Ví dụ đầu vào
Biệt danh không phải là xác minh danh tính
Với @alice_smith, hệ thống có thể tìm thấy một phần của tên. Với prenses, khi dùng forceToGenderize, kết quả dự đoán có thể được trả về trong khi tên vẫn là null. user47291 có thể vẫn là kết quả không xác định. Đây chỉ là ví dụ đầu vào, không có kết quả giới tính định sẵn.
Cách phân tích
Việc dự đoán giới tính từ tên người dùng diễn ra như thế nào?
Hệ thống tìm những phần có thể nhận ra là tên và các tín hiệu ngôn ngữ khác trong tên người dùng hoặc tên hiển thị. AI dự phòng thông thường tìm một tên thật có thể sử dụng; với forceToGenderize, AI có thể diễn giải biệt danh ngay cả khi không có tên thật. Kết quả được trả về cùng các trường ngữ cảnh. Đừng ép kết quả cho đầu vào ngẫu nhiên hoặc thiếu thông tin.
Cách sử dụng
Chọn phương thức phù hợp với dữ liệu của bạn
Xử lý tập dữ liệu lớn không cần mã
Phân tích tên người dùng trong Excel hoặc CSV qua 4 bước
- 01
Mở công cụ Excel/CSV
Mở công cụ tải tệp lên của GenderAPI và tải lên tệp cần xử lý.
- 02
Chọn cột đầu vào
Ánh xạ cột chứa tên người dùng, biệt danh hoặc tên hiển thị.
- 03
Bật phân tích biệt danh
Bật tùy chọn diễn giải tên tài khoản và tên người dùng trên mạng xã hội.
- 04
Kiểm tra mẫu rồi xuất kết quả
Trước tiên, kiểm tra một mẫu bản ghi đại diện, sau đó xử lý toàn bộ tệp và tải xuống kết quả đã làm giàu dữ liệu.
Tài khoản mới nhận 200 tín dụng miễn phí mỗi ngày, nên bạn có thể thử quy trình với một mẫu trước khi xử lý toàn bộ tệp.
Ví dụ ứng dụng
Dùng như tín hiệu hỗ trợ khi không có tên thật
Khi trường tên bị trống, việc phân tích tên người dùng có thể hữu ích với dữ liệu mạng xã hội, cộng đồng, trò chơi và hồ sơ do người dùng tạo. Nếu có nguồn thông tin trực tiếp và đáng tin cậy hơn như tên thật hoặc địa chỉ email, hãy dùng endpoint riêng cho từng loại.
Giới hạn
Không coi kết quả là danh tính đã xác minh
Không phải biệt danh nào cũng chứa tên thật; mối liên hệ văn hóa khác nhau, và cùng một từ có thể mang nghĩa khác trong từng ngôn ngữ. Khi tín hiệu không đủ, hãy chấp nhận kết quả trống thay vì rút ra kết luận chắc chắn từ dữ liệu yếu.
Hướng dẫn triển khai V2
Lưu dữ liệu gốc và kết quả dự đoán riêng biệt
Hãy giữ lại mã định danh của bản ghi gốc. API không mở hồ sơ, không xác minh chủ sở hữu tài khoản và không xác minh danh tính của bất kỳ ai. Chỉ gửi ngữ cảnh quốc gia khi bạn có thông tin đáng tin cậy, và đừng suy ra quốc gia từ tên miền hoặc ngôn ngữ của trang web.
| Ví dụ đầu vào | Trường hoặc tùy chọn | Cách hiểu |
|---|---|---|
| @alice_smith | data.name / data.match | Giữ nguyên tên người dùng gốc và không coi phần khớp là tên đã được xác minh. |
| prenses | forceToGenderize: true | Cho phép diễn giải biệt danh ngay cả khi không có tên thật. Giới tính có thể được trả về trong khi data.name vẫn là null. Đừng tự tạo ra tên cho người dùng này. |
| user47291 | data.result_status: unknown | Đầu vào mơ hồ hoặc thiếu thông tin có thể vẫn là kết quả không xác định. Đây không phải là lý do để tự động gửi lại yêu cầu. |
Gửi tên người dùng với type: username, không phải URL hồ sơ. Khi tra cứu tập dữ liệu, hệ thống bỏ ký tự @ ở đầu, chuẩn hóa văn bản và tạo ứng viên dựa trên dấu phân cách và chữ số. Với yêu cầu tiêu chuẩn, một số ít kết quả khớp có thể được thêm từ phần đầu và phần cuối, nhưng forceToGenderize không dùng các chuỗi con bổ sung này. Nếu tìm thấy nhiều bản ghi, bản ghi có tổng số lần xuất hiện được lưu lớn nhất sẽ được chọn. Dùng type: email cho địa chỉ email và type: name cho tên thật.
Chọn chế độ xử lý và số tín dụng
| Tùy chọn | Cách xử lý | Tín dụng cho mỗi mục hoàn tất |
|---|---|---|
| options.ai_mode: off | Chỉ dùng tập dữ liệu | 1 tín dụng |
| options.ai_mode: fallback | Kiểm tra tập dữ liệu trước, dùng AI dự phòng thông thường khi chưa xác định được giới tính | Tổng cộng 1 tín dụng, đã gồm AI |
| options.ai_mode: always | Dùng AI trực tiếp | 2 tín dụng |
| forceToGenderize: true | Kiểm tra tập dữ liệu trước, sau đó diễn giải biệt danh ngay cả khi không có tên thật | 1 tín dụng nếu tập dữ liệu xác định được, tổng cộng 2 tín dụng nếu dùng AI |
Mặc định của yêu cầu đơn lẻ là fallback, còn mặc định của các mục trong yêu cầu hàng loạt là off. forceToGenderize là tùy chọn và dùng được với tên, địa chỉ email hoặc tên người dùng. Khi kết hợp, hãy bỏ qua ai_mode hoặc đặt fallback; không thể kết hợp với off hoặc always. Kết quả unknown đã hoàn tất vẫn bị tính tín dụng. Chỉ cần số dư dương là có thể bắt đầu một yêu cầu, và số dư có thể âm sau khi xử lý xong.
Đặt tùy chọn cho từng mục trong yêu cầu hàng loạt
Ví dụ đầu vào không bảo đảm một kết quả dự đoán cụ thể. Đặt GENDERAPI_API_KEY trong môi trường máy chủ và không đưa khóa vào mã phía máy khách công khai. V1 và V2 dùng cùng một khóa API và cùng số dư tài khoản. Kiểm tra khóa bằng /api/v2/usage và xác nhận meta.access.mode là api_key.
Chọn ngôn ngữ lập trình. Thiết lập khóa API, sau đó chạy ví dụ trên máy chủ của bạn.
Mỗi yêu cầu dự đoán là một thao tác mới bị tính phí, kể cả khi thử lại. Các ví dụ này không tự động thử lại. Kiểm tra trạng thái tính phí trước khi gửi yêu cầu khác.
Trước khi chạy: quyền truy cập và xử lý lỗi
Chạy các ví dụ này trên máy chủ của bạn. Đặt GENDERAPI_API_KEY trong biến môi trường của tiến trình bằng khóa API hiện có. Xác nhận meta.access.mode là api_key: khóa không được nhận diện có thể chuyển sang dùng thử theo IP.
Với phản hồi JSON HTTP 4xx và 5xx, ví dụ giữ nguyên nội dung lỗi và kết thúc với mã thoát khác 0. Kiểm tra code, action và meta.usage.billing_status trước khi thử lại. Với phản hồi lô HTTP 200, hãy kiểm tra thêm data hoặc error của từng mục.
Hướng dẫn về lỗi và thử lại →cURL 7.76+ trong shell POSIX. Chạy trong terminal. Tài liệu môi trường chạy
Node.js 22+; fetch tích hợp sẵn. Lưu thành example.mjs và chạy node example.mjs. Tài liệu môi trường chạy
Python 3.10+; thư viện chuẩn. Lưu thành example.py và chạy python3 example.py. Tài liệu môi trường chạy
PHP 8+ với tiện ích mở rộng cURL. Lưu thành example.php và chạy php example.php. Tài liệu môi trường chạy
Java 17+; HTTP client chuẩn. Lưu thành GenderApiExample.java và chạy java GenderApiExample.java. Tài liệu môi trường chạy
Ứng dụng console .NET 8+. Dùng làm Program.cs trong một dự án console, sau đó chạy dotnet run. Tài liệu môi trường chạy
Go 1.22+; thư viện chuẩn. Lưu thành main.go và chạy go run main.go. Tài liệu môi trường chạy
Xử lý kết quả của danh sách và việc gửi lại
POST /api/v2/gender/batch nhận tối đa 50 mục với khóa API và tối đa 10 mục với dùng thử theo IP. Chỉ định type, value và options cho từng mục. Nếu cần AI dự phòng thông thường, hãy đặt rõ fallback cho từng mục. id phải là duy nhất trong lô, và index bắt đầu từ 0 trong lô đã gửi. Hãy lưu riêng mã công việc và mã dòng gốc của bạn.
HTTP 200 không có nghĩa là mọi mục đều đã hoàn tất. Hãy xử lý riêng từng kết quả identified, unknown và error. meta.summary.succeeded bao gồm cả identified và unknown. Kiểm tra đồng thời data.gender, source, confidence_kind, confidence, match và reason, và đừng coi điểm của AI với tần suất xuất hiện trong tập dữ liệu là cùng một thứ.
Nếu meta.usage.billing_status là confirmed, chỉ gửi lại các mục lỗi được phép thử lại. Nếu là unconfirmed hoặc không nhận được phản hồi, hãy dừng lại và kiểm tra việc tính phí. Gửi lại cùng một mục, kể cả kết quả unknown đã hoàn tất, sẽ bị tính phí như một thao tác mới. Đừng gửi lại toàn bộ danh sách khi chưa kiểm tra.
Quy tắc yêu cầu hàng loạt · Trường phản hồi · Tùy chọn AI · Đánh giá độ chính xác và độ tin cậy · Chính sách quyền riêng tư
Phần bổ trợ Excel, tiện ích bổ sung Google Sheets và các tích hợp dựng sẵn khác có thể dùng cách kết nối và định dạng kết quả riêng. Đừng giả định đầu ra của chúng theo cấu trúc JSON V2 này; hãy xem hướng dẫn hiện hành của từng tích hợp.
Câu hỏi thường gặp
Giới tính từ tên người dùng và biệt danh
Có thể dự đoán giới tính từ tên người dùng không?
Khi bật forceToGenderize trong V2, hệ thống tra cứu tập dữ liệu trước. Nếu chưa xác định được giới tính, AI có thể diễn giải biệt danh ngay cả khi không có tên thật. Kết quả vẫn có thể là unknown và không phải danh tính đã được xác minh. AI dự phòng thông thường cần có một tên thật có thể sử dụng.
Tên người dùng nào dễ cho kết quả hữu ích hơn?
Giá trị chứa tên thật, biệt danh phổ biến hoặc thành phần có thể nhận ra rõ là tên thường cho tín hiệu hữu ích hơn. Chuỗi ngẫu nhiên và tên thương hiệu có thể không cho kết quả.
Có thể phân tích một tên người dùng qua API không?
Có. Endpoint yêu cầu đơn lẻ phân tích một giá trị, và có một endpoint riêng cho yêu cầu hàng loạt với nhiều mục.
Có thể tải tệp Excel hoặc CSV lên không?
Có. Trong công cụ tệp, hãy chọn cột chứa tên người dùng hoặc tên hiển thị và bật phân tích biệt danh.
Vì sao nên lưu trường độ tin cậy cùng trường nguồn của V2?
data.confidence của V2 là giá trị từ 0 đến 1. Điểm của AI và tần suất xuất hiện trong tập dữ liệu đo những thứ khác nhau, vì vậy hãy đọc giá trị này cùng source và confidence_kind. Hãy giữ lại cả kết quả unknown và reason.
Có thể dùng kết quả để phân khúc khách hàng không?
Kết quả có thể là tín hiệu hỗ trợ cho phân tích ở cấp tổng hợp hoặc cho việc làm giàu dữ liệu, nhưng đừng chỉ dựa vào nó để đưa ra quyết định có ảnh hưởng đáng kể đến một người hoặc để xác định danh tính của ai đó.
Có thể dùng thử miễn phí không?
Tài khoản GenderAPI mới nhận 200 tín dụng miễn phí mỗi ngày để kiểm tra một mẫu đại diện qua API hoặc qua tệp.
