英印码混社交媒体内容中的性别预测：语料库与基线系统

社交媒体网站使用的迅速扩张导致了大量未处理的用户生成数据，可用于文本挖掘。作者画像是通过文本自动确定作者性别和年龄组等画像属性的任务，在计算语言学中正获得很高关注度。过去大多数作者画像研究集中于英文文本 \cite{1,2}。然而许多用户在社交媒体发帖时经常切换语言，称为码混，这给文本分类和作者画像领域带来了一些挑战，如拼写变化、非语法结构和音译 \cite{3}。线上存在的英印码混社交媒体内容标注数据集很少 \cite{4}。在本文中，我们分析码混内容中作者性别预测任务，并呈现一个从 Twitter 收集的、标注了作者性别的英印文本语料库。我们还探索该语料库中每个词的语言识别。我们提出一个有监督分类基线系统，其使用多种机器学习算法，基于字符和词级特征通过文本识别作者性别。