SMS Spam Detection and Classification to Combat Abuse in Telephone Networks Using Natural Language Processing

在现代社会，手机已经变得无处不在，而短信服务（SMS）由于移动设备的广泛采用和数百万人每天使用短信而成为一个价值数百万美元的服务。然而，SMS垃圾邮件也已经成为一种普遍存在的问题，通过网络钓鱼和欺诈危及用户的隐私和安全。尽管存在许多垃圾邮件过滤技术，但仍需要更有效的解决方案来解决这个问题。本研究解决了SMS垃圾邮件的普遍问题，该问题对用户的隐私和安全构成威胁。尽管存在现有的垃圾邮件过滤技术，但高误报率仍然是一个挑战。该研究介绍了一种新的方法，利用自然语言处理（NLP）和机器学习模型，特别是BERT（双向编码器来自变形金刚），用于SMS垃圾邮件检测和分类。应用数据预处理技术，如停用词去除和标记化，以及使用BERT进行特征提取。将机器学习模型（包括SVM、逻辑回归、朴素贝叶斯、梯度提升和随机森林）与BERT集成，以区分垃圾邮件和正常信息。评估结果显示，朴素贝叶斯分类器+BERT模型在测试数据集上以0.3秒的最快执行时间实现了97.31％的最高准确率。这种方法展示了垃圾邮件检测效率的显着提高和低误报率。开发的模型提供了一个有价值的解决方案，以打击SMS垃圾邮件，确保更快速和更准确的检测。这个模型不仅可以保护用户的隐私，还可以帮助网络提供商有效地识别和阻止SMS垃圾邮件信息。

解决SMS垃圾短信的问题，提高垃圾短信检测的准确性和效率。

使用自然语言处理和BERT模型，结合多种机器学习模型进行SMS垃圾短信的检测和分类。

使用了BERT模型进行特征提取，实现了97.31%的准确率和0.3秒的执行时间；该模型能够有效提高垃圾短信检测的效率和准确性，有望在实际应用中发挥重要作用。

其他相关研究包括：《SMS Spam Filtering: A Review》、《A survey on SMS spam filtering techniques》等。