现有的用户属性预测方法通常基于用户发文的语义特征,忽略了能够体现发文之间依赖关系的时序特征。针对此问题,提出一种融合发文时序特征的用户属性预测方法。该方法基于用户发文流,利用Word2Vec生成具有语义特征的发文向量,然后通过双...现有的用户属性预测方法通常基于用户发文的语义特征,忽略了能够体现发文之间依赖关系的时序特征。针对此问题,提出一种融合发文时序特征的用户属性预测方法。该方法基于用户发文流,利用Word2Vec生成具有语义特征的发文向量,然后通过双向长短期记忆(Bidirectional Long Short Memory, Bi-LSTM)神经网络提取时序特征,最后输入全连接层和Softmax实现属性预测。实验结果表明,与未使用时序特征的属性预测方法相比,该方法具有较好的精确率和召回率。展开更多
文摘现有的用户属性预测方法通常基于用户发文的语义特征,忽略了能够体现发文之间依赖关系的时序特征。针对此问题,提出一种融合发文时序特征的用户属性预测方法。该方法基于用户发文流,利用Word2Vec生成具有语义特征的发文向量,然后通过双向长短期记忆(Bidirectional Long Short Memory, Bi-LSTM)神经网络提取时序特征,最后输入全连接层和Softmax实现属性预测。实验结果表明,与未使用时序特征的属性预测方法相比,该方法具有较好的精确率和召回率。