许可证: mit 数据集:

• mshenoda/spam-messages 管道标签: 文本分类 小部件:
• 文本: >- 你有位神秘爱慕者。揭秘TA是谁——拨打09065174042。退订回复REVEAL STOP。每条信息收费1.50英镑。 示例标题: 垃圾邮件示例1
• 文本: >- 嘿，这周六我们只去体验普拉提入门课吗？还是也参加拳击课？ 示例标题: 正常邮件示例1
• 文本: >- 重磅好消息！立即拨打免费电话08006344447领取1000美元现金或2000美元礼品券。现在就有真人客服为您服务！ 示例标题: 垃圾邮件示例2
• 文本: 兄弟我不再是双鱼座了，现在我是水瓶座。 示例标题: 正常邮件示例2 语言:
• en

基于RoBERTa的垃圾信息检测系统

垃圾信息常携带恶意链接或钓鱼企图，对机构及其用户构成重大威胁。选择我们基于RoBERTa的垃圾信息检测系统，机构可显著提升安全防护能力。本系统能高效识别并过滤垃圾信息，为机构建立额外安全屏障，避免潜在财务损失、法律风险及声誉损害。

模型使用反馈

您的意见对我们持续优化模型至关重要。

性能指标

损失值	准确率(0.9906)	精确率(0.9971)/召回率(0.9934)	混淆矩阵
训练/验证	验证	验证	测试集

模型输出

• 0代表正常邮件
• 1代表垃圾邮件

数据集

https://huggingface.co/datasets/mshenoda/spam-messages

本数据集整合了三个来源的标注信息（正常/垃圾）：

1. SMS垃圾邮件合集 https://www.kaggle.com/datasets/uciml/sms-spam-collection-dataset
2. Telegram垃圾与正常消息 https://huggingface.co/datasets/thehamkercat/telegram-spam-ham/tree/main
3. 安然公司垃圾邮件（仅使用消息列和标签）https://huggingface.co/datasets/SetFit/enron_spam/tree/main

安然数据集预处理脚本：https://github.com/mshenoda/roberta-spam/tree/main/data/enron 数据按80%训练集、10%验证集、10%测试集划分，合并脚本详见：https://github.com/mshenoda/roberta-spam/tree/main/data/utils

数据集类别分布

训练集80%	验证集10%	测试集10%
类别分布	类别分布	类别分布

模型架构

本模型基于RoBERTa-base微调：

• 原模型：https://huggingface.co/roberta-base
• 论文：https://arxiv.org/abs/1907.11692

代码仓库

https://github.com/mshenoda/roberta-spam