本文介绍了一个基于机器学习文本分类器的新技术管道，并应用于公共垃圾邮件语料库中，优化参数选择和改善预处理阶段中特定方法的模型表现，评估了不同评估指标，如精确度，召回率等，最终发现可在 Enron 数据集上实现 94％的 F-Score，得出关键词包括自然语言处理、垃圾邮件过滤。

Apr, 2022

提出了利用自然语言处理和机器学习模型（特别是 BERT）进行短信垃圾检测和分类的方法，结果显示使用朴素贝叶斯分类器 + BERT 模型在测试数据集上实现了最高 97.31% 的准确率和最快 0.3 秒的执行时间，从而在短信垃圾检测效率和误报率方面有显著的改进。该模型为对抗短信垃圾提供了有价值的解决方案，不仅保护了用户的隐私，还帮助网络提供商有效识别和屏蔽短信垃圾消息。

Jun, 2024

基于主题的方法用于将垃圾邮件分类为多个类别，作者提出了两个新数据集，对其进行了标记，并评估了不同特征表示技术和分类器的性能。实验结果表明，英语数据集的最佳性能来自使用 TF-IDF 和逻辑回归，而西班牙语数据集的最佳性能来自使用 TF-IDF 和朴素贝叶斯。

Feb, 2024

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

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。

Apr, 2022

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

本研究提出一种新方法将机器学习与消息传递算法相结合，采用主动学习方式进行标签采样，用于判别评论者是垃圾评论者还是正常评论者，并在三大真实数据集中进行实验，证明其在机器学习方法和标签数据较少情况下性能优越。

May, 2022

对于最近提出的使用朴素贝叶斯分类器对垃圾邮件进行过滤的方法进行了彻底评估。该研究发现，在考虑属性集大小、训练语料库大小、词形还原和停用词等因素对分类器的性能产生的影响后，需要更多的安全措施才能使得朴素贝叶斯反垃圾邮件过滤器在实践中可行。

Jun, 2000

此研究提出提取并选择电子邮件数据集的特征，利用多类和单类异常检测方法可靠地检测垃圾邮件和网络钓鱼，其中只利用电子邮件头信息即可实现高达 97％和 99％的准确度评分。

Mar, 2022

使用机器学习模型对 URL 进行分类，研究发现 bagging 方法在垃圾邮件识别方面具有 96.5% 的准确率。

Sep, 2023