2、德拉维达语垃圾短信分类中手工特征的评估

德拉维达语垃圾短信分类中手工特征的评估

在当今数字化时代，虚假信息传播愈发猖獗，垃圾短信成为了人们日常生活中的一大困扰。这些垃圾短信不仅会干扰人们的正常生活，还可能导致用户遭受经济损失。因此，如何有效地识别和过滤垃圾短信成为了一个重要的研究课题。本文将探讨一种针对德拉维达语（如泰米尔语、卡纳达语、泰卢固语和马拉雅拉姆语）垃圾短信分类的方法，通过提取重要的手工特征并使用机器学习算法进行分类。

1. 研究背景

随着互联网服务的普及，数字使用范围不断扩大。然而，一些不法分子利用这一机会，向用户发送欺诈性的短信或电子邮件。用户在购买产品、提供反馈或在社交媒体上分享个人信息时，个人信息可能会被黑客获取，从而收到各种垃圾短信。这些短信可能包含链接，诱导用户点击并分享个人隐私信息，导致银行账户被盗刷等严重后果。

据统计，新冠疫情之后，垃圾短信的数量增加了 11%，用户对垃圾短信的投诉增加了 146%。目前，大多数垃圾短信过滤技术仅适用于英语文本，而黑客为了获取用户的信任，会使用地区语言发送短信。因此，有必要开发一种适用于非英语语言的垃圾短信过滤技术。

2. 相关研究

目前，短信垃圾检测方法主要分为基于特征工程和基于分类的方法。
- 基于特征工程的垃圾检测 ：许多研究利用自然语言处理（NLP）技术提取有价值的特征。例如，Agarwal 等人使用 TF-IDF 等方法从印度英语垃圾短信中提取特征；Shashank 等人使用 RNN 开发了多语言短信垃圾检测模型，在多语言组合数据集上取得了 96.8% 的准确率。
- 预训练模型的多语言垃圾检测 ：一些研究使用预