短信服務(wù)(SMS)在現(xiàn)代通信技術(shù)中得到了廣泛的推廣。短消息服務(wù)組件是現(xiàn)代社會中最快、最常用的電子消息發(fā)送方法。垃圾郵件或未經(jīng)請求的短信已成為組織、網(wǎng)絡(luò)系統(tǒng)和私人客戶端的一個值得注意的問題。通過垃圾短信,垃圾郵件發(fā)送者正在影響時間和內(nèi)存空間,這是計算世界中最重要的資產(chǎn)。垃圾郵件的分類是一個有趣而突出的問題。這里介紹了與垃圾郵件相關(guān)的問題以及努力管理垃圾郵件的不同方法。對SMS中的垃圾郵件可用性進行分類是一項具有挑戰(zhàn)性的任務(wù),因此,在這方面已經(jīng)進行了大量的研究,這些研究采用了機器學習技術(shù),如樸素Bayes(NB)、隨機森林(RF)和支持向量機(SVM),用于垃圾郵件分類。雖然這些方法表現(xiàn)出了足夠的性能,但在垃圾郵件分類方面效率不夠。因此,需要進行嚴格的研究,以找到更準確、更穩(wěn)健的方法。為了解決這個問題,我們提出了一種新的長期短期記憶(LSTM)方法,它是一種具有包括記憶細胞在內(nèi)的門控機制的遞歸神經(jīng)網(wǎng)絡(luò)(RNN)的高級結(jié)構(gòu)。此外,本研究還采用了Word2Vec工具,該工具將簡化文本轉(zhuǎn)換為向量空間中單詞的表示形式。為了評估我們的方法的有效性,SMS數(shù)據(jù)集已被免費使用。實驗結(jié)果表明,該方法優(yōu)于最...

【文章頁數(shù)】：52 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 Introduction
    1.1 What is Spam
    1.2 Spamming Motivations
    1.3 Research Background and Significance
        1.3.1 Research Background
        1.3.2 Research Significance
    1.4 Overseas and Domestic Research Progress
        1.4.1 Spam Detection in Short Message Service(SMS)
        1.4.2 Spam Detection in Email
    1.5 Main Contents and Structure of the Thesis
        1.5.1 Main Contents
        1.5.2 The Structure of the Thesis
    1.6 Summary
2 Basic Theory and Related Work
    2.1 Basic Theory of Machine Learning
        2.1.1 Unsupervised Learning
        2.1.2 Supervised Learning
    2.2 Spam Filtering Techniques
        2.2.1 Machine Learning Approach to Spam Filtering
        2.2.2 Artificial Neural Network
        2.2.3 Deep Neural Network
    2.3 Spam Filtering Challenges for Machine Learning
        2.3.1 False Positive
        2.3.2 Concept Drift Handling in SMS
        2.3.3 E-mail Ranking or Prioritizing
    2.4 Summary
3 Experimental Model
    3.1 Proposed method LSTMs
    3.2 Word Embedding
    3.3 Word2Vec
        3.3.1 Skip-gram Model
        3.3.2 Continuous Bag-of-Words(CBOW)Model
    3.4 Data Set
    3.5 Traditional Baseline Methods
        3.5.1 SVM(Support Vector Machine)
        3.5.2 Decision Tree
        3.5.3 KNN(K-Nearest Neighbors)
        3.5.4 Random Forest
        3.5.5 NB(Na?ve Bayes)
    3.6 Summary
4 Results and Discussions
    4.1 Spam Detection Framework
        4.1.1 Detecting Strategy
        4.1.2 Contributions
        4.1.3 Data Preprocessing
    4.2 Comparative Study of Results
        4.2.1 Comparative Results
        4.2.2 Detecting Results
5 Conclusion and Future Work
References
Research Projects and Publications in Master Study
Acknowledgement



本文編號：3801134