
一、案例綜述
案例編號:102006
案例名稱:中英文垃圾短信過濾
作者姓名(或單位、或來源):朱江
案例所屬行業(yè):J631 電信
案例所用軟件:R
案例包含知識點:中英文文本數(shù)據(jù)處理 樸素貝葉斯分類
案例描述:
目前全球范圍內(nèi)手機已經(jīng)不成不可替代的生活必需品,而短信和微信成為人們?nèi)粘贤ǖ闹饕绞?,其中廣告商利用短信服務(wù)(SMS)文本信息,以潛在消費者為目標,給他們發(fā)送不需要的廣告信息。目前垃圾短信可以實現(xiàn)對固定區(qū)域內(nèi)特定手機號碼段的用戶群發(fā),并且手機號信息泄露極其嚴重。這些都導致手機用戶特別是老的手機用戶收到垃圾短信的頻率較高,故垃圾短信和正常短信的分類不管是對于運營商還是對于客戶來說都是較為有利的工具。
樸素貝葉斯已經(jīng)成功的用于垃圾郵件的過濾,所以它很有可能用于垃圾短信的過濾。然而,相對于垃圾郵件來說,垃圾短信的自動過濾有額外的挑戰(zhàn):由于短信文本數(shù)的限制,所以一條短信是否是垃圾信息的文本量減少了;短信的口語化導致文本可能極其不規(guī)整,尤其是中文文本,會帶來文本處理的難度;縮寫的形式在中英文文本中都較為普遍,而且中文文本中新興詞匯的使用,都會模糊合法信息和垃圾信息的界限。
本案例包含已經(jīng)添加好標簽的英文短信數(shù)據(jù)和中文短信數(shù)據(jù),英文數(shù)據(jù)有5559條,可以進行全數(shù)據(jù)處理,數(shù)據(jù)文件不是很大。而中文短信有80萬條的信息,信息量較大,在處理過程中會生成130多G的稀疏矩陣,遠超出R的內(nèi)存限制,且中文文本處理更為麻煩,故這里按照短信長度正常短信和垃圾短信分別取前1000條進行分類建模
本案例知識點沒有辦法細分,因為文本處理過程中生成的文本文件都比較大,會加大內(nèi)存消耗,且建模前的稀疏矩陣存儲讀取都需要轉(zhuǎn)格式較為繁瑣,故這里我們英文短信分類作為一個知識點,中文短信分類作為一個知識點。
本案例共包含兩個個知識點
1英文短信文本讀取、清洗、詞云、建模、評估
2中文短信文本讀取、清洗、詞云、建模、評估
案例執(zhí)行形式:
單人上機
二、案例知識點
知識點1:
知識點名稱:英文短信文本讀取、清洗、詞云、建模、評估
知識點所屬工作角色:文本處理 文本挖掘 詞云 樸素貝葉斯分類 分類模型評估
知識點背景:英文文本挖掘過程中常見的文本預(yù)處理,樸素貝葉斯屬于一種比較簡單的分類模型。
知識點描述:
涉及到英文文本處理中的去除無關(guān)字符、大小寫轉(zhuǎn)換、去除停用詞、去除空白、詞匯修剪(stem)
知識點關(guān)鍵詞:
文本處理 文本挖掘 詞云 樸素貝葉斯分類 分類模型評估
知識點所用軟件:
Rstudio
操作目的:
英文短信文本讀取、清洗、詞云、建模、評估
知識點素材(包括數(shù)據(jù)):
sms_spam.csv
操作步驟:
?讀取文件,將其中的type列轉(zhuǎn)化為因子
可見其中正常短信共有4812條,垃圾短信有747條。
?將所有的文本信息構(gòu)建成語料庫,并且打印出未經(jīng)處理的前十條信息
?構(gòu)建去除非子母類字符的函數(shù),用空格替換
?使用大寫變小寫、去除停用詞、去除多余空格以及上面構(gòu)建的函數(shù)轉(zhuǎn)換語料庫,并且觀察轉(zhuǎn)換后的前十條信息
?將原數(shù)據(jù)分為訓練集和測試集,其中訓練集占75%,測試集占25%。
?查看訓練集和測試集中垃圾信息占比是否近似
可見占比都在13%左右
?將語料庫同樣分為訓練集測試集,方便后面構(gòu)建文檔詞矩陣使用
?分別對所有訓練集,訓練集中垃圾信息,訓練集中正常信息創(chuàng)建詞云
所有訓練集信息的詞云:
訓練集中的垃圾信息的詞云:
訓練集中正常信息的詞云:
?篩選出現(xiàn)在大于等于5條短信中的詞,由訓練語料庫和測試語料庫生成文檔詞矩陣(稀疏矩陣),根據(jù)篩選出的詞篩選稀疏矩陣的列
將文檔詞矩陣中所有大于0的數(shù)字替換為“yes”,0替換為“no”,得到訓練矩陣train和測試矩陣test
?使用樸素貝葉斯對訓練矩陣建模,通過測試矩陣預(yù)測出分類,然后評估模型的性能
得到的結(jié)果中,正常短信中錯誤的將垃圾信息預(yù)測為正常信息的占比為12.7%,垃圾短信中錯誤的將正常信息預(yù)測為垃圾信息的占比為85%,可見模型性能一般,需要更多的初期工作,例如更多的數(shù)據(jù)采集,詞匯處理上更多的選擇等等
操作結(jié)果:
得到訓練集中不同類型短信的詞云;將測試集的短信分類。
知識點小結(jié):
本知識點顯示了英文文本清洗及轉(zhuǎn)換為文檔詞矩陣的全套流程,以及使用樸素貝葉斯進行分類和評估的全套流程。
知識點2:
知識點名稱:中文短信文本讀取、清洗、詞云、建模、評估
知識點所屬工作角色:
文本處理 文本挖掘 詞云 樸素貝葉斯分類 分類模型評估
知識點背景:
中文文本挖掘過程中常見的文本預(yù)處理,樸素貝葉斯屬于一種比較簡單的分類模型。
知識點描述
涉及到中文文本處理中的去除無關(guān)字符、去除停用詞、去除空白、分詞
知識點關(guān)鍵詞:
文本處理 文本挖掘 詞云 樸素貝葉斯分類 分類模型評估
知識點所用軟件:
Rstudio
操作目的:
中文短信文本讀取、清洗、詞云、建模、評估
知識點素材(包括數(shù)據(jù)):
sms_labelled.txt stop.txt
操作步驟:
操作步驟:
?讀取文件,用readLines按行讀取
?抽取每行文本中的標簽信息、短信信息、計算短信長度、合并成一個表格
可見其中第一列是標簽,0表示正常信息,1表示垃圾信息
?按文本長度由長到短排列所有信息,選取正常信息和垃圾信息中的前一千條
將標簽變量type0重新命名為“ham”和“spam”
訓練集中的垃圾信息的詞云:
訓練集中正常信息的詞云:
?篩選出現(xiàn)在大于等于5條短信中的詞,由訓練語料庫和測試語料庫生成文檔詞矩陣(稀疏矩陣),根據(jù)篩選出的詞篩選稀疏矩陣的列
將文檔詞矩陣中所有大于0的數(shù)字替換為“yes”,0替換為“no”,得到訓練矩陣train和測試矩陣test
?使用樸素貝葉斯對訓練矩陣建模,通過測試矩陣預(yù)測出分類,然后評估模型的性能
得到的結(jié)果中,雖然只有200條短信,正常短信中錯誤的將垃圾信息預(yù)測為正常信息的占比為25%,垃圾短信中錯誤的將正常信息預(yù)測為垃圾信息的占比為15.5%,可見模型性能較英文模型有了不錯的提升
操作結(jié)果:
得到訓練集中不同類型短信的詞云;將測試集的短信分類。
知識點小結(jié):
本知識點顯示了中文文本清洗及轉(zhuǎn)換為文檔詞矩陣的全套流程,以及使用樸素貝葉斯進行分類和評估的全套流程。
在詞云中觀察到有亂碼,可能是由于txt存儲類型不是UTF-8編碼,可以打開txt源文件另存為指定編碼來處理。
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
LSTM 模型輸入長度選擇技巧:提升序列建模效能的關(guān)鍵? 在循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)家族中,長短期記憶網(wǎng)絡(luò)(LSTM)憑借其解決長序列 ...
2025-07-11CDA 數(shù)據(jù)分析師報考條件詳解與準備指南? ? 在數(shù)據(jù)驅(qū)動決策的時代浪潮下,CDA 數(shù)據(jù)分析師認證愈發(fā)受到矚目,成為眾多有志投身數(shù) ...
2025-07-11數(shù)據(jù)透視表中兩列相乘合計的實用指南? 在數(shù)據(jù)分析的日常工作中,數(shù)據(jù)透視表憑借其強大的數(shù)據(jù)匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實施重大更新。 此次更新旨在確保認 ...
2025-07-10BI 大數(shù)據(jù)分析師:連接數(shù)據(jù)與業(yè)務(wù)的價值轉(zhuǎn)化者? ? 在大數(shù)據(jù)與商業(yè)智能(Business Intelligence,簡稱 BI)深度融合的時代,BI ...
2025-07-10SQL 在預(yù)測分析中的應(yīng)用:從數(shù)據(jù)查詢到趨勢預(yù)判? ? 在數(shù)據(jù)驅(qū)動決策的時代,預(yù)測分析作為挖掘數(shù)據(jù)潛在價值的核心手段,正被廣泛 ...
2025-07-10數(shù)據(jù)查詢結(jié)束后:分析師的收尾工作與價值深化? ? 在數(shù)據(jù)分析的全流程中,“query end”(查詢結(jié)束)并非工作的終點,而是將數(shù) ...
2025-07-10CDA 數(shù)據(jù)分析師考試:從報考到取證的全攻略? 在數(shù)字經(jīng)濟蓬勃發(fā)展的今天,數(shù)據(jù)分析師已成為各行業(yè)爭搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢性檢驗:捕捉數(shù)據(jù)背后的時間軌跡? 在數(shù)據(jù)分析的版圖中,單樣本趨勢性檢驗如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數(shù)據(jù)類型:時間維度的精準切片? ? 在數(shù)據(jù)的世界里,時間是最不可或缺的維度之一,而year_month數(shù)據(jù)類型就像一把精準 ...
2025-07-09CDA 備考干貨:Python 在數(shù)據(jù)分析中的核心應(yīng)用與實戰(zhàn)技巧? ? 在 CDA 數(shù)據(jù)分析師認證考試中,Python 作為數(shù)據(jù)處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗:數(shù)據(jù)趨勢與突變分析的有力工具? ? ? 在數(shù)據(jù)分析的廣袤領(lǐng)域中,準確捕捉數(shù)據(jù)的趨勢變化以及識別 ...
2025-07-08備戰(zhàn) CDA 數(shù)據(jù)分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數(shù)據(jù)分析師認證作為國內(nèi)權(quán)威的數(shù)據(jù)分析能力認證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應(yīng)對策略? 長短期記憶網(wǎng)絡(luò)(LSTM)作為循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)的一種變體,憑借獨特的門控機制,在 ...
2025-07-07統(tǒng)計學方法在市場調(diào)研數(shù)據(jù)中的深度應(yīng)用? 市場調(diào)研是企業(yè)洞察市場動態(tài)、了解消費者需求的重要途徑,而統(tǒng)計學方法則是市場調(diào)研數(shù) ...
2025-07-07CDA數(shù)據(jù)分析師證書考試全攻略? 在數(shù)字化浪潮席卷全球的當下,數(shù)據(jù)已成為企業(yè)決策、行業(yè)發(fā)展的核心驅(qū)動力,數(shù)據(jù)分析師也因此成為 ...
2025-07-07剖析 CDA 數(shù)據(jù)分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數(shù)據(jù)分析師考試作為衡量數(shù)據(jù)專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉(zhuǎn)日期:解鎖數(shù)據(jù)處理的關(guān)鍵技能? 在數(shù)據(jù)處理與分析工作中,數(shù)據(jù)格式的規(guī)范性是保證后續(xù)分析準確性的基礎(chǔ) ...
2025-07-04CDA 數(shù)據(jù)分析師視角:從數(shù)據(jù)迷霧中探尋商業(yè)真相? 在數(shù)字化浪潮席卷全球的今天,數(shù)據(jù)已成為企業(yè)決策的核心驅(qū)動力,CDA(Certifie ...
2025-07-04CDA 數(shù)據(jù)分析師:開啟數(shù)據(jù)職業(yè)發(fā)展新征程? ? 在數(shù)據(jù)成為核心生產(chǎn)要素的今天,數(shù)據(jù)分析師的職業(yè)價值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03