基於LSTM的中文姓名性別預測

寫在前面

這是本人編寫的首個基於調庫的機器學習程序，算是一個簡單的練手項目。

本程序可以根據輸入的中文姓名推測其對應的性別

根據人的名字判斷人的性別是一個很有意思的工作，我們可以用樸素貝葉斯法，SVN法或神經網絡解決。Python有一個庫叫做ngender，它採用樸素貝葉斯進行預測，然而，該模型面對。

本人基於Pytorch，採用embedding+LSTM+Linear的神經網絡模型進行性別的預測，準確率達到了88%

代碼已經上傳至GitHub，[這是GitHub鏈接](AlphaINF/name2gender: Gender prediction of chinese name based on LSTM (github.com))

效果如圖

本人將在下文中，詳細介紹模型的結構和使用方法

文件結構

本程序包含以下幾個文件，文件結構如下圖所示

每個文件的用途如下表所示

文件名	用途
name2gender.py	用於保存模型的結構
main.py	直接運行即可輸入名字進行性別預測
test.py	用於運行測試集的代碼
finetune.py	用於訓練的代碼
utils.py	一些工具（比如csv的讀取工具）
net.pth	訓練好的神經網絡
ccnc.csv	數據集1（採用ccnc_loader進行讀取），包含有約350w組數據，每組數據的格式爲（姓氏，名字，姓名，性別），採用換行和tab間隔
train.csv	數據集2（採用csv_loader進行讀取），包含有約20w組數據，每組數據的格式爲（姓名，性別），採用換行和逗號間隔
test.csv/ccnc-tiny.csv	測試集

模型結構

我們可以通過mane2gender.py來了解模型的結構

import torch.nn as nn

class name2gender(nn.Module):
    def __init__(self, input_size, embedding_size, rnn_hidden_size, hidden_size, output_size=2):
        super(name2gender, self).__init__()
        self.embeddings = nn.Embedding(input_size, embedding_size, padding_idx=0)
        self.drop = nn.Dropout(p=0.1)
        self.rnn = nn.LSTM(input_size=embedding_size, hidden_size=rnn_hidden_size, batch_first=True)
        self.linear1 = nn.Linear(rnn_hidden_size, hidden_size)
        self.activation = nn.ReLU()
        self.linear2 = nn.Linear(hidden_size, output_size)
        self.output_size = output_size
        self.softmax = nn.LogSoftmax(dim=1)
    def forward(self, name, length):
        now = self.embeddings(name)
        now = self.drop(now)
        input_packed = nn.utils.rnn.pack_padded_sequence(now, length, batch_first=True, enforce_sorted=False)
        _, (ht, _) = self.rnn(input_packed, None)

        out = self.linear1(ht)
        out = self.activation(out)
        out = self.linear2(out)

        out = out.view(-1, self.output_size)
        out = self.softmax(out)
        return out

（還沒寫完）