机器读中文:根据名字判断性别

机器读中文:根据名字判断性别


比赛概述


本比赛为个人练习赛,主要针对于数据新人、尤其文本处理方面的新手进行自我练习、自我提高,与大家切磋。

练习赛时限:2017-07-15 至 2019-07-15

任务类型:自然语言处理、二元分类

背景介绍:
我们每天会接触不同的人,有热情的面孔,也有冰冷的名片。作为一个说着中国话的中国人,我们有着常年累月的积累和对文字的理解,通过名字判断(猜测)性别,并非难事。可是,对于一个冰冷的机器,它能够根据名字判断性别吗?这个练习赛就是根据中文名字(姓已经省略),判断性别

数据来源:
数据来自网络爬虫。出于隐私保护等目的,姓已经被省略。训练数据中含有很少量的杂质(也就是错误的数据点)。标题图片来源:fanfou。




数据下载


数据文件(三个):
train.txt 训练集,文件大小 1.7mb
test.txt 预测集, 文件大小 0.4mb
sample_submit.csv 提交示例 文件大小 0.2mb

下载该数据即同意不以商业为目的传播、发布该数据集。

训练集中共有120000条样本,预测集中有32040条样本。

变量说明:
变量名 解释
id 编号
name 名字(姓已经被隐去)
gender 表示该姓名对应的性别。0表示女生,1表示男生。在test.txt中,这是需要被预测的标签。请注意:名字与性别均来自于网络爬虫,数据可能有杂质或者重复。



评价方法


您提交的结果为每个姓名的预测性别,0代表女性,1代表男性。评价方法为准确率(accuracy)。

准确率的取值范围是0到1。越接近1,说明模型预测的结果越接近真实结果。

$$\text{准确度}=\frac{预测正确数}{总预测数}$$

比如说,真实情况是(小芳:0), (钢:1),(俏梅:0),(德华:1)。
你预测结果是(小芳:0), (钢:0),(俏梅:0),(德华:1),那么准确度是3/4=0.75。


提交结果


提交前请确保预测结果的格式与sample_submit.csv中的格式一致,以及提交文件后缀名为csv。文件大小不超过5mb。

您提交的结果为每个姓名的预测性别,0代表女性,1代表男性。

   文件名不可以包含中文字符,长度在20字节以内。

排行榜每两小时更新一次。每次更新之前,参赛选手可以多次上传预测结果,但是系统只保留排行榜更新之前最后一次上传结果。

 

每次比赛为练习赛,所以评测结果是基于全部32040条预测样本。