7、使用遗传算法优化LSTM模型进行垃圾短信检测

使用遗传算法优化LSTM模型进行垃圾短信检测

1. 引言

随着技术的发展，短信服务（SMS）的使用日益广泛。然而，这也给一些人提供了机会，他们通过向消费者发送垃圾短信来利用这项服务。垃圾短信不仅使人们难以接收重要信息，还对个人隐私构成威胁。

在亚洲，2012年约20 - 30%的短信被报告为垃圾短信；2008年，中国手机用户一周内收到约20000亿条垃圾短信；2011年，尽管北美每人每天收到的垃圾短信量仅约0.1%，但美国仍有44%的手机用户在调查中确认曾是垃圾短信的受害者。

为了减少垃圾短信对手机用户的影响，研究人员提出了多种方法，包括机器学习分类算法（如支持向量机、决策树等）和自然语言处理（NLP）技术。深度学习的发展也使得卷积神经网络（CNN）、循环神经网络（RNN）和长短期记忆网络（LSTM）等技术被用于垃圾短信检测，并取得了令人满意的结果。

不过，神经网络通常有大量的超参数，这些超参数决定了网络的拓扑结构和计算能力。选择合适的超参数通常通过试错法，但这种方法计算成本高且耗时。近年来，进化算法被用于自动寻找最优的神经架构，遗传算法就是其中一种，它可以模拟生物的遗传机制，如遗传、交叉、变异和选择，以找到最优的参数配置。

2. 相关工作

• Gupta等人的研究 ：使用多个数据集对八种常用的机器学习分类器进行比较，包括支持向量机（SVM）、朴素贝叶斯、决策树、逻辑回归、随机森林、AdaBoost、人工神经网络（ANN）和卷积神经网络（CNN）。使用四个性能指标（准确率、精确率、召回率和CAP曲线）进行评估，结果表明CNN在两个数据集上的准确率最高。
<