一、引子

现在的很多手机管理软件都有垃圾短信拦截的功能，很智能很贴心是不是
嗯~ o(￣▽￣)o
对于经常被垃圾短信骚扰的人来说，很是有用。(๑•̀ㅂ•́)و✧
但是很多的拦截软件在拦截到垃圾短信之后……又发个通知提示拦截到了垃圾短信╮（﹀_﹀）╭
好奇心害死猫，你告诉了我你拦截到了垃圾短信，我当然想知道你拦截的是什么垃圾短信了╮（╯＿╰）╭ 

二、分类与垃圾短信识别

机器学习按性质来看，可以分为三大类：

• 分类(监督)

• 回归(监督)

• 聚类(半监督)
  垃圾短信通常用已标记的短信数据，对未知的短信进行判断，其属于机器学习中的分类性质。
  在Python中有很多机器学习的模块，比如Sklearn、Tensorflow、Caffe等，可以很方便地调用一些机器学习的算法。 

三、垃圾短信识别

嗯，直接上手干……(￣_,￣ )
80w训练数据集和20w测试数据集均来源于github上的一位小哥哥，在此谢过d=====(￣▽￣*)b 

1、数据处理

嗯，先看看数据长啥样：

import pandas as pd
data = pd.read_csv(r"H:\RubbishMessage\data\80w.txt",encoding='utf-8',sep='    ',header=None)
data.head()

最后一列为短信的内容，倒数第二列则是短信的类型，0表示正常短信，1表示垃圾短信。
然后，我们对短信内容按照不同的类型（正常短信和垃圾短信）进行分割和分词：

# 垃圾短信import jieba
spam = data[data[1] == 1]
spam[2] = spam[2].map(lambda x:' '.join(jieba.cut(x)))
spam.head()
# 正常短信
normal = data[data[1] == 0]
normal[2] = normal[2].map(lambda x:' '.join(jieba.cut(x)))
normal.head()

分别将不同类型分词后的短信保存为不同的文件：

spam.to_csv('soam.csv',encoding='utf-8',header=False,index=False,columns=[2])
normal.to_csv('normal.csv',encoding='utf-8',header=False,index=False,columns=[2])

2、模型选择和训练

在此我们没有选择Sklearn或是其他的深度学习库，而是选用NLTK自然语言处理库来进行贝叶斯分类。
导入模块：

import nltk.classify.util
from nltk.classify import NaiveBayesClassifier
from nltk.corpus import PlaintextCorpusReaderimport random

加载刚刚导出的短信文件：

加载短信语料库
message_corpus = PlaintextCorpusReader('./',['soam.csv','normal.csv'])
all_message = message_corpus.words()

定义一个特征函数，用于生成特征：

def massage_feature(word,num_letter=1):
    return {'feature':word[-num_letter:]}

对短信特征进行标记提取：

labels_name = ([(massage,'垃圾') for massage in message_corpus.words('soam.csv')]+[(massage,'正常') for massage in message_corpus.words('normal.csv')])
random.seed(7)
random.shuffle(labels_name)

训练并预测模型

from nltk.classify import accuracy as nltk_accuracy
featuresets = [(massage_feature(n),massage) for (n,massage) in labels_name]
train_set,test_set = featuresets[2000:],featuresets[:2000]
classifier = NaiveBayesClassifier.train(train_set)

最后，咱们看看预测的准确率怎么样：

print('结果准确率：',str(100*nltk_accuracy(classifier,test_set))+str('%'))