A Study on Analysis of SMS Classification Using Document Frequency Thresold

Parimala, R.; Nallaswamy, R.

doi:10.5815/ijieeb.2012.01.06

Cited by 6 publications

(3 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The feasibility analysis of two algorithms, namely, Bayesian learning and SVM for email spam filtering, is performed by Yadav et al [20]. A number of other email and SMS spam identification methods using various feature extraction and machine learning algorithms are also present in a number of recent works [21–24]. A popular topic modelling technique, namely LDA, is used to extract latent features arising from mobile SMS communication for identifying the user interest [25].…”

Section: Related Workmentioning

confidence: 99%

See 1 more Smart Citation

SMS spam filtering and thread identification using bi-level text classification and clustering techniques

Nagwani

Sharaff

2016

Journal of Information Science

View full text Add to dashboard Cite

SMS spam detection is an important task where spam SMS messages are identified and filtered. As greater numbers of SMS messages are communicated every day, it is very difficult for a user to remember and correlate the newer SMS messages received in context to previously received SMS. SMS threads provide a solution to this problem. In this work the problem of SMS spam detection and thread identification is discussed and a state of the art clustering-based algorithm is presented. The work is planned in two stages. In the first stage the binary classification technique is applied to categorize SMS messages into two categories namely, spam and non-spam SMS; then, in the second stage, SMS clusters are created for non-spam SMS messages using non-negative matrix factorization and K-means clustering techniques. A threading-based similarity feature, that is, time between consecutive communications, is described for the identification of SMS threads, and the impact of the time threshold in thread identification is also analysed experimentally. Performance parameters like accuracy, precision, recall and F-measure are also evaluated. The SMS threads identified in this proposed work can be used in applications like SMS thread summarization, SMS folder classification and other SMS management-related tasks.

show abstract

Section: Related Workmentioning

confidence: 99%

“…Categorization of SMS into spam and non-spam can be performed, which can help users to get rid of unwanted spam messages, for example, unwanted advertisements related to credit card approval opportunities of banks, fake lottery win messages and other advertisement notifications [3–7, 23].…”

Section: Practical Implicationsmentioning

confidence: 99%

SMS spam filtering and thread identification using bi-level text classification and clustering techniques

Nagwani

Sharaff

2016

Journal of Information Science

View full text Add to dashboard Cite

show abstract

“…Ghayda ve Hind [8] vektör uzay modeli ve TF-IDF tekniğini temel alarak kısa mesajları önceden belirlenmiş kategoriler (durumlar, tebrik, arkadaşlık ve satış) altında sınıflandırmışlardır. Parimala [9] yaptığı çalışmada doküman frekans eşik değerini ve Destek Vektör Makinelerini kullanarak sınıflandırma işlemini gerçekleştirmiştir. Deng vd.…”

Section: Introductionunclassified

Türkçe Kısa Mesajları Sınıflandıran Çok Katmanlı Süzgeçleme Mimarisi ve Akıllı SMS Kutusu

Bestil

Güvensan

2019

International Journal of Advances in Engineering and Pure Sciences

View full text Add to dashboard Cite

Kısa mesaj servisi en yaygın kullanılan iletişim kanallarından biridir. Kişisel, reklam, promosyon, etkinlik bildirimi, satış onaylama vb. birçok farklı amaç için kullanılan kısa mesajların sayısının her geçen gün artması takip edilebilirliklerini ve aranan mesajın mesaj kutusunda hızlıca bulunmasını zorlaştırmaktadır. Öte yandan istenmeyen mesajların mesaj kutusunu doldurması ve mesaj kirliliği yaratması bir diğer önemli problemdir. Bu çalışmada Türkçe Kısa Mesajları sınıflandırmak ve akıllı bir SMS kutusu oluşturmak amacıyla Çok Katmanlı Süzgeçleme Mimarisi önerilmiştir. Ayrıca bu mimari bir Android uygulaması üzerinde gerçeklenmiştir. Bu mimari yardımı ile telefona ulaşan mesajlar kişisel, ticari, otp kodları, hatırlatıcı ve istenmeyen adı altında 5 farklı kategoriye ayrılmaktadır. Önerilen mimari Kara Liste, Regex, Makine öğrenmesi ve Beyaz Liste süzgeçlerinden oluşmaktadır. Makine öğrenmesi süzgecinde Naive Bayes, Bayes Net, J48 ve Random Forest algoritmalarının performansları incelenmiştir ve Random Forest %87'lik başarısı nedeniyle uygulamada tercih edilmiştir. Önerilen çok katmanlı yapı sayesinde mesaj sınıflandırma süresi azaltılırken sınıflandırma başarısı %93'e yükseltilmiştir. Ayrıca başarının yükseltilmesinde seçilen özellikler ve Zemberek kütüphanesinin kullanımı ile kelimelerin türlerinin ve köklerinin elde edilmesi önemli rol oynamıştır.

show abstract