用户分类是社交媒体分析中的一个重要课题，它依赖于用户生成内容（UGC）来自动预测用户属性。在之前的研究中，大多数模型都是以单一视角来模拟文本特征，而忽略了用户主页文本常常包含多种不同的文本风格，如原创消息和他人的评论。针对这一问题，本文提出了名为ensemble LSTM的新型用户分类方法，这种方法通过整合多种自然划分的文本视角来实施用户分类。在研究中，首先利用长短期记忆（LSTM）循环神经网络学习LSTM表示，然后采用联合学习方法整合所有自然划分的文本视角。通过在两个基本用户分类任务，即性别分类和年龄分类上的实证研究，证明了该方法在多文本视角用户分类中的有效性。
本文还介绍了用户属性分类的基础知识。用户属性分类通常称为用户分类，是为了利用用户生成内容来自动预测用户属性的任务，例如性别、年龄和位置。随着在线社交网络的发展，为在更广泛的背景下执行用户分类提供了机会。用户分类不仅是社会语言学研究中的基础任务，而且在推荐系统、在线广告等许多实际应用中也至关重要。
用户分类方法的核心在于如何有效地从文本信息中提取特征。以往的研究通常只关注单一视角下的特征，例如单一风格的文本或特定类型的消息。但是，用户的主页上往往包含多种风格的文本，例如个人的原创消息和他人转发的评论。这就导致了仅从单一视角提取特征可能无法全面准确地反映用户的属性。
为了解决这一问题，本文提出的ensemble LSTM方法尝试从多个文本视角出发，学习和整合文本特征。该方法首先通过LSTM循环神经网络来学习LSTM表示，即捕捉文本中随时间变化的依赖关系和深层次的语义信息。接着，本文提出了一种联合学习方法，该方法能够整合用户主页上所有自然划分的不同文本视角。联合学习方法可以同时考虑多种文本视角的贡献，通过对它们进行有效的组合，提高分类任务的性能。
在研究的实证部分，作者选取了性别分类和年龄分类这两个基本的用户分类任务作为实验。通过一系列的实验设计和结果分析，展示了所提出的ensemble LSTM方法在多文本视角用户分类中的优势。实验结果表明，该方法能够更准确地从社交媒体文本中预测用户的性别和年龄属性。
本文的工作为我们提供了一种新的思路，即在用户分类中应该充分考虑和利用社交媒体上的多文本视角。这种方法不仅能够提升分类任务的准确率，而且对于推动用户分类研究的发展具有重要的意义。通过多视角整合，该研究为社交媒体用户属性的自动分析和预测提供了新的可能。未来的研究可以进一步探索如何更好地整合不同的文本视角，并尝试将该方法应用到更为复杂的用户分类任务中，例如情感分析、观点挖掘等。
