摘要：垃圾短信已日益成为影响人们日常生活的严重问题，由于短信属于短文本，长度较短，特征稀疏，尤其是垃圾短信为逃避过滤机制，其结构和内容常常不规范，所以传统的文本特征提取方法并不能完全适用于短信分类。从短信的结构及语义两个角度提取特征项，并建立语义特征词表，采用基于多特征融合的方法来向量化表示短信文本。针对短信数据集中存在的噪声及数据不平衡问题，分别比较了NB、SVM、DT、LR、MLP、RF分类器的性能差别。实验表明，采用RF分类算法，能有效减弱噪声干扰及数据不平衡性所带来的影响。通过在CCF2015中国好创意竞赛题目“垃圾短信基于文本内容识别”所提供的数据集上进行验证，取得了很好的效果。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
