SMS metin mesajları ile yaş ve cinsiyet belirleme

Yazı sınıflandırılıması alanında yaş ve cinsiyet ayrımı yapılması araştırmacılar için popüler bir konu olmuştur. Yakın zamanda, Facebook, Twitter, ve kısa mesajlaşma servisleri gibi yazı tabanlı sosyal iletişim ağlarının kullanımı oldukça artmıştır. Dolayısıyla kısa mesajlaşma Dünya çapında insanların ilgisini çeken en popüler iletişim mekanizması olmuştur. Bu çalışmada, kısa mesajlar üzerinden, mesajı yazan kişinin yaşı ve cinsiyetini tahmin etmeye çalıştık. Bu konunun seçilmesindeki temel neden, bazı insanların bilinçli olarak yazılı mesajlar da yaşını veya cinsiyetini yanlış göstermeye çalışmasıdır. Dil bilimi bazı seçilen kelimelerin ve yazım şeklinin kişinin yaşını ve cinsiyetini tahmin etmede kullanılabileceğini göstermiştir. Eski çalışmalarda yaş ve cinsiyet ayrımı yapılmasında farklı nitelik verileri kullanılmıştır. Nitelik verilerini tespit etmek her zaman araştırmacılar için bir problem olacaktır. Bu çalışmada 25 farklı deney Naive Bayes, Destek Vektör Makinesi (DVM), ve J48 algoritmaları için uygulanarak nitelik verileri yaratılmıştır. Seçilen üç algoritmadan, DVM yazı sınıflandırılması alanında en doğru ve başarılı oldugu için, Naive Bayes en hızlı bir şekilde modeli kurduğu için, J48 ise veriyi kompleks hesaplamalara katmadan, yarım veya gürültülü verinin üstesinden gelebildiği için seçildi. Lakin yine de verinin büyük olmasından dolayı işlem uzun zaman aldı. Bu çalışmanın temelini oluşturan veri kaggle.com sayfasından "The National University of Singapore SMS Corpus" isimli linkten indirilebilir. Yaşı tahmin etme de, en yüksek başarı altıncı deneyde %70.9823 ile DVM tarafından elde edilirken, doğru cinsiyeti tahmini en yüksek başarı oranı 16-20 yaş arası 20,649 örnekli grupta, yine DVM ile %91.3361 ile elde edildi.