不同长度下中文垃圾邮件分类模型的研究

作者：顾孟钧; 冯文舟; 陈中兵^*

来源：工业信息安全, 2022, (07): 28-35.

• 中文垃圾邮件
• 文本分类
• 机器学习
• 深度学习

针对日益泛滥的垃圾邮件问题，本文使用多种算法对不同长度下中文垃圾邮件分类模型进行比较研究。首先，使用朴素贝叶斯算法对邮件数据集进行训练和测试；然后，从邮件数据集中筛选出三种不同文本长度的数据集和两种不同大小样本量的数据集，组成五个实验样本集；最后分别使用多种传统机器学习模型、神经网络模型和预训练模型在五个实验样本集上进行建模比较。实验结果表明，预训练模型ALBERT最适合分类句子长度的中文垃圾邮件，传统机器学习模型SVM最适合分类段落长度的中文垃圾邮件，神经网络模型TextRCNN最适合分类篇章长度的中文垃圾邮件。实验结果还显示，神经网络模型TextRNN和预训练模型RoBERTa不适用于小样本数据。

• 单位
  浙江省公众信息产业有限公司; 中国电信股份有限公司