ارایه یک روش جدید برای بهبود دادن مساله تشخیص جنسیت نویسنده متن

مساله تشخیص جنسیت نویسنده متن، یکی از مسایل مورد استفاده در حوزه داده کاوی و متن کاوی است که جهت شناسایی هویت مجهول و یا غیر واقعی تعدادی از کاربران اینترنتی و کاربران شبکه های اجتماعی بکار رفته است. هدف از ارایه این مساله این است که با استفاده از یک یا چند روش بهینه در زمینه تجزیه و تحلیل متون، بتوان مدلی را استخراج کرد که با استفاده از آن، ضریب احتمال تشخیص صحیح برای تعیین جنسیت نویسندگان متون مورد نظر (مرد یا زن بودن نویسنده) را بالا ببریم.یکی از دلایل اصلی ضرورت پرداختن به این موضوع، جلوگیری از سوء استفاده های احتمالی از دیگر کاربران، توسط افراد ناشناس یا افراد با هویت جعلی، است. راهکارهایی که در این مقاله ، برای حل مساله تشخیص جنسیت نویسنده متن استفاده شده است، شامل دو بخش است، بخش اول شامل یک شیوه جدید وزن دهی به نام معکوس فراوانی سند وابسته به جنسیت (GIDF ) است که مبنای آن روش معکوس فراوانی سند ( idf) می باشد. بخش دوم استفاده از یک روش فراابتکاری ترکیبی مبتنی بر روش خفاش ها به نام روش ترکیبی خفاش ها-زنبورهای مصنوعی (BABC ) است که با الگوریتم طبقه بندی ماشین بردار پشتیبان ترکیب شده و وظیفه آن بهبود نتایج حاصل از طبقه بندی SVM بوسیله انتخاب بهترین ویژگیها جهت ساخت مدل پیشنهادی است. مجموعه داده مورد استفاده جهت ساخت مدل، شامل 3000 نمونه جمع آوری شده از متون نگاشته شده توسط مرد و زن در سایت بلاگفا است که 50 درصد از کل نمونه مربوط به متون مربوط به زن و 50 درصد دیگر مربوط به متون مربوط به زن است. نتایج بدست آمده توسط الگوریتم های پیشنهادی نشان می دهد که دقت کلاس بندی برابر با 85.5 درصد است.

Keywords:

داده کاوی , متن کاوی , کلاس بندی , تشخیص هویت , تشخیص جنسیت , استخراج ویژگی , ابعاد ویژگی , وزن دهی , پردازش زبان طبیعی