← 返回首页

用贝叶斯猜中文名性别

用贝叶斯公式从名字推测性别的小想法。

发布 2017年4月12日 标签 #javascript #experiments

~/posts/gender-by-name $ cat post.md

/ 语言 EN / 中文
/ 主题 / /

最早是两年前在某个仓库看到有人用 Python 把名字猜成性别，打算用 JS 再实现一遍。

原理是贝叶斯定理：

贝叶斯公式

各项含义：

  • P(A|B) 是已知 B 发生后 A 的条件概率，也叫 A 的后验概率（来自 B 的取值）。
  • P(B|A) 是已知 A 发生后 B 的条件概率，也叫 B 的后验概率。
  • P(A) 是 A 的先验概率（或边缘概率）。“先验”是因为它不考虑任何 B 方面的因素。
  • P(B) 是 B 的先验概率。

参考的 Python 实现：

def prob_for_gender(self, firstName, gender=0):
    p = 1. * self.female_total / self.total \
        if gender == 0 \
        else 1. * self.male_total / self.total

    for char in firstName:
        p *= self.freq.get(char, (0, 0))[gender]

    return p

这种逐字相乘的实现有几个明显短板。比如”翁胜男”，三个字都偏男性，但连起来其实大概率是女性名字；又比如”刘璇”，“璇”虽然偏女性，但整名读起来偏中性。要把这个项目做完整，要补的至少有：

  • 整理一份姓名 → 性别的数据集，建立字 / 词级别的频率库。
  • 用贝叶斯，但以”整名”而非”逐字”为单位估计概率，并配合字一级的回退。

暂时停在这一步。

← 返回首页