李 根, 王科峰, 贲卫国, 宋 微, 刘鸿儒, 徐亦晋

(1. 中国联通网络通信集团有限公司 吉林省分公司, 长春 130021； 2. 吉林大学 计算机科学与技术学院, 长春 130012)

0 引 言

垃圾短信是指内容违反相关规定或其内容引起用户反感的短信, 例如金融欺诈、 违法营销、 诅咒威胁和反动言论等。垃圾短信发送者会在内容上尽一切可能伪装混淆, 常见的伪装手段包括： 同型字替换、 同音字替换、 组合字替换、 拆解字替换、 乱序替换和暗语替换等多种方式, 使其在保持一定的可读性的同时不被过滤系统识别。

常见的垃圾短信识别方法有两种[1], 分别为基于关键字规则的方法和基于短信内容的方法。基于关键字规则的识别方法需要人工录入关键字和规则, 效率低下且识别效果差, 更无法及时应对垃圾短信发送者的故意伪装混淆。目前主流的识别技术是基于短信内容的方法, 主要是指通过机器学习算法对短信内容的特征进行分类, 典型的方法如黄文明等[2]提出的文本加权KNN(K-Nearest Neighbor)算法, 赖文辉等[3]采用的词向量卷机神经网络方法, 以及朴素贝叶斯、 逻辑回归、 支持向量机和随机森林等方法[4-5], 这些方法对已知相似样本效果较好, 但对垃圾短信的变种, 即人为故意伪装混淆后的垃圾短信, 识别效果并不理想[6]。

导致这种问题的原因是传统的文本分类算法将样本预先分为几个簇, 并训练形成识别模型, 当垃圾短信被人工伪装混淆后, 如采用拼接字法、 同音相似字法等, 造成原有特征缺失, 识别模型的效果会急剧下降。……