近日，AMiner发布了最新版性别预测，只要登录以下网址（或者点击下方的阅读原文）：https://www.aminer.cn/gender 在Name一栏中，输入你的姓名，注意是英文噢，点击提交，答案就在下方！至于准不准呢？我们说了不算，等你来回答！今天，越来越多的深度学习应用已进入到我们的世界。性别预测，对AI来说已不是一件难事。
除了最为普遍的人脸识别，透过人脸判断身份、性别，AI还可以通过你的一个微笑，甚至是你的一只手，就能够自动分辨出性别。而今天，我们要说的是，只要告知你的姓名，就能预测你的性别。
那么，我们究竟是如何推断你的性别呢？在这个性别测试系统中，我们主要利用了以下三种性别推断方法，并提出了一个投票模型，将其结果纳入最终预测。
Face Recognition（FR）使用姓名和隶属关系信息作为查询词，将第一张返回的图片提取为用户肖像。通过使用Face++提供的用于人脸识别的API，我们可以轻松获取人脸的性别信息。FR对应界面中的“Face Recognizer”项。Facebook Generated Name List（FGNL）是在[Tang，2011]中提出的，并作为[Gu，2016]第3.c节中的基线之一引入。
基本上，它从Facebook上收集了一个带有相应性别值的常用名列表。如果用户名与列表中的任何条目匹配，FGNL将返回Gender值；否则，返回“未知”。FGNL对应界面中的“Name Classifier”项。Web Based Gender Predictor（WebGP）代表有监督信息抽取框架，如[Gu，2016]的“方法”部分所示。
简而言之，我们在谷歌等搜索引擎中自动构造有效的查询，以获取可能包含目标用户性别信息的相关片段。WebGP对应于界面中的“Google”项。
Vote Model（Final）是按照“一人一票”的原则将所有这些方法的推论结果进行整合，最终选择投票数较多的性别价值。这种投票模型的直觉是很自然的，因为每一种方法都擅长预测具有某些特性的用户，但也有一定的限制。
例如，FGNL是西方国家中最常见的名字，具有明显的性别偏见（例如，“Nancy”通常是女孩的名字），因此对于列出的名字非常精确。然而，它的召回受到名单覆盖范围的限制，很难与韩国和日本等国家的外国名字相匹配。因此，最直接的解决方案是训练另一个分类器，该分类器从每个方法中获取预测结果，为其学习“权重”或“可信度”，并给出“加权”预测。在这里，我们将其简化为投票模型，这意味着我们平等地信任每种方法。
实验表明，该投票模型在提高整体绩效方面效果良好。
我们为性别推断提供了开放的API，与支持此应用程序的API相同。您可以通过GET请求轻松地访问它，并获得JSON编码的快速响应。GET请求应如下所示：https://innovaapi.aminer.cn/tools/v1/predict/gender？
name=jie%20tang&org=tsinghua 以JSON编码来响应，并且包括每种方法的推理和概率。举个例子：欢迎大家试用，如果您有任何问题或建议，可以留言给我们！学术头条已建立微信交流群，想进群的同学请加学术君微信：AMiner308，记得备注：名字+单位/学校噢！