Apr, 2022

使用分层注意力混合深度学习方法进行电子邮件垃圾邮件检测

PDF
TL;DR本文提出了一种新的基于一种结合了卷积神经网络、带门循环单元和注意机制的技术的邮件垃圾邮件检测方法，该方法利用卷积层逐层提取意义深刻、抽象且具有泛化性的特征，同时包含跨数据集评估。经过交叉数据集评估，本方法优于现有基于注意机制的技术，实现了更灵活的接受域大小的使用。
emailspam detectionconvolutional neural networksgated recurrent unitscross-dataset evaluation
发现论文，激发创造
  • 层次化的注意力混合神经网络用于文档分类

    本文提出了一种基于卷积神经网络、门控递归单元和注意机制的组合方法，用于文档分类任务，并通过层次结构表示提取了更有意义、更可泛化和抽象的特征，改善了当前基于注意力机制的文档分类方法的结果。

    Jan, 2019

  • 一种迟来的多模融合模型用于检测混合垃圾邮件

    提出了一种新的基于多模融合的文本和图像的混合垃圾邮件过滤系统，该系统利用卷积神经网络 (CNN) 和连续的词袋模型提取图像和文本部分的特征，并使用机器学习分类器来判断垃圾邮件。

    Oct, 2022

  • 使用深度学习进行垃圾评论检测

    本文介绍了利用深度学习方法来检测虚假的评论，并提出了使用多层感知器（MLP）、卷积神经网络（CNN）和长短时记忆（LSTM）的变体等方法，同时也应用了传统的机器学习分类器，如朴素贝叶斯（NB）、K 近邻（KNN）和支持向量机（SVM），并对两种不同分类器的性能进行了比较。

    Nov, 2022

  • 使用 spaCy 构建有效的电子邮件垃圾邮件分类模型

    本研究使用 spaCy 自然语言处理库和三种机器学习算法，其中包括朴素贝叶斯（ Naive Bayes）、决策树 C45 和多层感知器（MLP），来检测从 Gmail 服务中收集的垃圾邮件，并发现多层感知器（MLP）算法的准确率达到了 96％。

    Mar, 2023

  • 利用深度神经学习器对生成的电子邮件进行连贯性建模

    使用层次化深度神经模型生成有结构的邮件以应对基于高级机器学习和自然语言技术的社交攻击的检测问题。

    Jul, 2020

  • 个人邮件搜索中的分离和关注

    本文为了在个人邮件搜索排名中有效地结合稀疏和密集的邮件特征，提出了一种新的神经模型 SepAttn，该模型首先构建了两个独立的神经模型，然后在预测级别应用注意机制，从这两个模型中推导出最终的预测，实验证明，我们的 SepAttn 模型在大规模电子邮件搜索数据集上始终提高了搜索质量。

    Nov, 2019

  • 从用户和产品级别信息中学习评论表示以进行垃圾邮件检测

    提出一种用于自动学习用户和产品层次的评论语义的 HFAN 方法，包括设计多重注意单元以提取用户（产品）相关评论信息、使用正交分解和融合注意力从评论信息中学习用户、评论和产品表示以及将评论作为用户和产品实体之间的关系并将其编码为评论表示。实验结果表明此方法在四个真实数据集上表现优于现有方法。

    Sep, 2019

  • 基于图卷积网络的垃圾评论检测

    本研究提出了一种基于图卷积神经网络（GCN）的大规模反垃圾邮件方法来检测垃圾广告，名为 GCN-based Anti-Spam（GAS）模型。该模型整合了异构图和同构图以捕获评论的局部和全局上下文，在离线实验和在线性能的表现上均优于基线模型，并解决了闲鱼反垃圾邮件系统面临的数据规模和垃圾邮件挑战。

    Aug, 2019

  • 将电子邮件分类为人类与机器类别

    该研究提出利用深度学习模型对电子邮件按主题分类，使用四个 CNN 模型来提高模型性能和精确度，进而将模型应用于 Yahoo 邮件系统中。

    Dec, 2021

  • 利用 BERT 模型的迁移学习进行通用垃圾邮件检测

    本文利用预训练的 Google 的 Bidirectional Encoder Representations from Transformers (BERT) 基础未大写模型，基于自我注意机制，并通过四个数据集高效分类垃圾邮件和非垃圾邮件，训练了一种通用的垃圾邮件检测模型，并取得了不错的性能。

    Feb, 2022