Roberta Spam

🚀 基於RoBERTa的垃圾消息檢測

垃圾消息常常包含惡意鏈接或釣魚攻擊，對企業及其用戶構成重大威脅。選擇我們基於RoBERTa的垃圾消息檢測系統，企業能夠顯著增強其安全防護體系。該系統可有效檢測並過濾垃圾消息，為企業增添一層安全保障，避免潛在的財務損失、法律風險和聲譽損害。

🚀 快速開始

本系統可助力企業快速提升安全防護能力，有效抵禦垃圾消息的威脅。

✨ 主要特性

• 基於RoBERTa模型，具備強大的垃圾消息檢測能力。
• 有效過濾垃圾消息，為企業和用戶提供安全保障。
• 提升企業安全基礎設施，避免潛在的損失和危害。

📚 詳細文檔

評估指標

損失	準確率(0.9906)	精確率(0.9971) / 召回率(0.9934)	混淆矩陣
訓練 / 驗證	驗證	驗證	測試集

模型輸出

• 0 表示正常消息
• 1 表示垃圾消息

數據集

數據集鏈接：https://huggingface.co/datasets/mshenoda/spam-messages

該數據集由標記為正常或垃圾的消息組成，合併了三個數據源：

1. SMS Spam Collection https://www.kaggle.com/datasets/uciml/sms-spam-collection-dataset
2. Telegram Spam Ham https://huggingface.co/datasets/thehamkercat/telegram-spam-ham/tree/main
3. Enron Spam: https://huggingface.co/datasets/SetFit/enron_spam/tree/main （僅使用消息列和標籤）

Enron數據的預處理腳本可在 https://github.com/mshenoda/roberta-spam/tree/main/data/enron 找到。 數據按80%訓練集、10%驗證集和10%測試集進行劃分，劃分和合並三個數據源的腳本可在：https://github.com/mshenoda/roberta-spam/tree/main/data/utils 找到。

數據集類別分佈

訓練集(80%)	驗證集(10%)	測試集(10%)
類別分佈	類別分佈	類別分佈

模型架構

該模型是經過微調的RoBERTa。

roberta-base: https://huggingface.co/roberta-base

論文: https://arxiv.org/abs/1907.11692

代碼

代碼鏈接：https://github.com/mshenoda/roberta-spam

📄 許可證

本項目採用MIT許可證。

反饋建議

如果您覺得這個模型有用，您的反饋非常重要，它將有助於保持模型的相關性。