如何使用詞向量和卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行垃圾短信識(shí)別的方法介紹

　　對(duì)垃圾短信進(jìn)行過濾識(shí)別研究具有重要的社會(huì)價(jià)值和時(shí)代背景意義。針對(duì)傳統(tǒng)的人工設(shè)計(jì)短信特征選擇方法中存在數(shù)據(jù)稀疏、特征信息共現(xiàn)不足和特征提取困難的問題，提出一種基于詞向量和卷積神經(jīng)網(wǎng)絡(luò)（ CNN）的垃圾短信識(shí)別方法。首先，使用word2vec的skip-gram模型根據(jù)維基中文語(yǔ)料庫(kù)訓(xùn)練出短信數(shù)據(jù)集中每個(gè)詞的詞向量，并將每條短信中各個(gè)詞組所對(duì)應(yīng)的詞向量組成表示短信的二維特征矩陣；然后，把特征矩陣作為卷積神經(jīng)網(wǎng)絡(luò)的輸入，通過卷積層的不同尺度卷積核提取多尺度短信特征，以及利用l-max pooling池化策略得到局部最優(yōu)特征；最后，將局部最優(yōu)特征組成融合特征向量放入softmax分類器中得出分類結(jié)果。在10萬條短信數(shù)據(jù)上進(jìn)行的實(shí)驗(yàn)結(jié)果表明，在特征提取方式相同的情況下，基于卷積神經(jīng)網(wǎng)絡(luò)模型的識(shí)別準(zhǔn)確率能夠達(dá)到99.5%，比傳統(tǒng)的機(jī)器學(xué)習(xí)模型提高了2. 4%~5.1%，且各模型的識(shí)別準(zhǔn)確率均保持在94%以上。

　　近年來，隨著通信技術(shù)的不斷進(jìn)步，我國(guó)使用手機(jī)的用戶數(shù)量日益增多，短信成為一種方便的信息傳遞渠道。然而，短信在使人們的日常生活變得更加方便的同時(shí)，垃圾短信的泛濫也越來越嚴(yán)重，嚴(yán)重干擾了人們的生活，成為了危害社會(huì)公共安全的一大公害。360互聯(lián)網(wǎng)安全中心于2017年2月發(fā)布的《2016年中國(guó)互聯(lián)網(wǎng)安全報(bào)告》顯示，360手機(jī)衛(wèi)士在2016年內(nèi)為全國(guó)手機(jī)用戶共攔截約173.5億條垃圾短信。絕大多數(shù)垃圾短信的內(nèi)容都是廣告推銷或者影響社會(huì)穩(wěn)定團(tuán)結(jié)的謠言、詐騙等。工業(yè)和信息化部于2015年6月頒布施行的《通信短信息服務(wù)管理規(guī)定》，其中規(guī)定任何短信服務(wù)提供商和短信內(nèi)容發(fā)送者在未經(jīng)用戶同意的情況下，都不得向用戶發(fā)送商業(yè)性的信息。因此垃圾短信成為當(dāng)前一個(gè)重要的社會(huì)問題，有效識(shí)別垃圾短信對(duì)維護(hù)國(guó)家安全、社會(huì)穩(wěn)定和人們正常生活具有重要的時(shí)代背景意義。