99999久久久久久亚洲,欧美人与禽猛交狂配,高清日韩av在线影院,一个人在线高清免费观看,啦啦啦在线视频免费观看www

熱線電話:13121318867

登錄
首頁案例分享中英文垃圾短信過濾
中英文垃圾短信過濾
2021-03-08
收藏


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”

?去除每條短信中的非中文字符

?使用結(jié)巴分詞進行分詞,去除停用詞

?去掉長度小于等于1的詞

?將短信向量轉(zhuǎn)化為語料庫,并且去掉常見詞“我們”

得到的前十條信息如下:

?將語料庫分為訓練語料庫和測試語料庫,其中訓練集占90%,測試集占10%。

?分別對所有訓練語料庫,訓練語料庫中垃圾信息,訓練語料庫中正常信息創(chuàng)建詞云
訓練語料庫所有信息的詞云:




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,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

數(shù)據(jù)分析師資訊
更多

OK
客服在線
立即咨詢
客服在線
立即咨詢
') } function initGt() { var handler = function (captchaObj) { captchaObj.appendTo('#captcha'); captchaObj.onReady(function () { $("#wait").hide(); }).onSuccess(function(){ $('.getcheckcode').removeClass('dis'); $('.getcheckcode').trigger('click'); }); window.captchaObj = captchaObj; }; $('#captcha').show(); $.ajax({ url: "/login/gtstart?t=" + (new Date()).getTime(), // 加隨機數(shù)防止緩存 type: "get", dataType: "json", success: function (data) { $('#text').hide(); $('#wait').show(); // 調(diào)用 initGeetest 進行初始化 // 參數(shù)1:配置參數(shù) // 參數(shù)2:回調(diào),回調(diào)的第一個參數(shù)驗證碼對象,之后可以使用它調(diào)用相應(yīng)的接口 initGeetest({ // 以下 4 個配置參數(shù)為必須,不能缺少 gt: data.gt, challenge: data.challenge, offline: !data.success, // 表示用戶后臺檢測極驗服務(wù)器是否宕機 new_captcha: data.new_captcha, // 用于宕機時表示是新驗證碼的宕機 product: "float", // 產(chǎn)品形式,包括:float,popup width: "280px", https: true // 更多配置參數(shù)說明請參見:http://docs.geetest.com/install/client/web-front/ }, handler); } }); } function codeCutdown() { if(_wait == 0){ //倒計時完成 $(".getcheckcode").removeClass('dis').html("重新獲取"); }else{ $(".getcheckcode").addClass('dis').html("重新獲取("+_wait+"s)"); _wait--; setTimeout(function () { codeCutdown(); },1000); } } function inputValidate(ele,telInput) { var oInput = ele; var inputVal = oInput.val(); var oType = ele.attr('data-type'); var oEtag = $('#etag').val(); var oErr = oInput.closest('.form_box').next('.err_txt'); var empTxt = '請輸入'+oInput.attr('placeholder')+'!'; var errTxt = '請輸入正確的'+oInput.attr('placeholder')+'!'; var pattern; if(inputVal==""){ if(!telInput){ errFun(oErr,empTxt); } return false; }else { switch (oType){ case 'login_mobile': pattern = /^1[3456789]\d{9}$/; if(inputVal.length==11) { $.ajax({ url: '/login/checkmobile', type: "post", dataType: "json", data: { mobile: inputVal, etag: oEtag, page_ur: window.location.href, page_referer: document.referrer }, success: function (data) { } }); } break; case 'login_yzm': pattern = /^\d{6}$/; break; } if(oType=='login_mobile'){ } if(!!validateFun(pattern,inputVal)){ errFun(oErr,'') if(telInput){ $('.getcheckcode').removeClass('dis'); } }else { if(!telInput) { errFun(oErr, errTxt); }else { $('.getcheckcode').addClass('dis'); } return false; } } return true; } function errFun(obj,msg) { obj.html(msg); if(msg==''){ $('.login_submit').removeClass('dis'); }else { $('.login_submit').addClass('dis'); } } function validateFun(pat,val) { return pat.test(val); }