مروری بر رویکردهای یادگیری ماشین و یادگیری عمیق در تشخیص هرزنامه : از مدلهای سنتی تا روشهای نوین

این مقاله به بررسی رویکردهای رایج برای طبقه بندی متن هرزنامه می پردازد. در ابتدا مقدمه ای بر دانش اولیه فیلتر کردن هرزنامه ها ارائه شد. پس از آن ، برخی از نتایج تحقیقات ارائه شده است . استفاده از تکنیک های یادگیری ماشین برای تشخیص فیشینگ یک زمینه به سرعت در حال تحول است که در سال های اخیر به دلیل پتانسیل آن برای غلبه بر محدودیت های روش های سنتی و بهبود دقت تشخیص ، توجه بسیاری را به خود جلب کرده است . در این تحقیق استراتژیهای مختلف ارسال کننده هرزنامه را که برای آلوده کردن ایمیل ها استفاده می شود، تجزیه و تحلیل می کنیم و تکنیک های پیشرفته را برای توسعه فیلتر های تشخیص بر اساس یادگیری ماشین بررسی می کنیم . در نهایت ، به طور تجربی پیامدهای نادیده گرفتن موضوع تغییر مجموعه داده به مرور زمان در این زمینه عملی را ارزیابی و ارائه می کنیم . نتایج تجربی نشان می دهد که این تغییر ممکن است منجر به تنزل شدید در عملکرد الگوریتم شود. این مقاله نشان می دهد که جهت آینده فیلتر هرزنامه با ید ترکیبی از تکنیک های یادگیری ماشین و تکنیک های یادگیری عمیق باشد. بااین حال ، نیاز به یک مرور سیستماتیک و جامع از وضعیت فعلی تحقیقات می تواند به شناسایی نقاط قوت و محدودیت هایتکنیک های مختلف یادگیری ماشین و یادگیری عمیق و اطلاع رسانی برای توسعه تحقیقات آینده کمک کند.

کلیدواژه ها:

فیلتر هرزنامه ، فیشینگ ، مجموعه داده ، یادگیری ماشین ، یادگیری عمیق .