3：计算测试对象的sigmoid函数值g，g＝1/(1+exp(-z))；

步骤4：根据g值求取测试对象的类标号t：其中a为二分类阈值。

优选地，所述目标特征的确定步骤为：

步骤a1：确定训练对象及训练对象使用拍照类APP行为的初步特征，采集每个训练对象的初步特征的特征值；将不同训练对象的相同的初步特征的特征值集合在一起作为一个初步特征值向量；

步骤a2：将初步特征值向量分别作为InfoGain特征选择函数、Chi_Square特征选择函数以及CFS特征选择函数的输入得到每个初步特征的InfoGain权值、Chi_Square权值以及CFS权值；

步骤a3：将每个初步特征的InfoGain权值与InfoGain筛选阈值比较，将大于InfoGain筛选阈值的初步特征值保留并作为第一特征集合；将每个初步特征的Chi_Square权值与Chi_Square筛选阈值比较，将大于Chi_Square筛选阈值的初步特征值保留并作为第二特征集合；将每个初步特征的CFS权值与CFS筛选阈值比较，将大于CFS筛选阈值的初步特征值保留并作为第三特征集合；

步骤a4：计算第一特征集合、第二特征集合与第三特征集合的交集，并将交集中的成员作为目标特征。

优选地，目标特征权值的(w₀,w₁,w₂,...w_m)的获取方法包括：

令目标特征数量为m；对似然函数求导，将不同训练对象的目标特征的特征值依次带入求导后的似然函数并令求导后的函数值为0得到包含n个方程的方程组，利用牛顿-拉斐森方法进行迭代，得到方程组的解(w₀,w₁,w₂,...w_m)；n为训练对象个数；

其中(x_1i,x_2i,...,x_mi)为第i个训练对象的目标特征值；t_i为第i个训练对象的类标号，t_i为已知量，其取值为0或1；g_i为第i个训练对象的sigmoid值，g_i＝1/(1+exp(-(w₀+w₁×x_1i+w₂×x_2i+...w_m×x_mi)))；n不小于m+1。

令目标特征数量为m；对似然函数

l (w) = Σ_{i = 1}^{n} {t_{i} \ln (g_{i}) + (1 - t_{i}) \ln (1 - g_{i})} - Σ_{j = 1}^{n} {\ln \sqrt{δ_{j}} + \frac{\ln 2 π}{2} + \frac{w_{j}^{2}}{2 δ_{j}}}

求导，将不同训练对象的目标特征的特征值依次带入求导后的似然函数并令求导后的函数值为0得到包含n个方程的方程组，利用牛顿-拉斐森方法进行迭代，得到方程组的解(w₀,w₁,w₂,...w_m)；n为训练对象个数；

其中(x_1i,x_2i,...,x_mi)为第i个训练对象的目标特征值；t_i为第i个训练对象的类标号，t_i为已知量，其取值为0或1；g_i为第i个训练对象的sigmoid值，g_i＝1/(1+exp(-(w₀+w₁×x_1i+w₂×x_2i+...w_m×x_mi)))；δ_j为基于n个训练对象的第j个目标特征值计算得到的第j个目标特征的方差；n不小于m+1。

优选地，a取值为0.5。

本发明还针对上述方法步骤提供了一种与之对应的软系统。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.本发明提供了一种二分类方法，能够精确预测待测对象的类标号。

2.在确定目标特征时，当目标特征非常多，容易造成“维度灾难”；同时若目标特征之间存在相互依赖的关系，会影响分类结果的准确性，本发明将InfoGain(信息增益),Chi_Square(卡方检验)，CFS(correlation-based feature selection三种特征选择方法结合起来，从大量训练对象的大量特征中筛选出目标特征，保证了对特征类别的高可解释性及特征之间的独立性。

3.本发明的一个实施例中在计算目标特征权值时在传统的贝叶斯逻辑回归模型中引入高斯先验分布，克服了传统逻辑回归模型处理高维特征容易产生过拟合的缺点，效果优于传统逻辑回归模型，能达到与SVM(支持向量机)相当的分类效果，但比SVM训练时间更短，且训练输出结果更简单，仅是每个特征属性的权重系数，适合分布式大规模批量分类。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1为本发明一个具体实施例的流程图。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

本说明书中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。

现在以根据拍照软件的用户使用行为判断用户性别为例阐述本发明原理。

本实施例基于这样一个认识：不同性别的用户在使用拍照APP时，其表现出的行为特征有明显差异。一般情况下，认为用户越喜欢拍照(特别是自拍)，且越喜欢使用特效，越喜欢拍后编辑，分享关键词越贴近女性词汇，则有更大的可能是女性用户。因此可以对已知性别用户的操作行为进行特征，选取出对区分性别具有贡献的特征，并以此训练出预测模型，推测出未知用户的性别。

本实施例一个完整的基本过程如下：

1、选取训练对象，对每个对象采集其使用频次数据、分享关键词频次数据作为初步特征。

2、在初步特征中进行筛选，保留对区分性别具有贡献度的特征，以此建立目标特征集。

3、用训练对象的目标特征值训练分类模型，得到各目标特征对应的权重(系数)。

4、将测试对象的目标特征值装载入训练好的分类模型，预测新用户性别。

下面再对每个步骤的实施方式做进一步说明。

特征采集：

从所有对象中随机挑选出一组在社交网站(SNS)分享过照片的用户作为训练对象，训练对象的数量可为1W～10W，通过相应的SNS 信息接口获取用户性别数据，如：Facebook:https://graph.facebook.com/v2.0/me、新浪微博:https://api.weibo.com/2/users/show.json。

再扫描用户操作日志，统计出特定事件发生频次数据及分享关键词频次数据，得到每个训练对象的初步特征(启动频次、拍照频次、自拍频次、无特效拍照频次、特效拍照频次、…、关键词“逛街”)的特征值。如表1示例：

表1用户特征数据示例

表1前半部分特征属性是用户在操作软件时触发的“埋点”事件的频次，后半部分是用户照片分享内容中特定关键词出现的频次，若未出现该关键词，则属性值为0。

值得说明的是，上表仅列出了部分具有代表性的特征，实际可尽可能多地定制特征，再通过进一步的特征筛选，过滤掉无用的特征。

特征筛选：

前一过程中采集到的初步特征非常多，可能存在许多与分类不相关的特征，且不同特征之间也可能存在相互依赖，容易导致模型训练时间长且模型准确率低。

因此，需要剔除不相关特征，留下对性别分类有影响力的特征，本实施例结合三个典型的特征选择方法：InfoGain，Chi_Square，CFS，取它们输出结果的交集作为最终的目标特征集。具体包括：

步骤a1：确定训练对象及初步特征，采集每个训练对象的初步特征的特征值；将不同训练对象的相同的初步特征的特征值集合在一起作为一个初步特征值向量。

步骤a2：将初步特征值向量分别作为InfoGain特征选择函数、Chi_Square特征选择函数以及CFS特征选择函数的输入得到每个初步特征的InfoGain权值、Chi_Square权值以及CFS权值。

步骤a3：将每个初步特征的InfoGain权值与InfoGain筛选阈值比较，将大于InfoGain筛选阈值的初步特征值保留并作为第一特征集合IG(D_n)；将每个初步特征的Chi_Square权值与Chi_Square筛选阈值比较，将大于Chi_Square筛选阈值的初步特征值保留并作为第二特征集合Chi_square(D_n)；将每个初步特征的CFS权值与CFS筛选阈值比较，将大于CFS筛选阈值的初步特征值保留并作为第三特征集合CFS(D_n)。

步骤a4：计算第一特征集合、第二特征集合与第三特征集合的交集，并将交集中的成员作为目标特征：FS_m(D_n)＝IG(D_n)∩Chi_square(D_n)∩CFS(D_n)。

其中D_n是维数为n的初步特征值向量，n为训练对象个数，FS_m是筛选后维数为m的目标特征集。

这样结合了三个方法各自的优点，使得最大限度降低了特征维数的同时，保证了特征对类别的高可解释性，及特征间的独立性。

分类模型训练：

本发明介绍了两种分类模型。

其一是传统贝叶斯逻辑回归模型。

传统贝叶斯逻辑回归模型采用最大似然法，即计算使得似然函数值最大化的一组值作为(w₀,w₁,w₂,...w_m)，似然函数如下：

l (w) = Σ_{i = 1}^{n} {t_{i} \ln (g_{i}) + (1 - t_{i}) \ln (1 - g_{i})} .

对似然函数求导，令求导后的函数值为0，得到一个方程。将不同训练对象的目标特征的特征值依次带入该方程中，得到包含n个方程的方程组，利用牛顿-拉斐森方法进行迭代，得到方程组的解(w₀,w₁,w₂,...w_m)。

其中，n为训练对象个数，(x_1i,x_2i,...,x_mi)为第i个训练对象的目标特征值；t_i为第i个训练对象的类标号，t_i为已知量，其取值为0或1；g_i为第i个训练对象的sigmoid值，g_i＝1/(1+exp(-(w₀+w₁×x_1i+w₂×x_2i+...w_m×x_mi)))；n不小于m+1。

传统贝叶斯逻辑回归模型，当特征维度n非常高(10000及以上)时，容易产生过拟合，造成预测准确性低。

为此，本发明提供了另一种分类模型

l (w) = Σ_{i = 1}^{n} {t_{i} \ln (g_{i}) + (1 - t_{i}) \ln (1 - g_{i})} - Σ_{j = 1}^{n} {\ln \sqrt{δ_{j}} + \frac{\ln 2 π}{2} + \frac{w_{j}^{2}}{2 δ_{j}}};

此模型在贝叶斯逻辑回归模型中引入了高斯先验分布。

对似然函数求导，令求导后的函数值为0，得到一个方程。将不同训练对象的目标特征的特征值依次带入该方程中，得到包含n个方程的方程组，利用牛顿-拉斐森方法进行迭代，得到方程组的解(w₀,w₁,w₂,...w_m)；n为训练对象个数。

分类模型使用：

当分类模型训练完成后，便可直接用其进行用户性别分类了，具体步骤如下：

步骤1：当测试对象来到时，采集测试对象的目标特征值(x₁,x₂,...,x_m)；

步骤2：根据测试对象的目标特征值计算z值，z＝w₀+w₁×x₁+w₂×x₂+...w_m×x_m；其中，(w₀,w₁,w₂,...w_m)为已知的目标特征权值；

步骤3：计算测试对象的sigmoid函数值g，g＝1/(1+exp(-z))；

步骤4：根据g值求取测试对象的类标号t：其中a为二分类阈值，优选取0.5。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims

1.一种移动拍照类APP用户的性别识别方法，其特征在于，包括：

步骤1：采集测试对象使用拍照类APP行为的目标特征值(x₁,x₂,...,x_m)；

步骤3：计算测试对象的sigmoid函数值g，g＝1/(1+exp(-z))；

2.根据权利要求1所述的一种移动拍照类APP用户的性别识别方法，其特征在于，所述目标特征的确定步骤为：

3.根据权利要求1所述的一种移动拍照类APP用户的性别识别方法，其特征在于，目标特征权值的(w₀,w₁,w₂,...w_m)的获取方法包括：

令目标特征数量为m；对似然函数求导，将不同训练对象的目标特征的特征值依次带入求导后的似然函数并令求导后的函数值为0得到包含n个方程的方程组，利用牛顿-拉斐森方法进行迭代，得到方程组的解(w₀,w₁,w₂,...w_m)；n为训练对象个数；其中(x_1i,x_2i,...,x_mi)为第i个训练对象的目标特征值；t_i为第i个训练对象的类标号，t_i为已知量，其取值为0或1；g_i为第i个训练对象的sigmoid值，g_i＝1/(1+exp(-(w₀+w₁×x_1i+w₂×x_2i+...w_m×x_mi)))；n不小于m+1。

4.根据权利要求1所述的一种移动拍照类APP用户的性别识别方法，其特征在于，目标特征权值的(w₀,w₁,w₂,...w_m)的获取方法包括：

令目标特征数量为m；对似然函数

l (w) = Σ_{i = 1}^{n} {t_{i} \ln (g_{i}) + (1 - t_{i}) \ln (1 - g_{i})} - Σ_{j = 1}^{m} {\ln \sqrt{δ_{j}} + \frac{\ln 2 π}{2} + \frac{w_{j}^{2}}{{2 δ}_{j}}}

5.根据权利要求1所述的一种移动拍照类APP用户的性别识别方法，其特征在于，a取值为0.5。

6.一种移动拍照类APP用户的性别识别系统，其特征在于，包括：目标特征值获取模块，用于采集测试对象使用拍照类APP行为的目标特征值(x₁,x₂,...,x_m)；

中间值计算模块，用于根据所述目标特征值计算z值，z＝w₀+w₁×x₁+w₂×x₂+...w_m×x_m；其中，(w₀,w₁,w₂,...w_m)为已知的目标特征权值；

sigmoid函数值计算模块，用于计算测试对象的sigmoid函数值g，g＝1/(1+exp(-z))；

类标号获取模块，用于根据g值求取测试对象的类标号t：其中a为二分类阈值。

7.根据权利要求6所述的一种移动拍照类APP用户的性别识别系统，其特征在于，所述目标特征的确定步骤为：

8.根据权利要求6所述的一种移动拍照类APP用户的性别识别系统，其特征在于，目标特征权值的(w₀,w₁,w₂,...w_m)的获取方法包括：

9.根据权利要求6所述的一种移动拍照类APP用户的性别识别系统，其特征在于，目标特征权值的(w₀,w₁,w₂,...w_m)的获取方法包括：

令目标特征数量为m；对似然函数

l (w) = Σ_{i = 1}^{n} {t_{i} \ln (g_{i}) + (1 - t_{i}) \ln (1 - g_{i})} - Σ_{j = 1}^{m} {\ln \sqrt{δ_{j}} + \frac{\ln 2 π}{2} + \frac{w_{j}^{2}}{{2 δ}_{j}}}

求导，将不同训练对象的目标特征的特征值依次带入求导后的似然函数并令求导后的函数值为0得到包含n个方程的方程组，利用牛顿-拉斐森方法进行迭代，得到方程组的解(w₀,w₁,w₂,...w_m)；n为训练对象个数；其中(x_1i,x_2i,...,x_mi)为第i个训练对象的目标特征值；t_i为第i个训练对象的类标号，t_i为已知量，其取值为0或1；g_i为第i个训练对象的sigmoid值，g_i＝1/(1+exp(-(w₀+w₁×x_1i+w₂×x_2i+...w_m×x_mi)))；δ_j为基于n个训练对象的第j个目标特征值计算得到的第j个目标特征的方差；n不小于m+1。

10.根据权利要求6所述的一种移动拍照类APP用户的性别识别系统，其特征在于，a取值为0.5。