.png){kind=icon}
返回
Doing sentiment analysis task using BERT NasNet-mobile optimized by improved multi-verse optimizer
.png){kind=icon}
PRE
AI
DOI：10.1063/5.0296192.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
识别垃圾信息对于确保在线平台（如Twitter和Reddit）的可靠性至关重要，因为这些平台可能被垃圾信息发送者利用来传播有害内容。本研究提出了一种增强型垃圾信息检测模型，该模型集成了NasNet-Mobile与改进的多宇宙优化器（IMVO）。该网络通过彻底的预处理方法（如分词、词干提取和停用词移除）得到加强，以提高数据质量并增强分类精度。建议的模型已使用Reddit垃圾信息数据集和Twitter垃圾信息数据集进行评估，重点关注准确率、精确率、召回率和F1分数等指标。结果表明，NasNet-Mobile/IMVO + Pre模型在准确率（97.95%）、精确率（97.67%）、召回率（97.82%）和F1分数（97.74%）上超越了其他传统方法，包括GRU、BiLSTM和CNN。这些指标强调了预处理步骤和优化在实现高效垃圾信息检测中的重要性。通过平衡全局和局部搜索，IMVO有助于模型避免局部最优并提高泛化能力。结果表明，结合最先进的优化算法与神经网络模型对于有效解决现实世界的垃圾信息问题具有重要意义。本工作的主要贡献在于结合了IMVO，这是一种混合方法，独特地考虑了传统垃圾信息检测的缺陷。其贡献包括：（1）一种新颖的预处理流水线，涉及分词、词干提取和停用词移除，以提高数据质量；（2）首次应用IMVO优化NasNet-Mobile架构，以纠正局部最优中的非最优性并跨数据集泛化；（3）在Twitter和Reddit数据集上的实验验证，确立了与GRU、BiLSTM和CNN基线相比的最先进结果。本研究通过将高级优化应用于深度学习模型，推动了垃圾信息检测的发展，使其在实际应用中更有效。
Keyword:
SPAM DETECTION
EMAIL SPAM
ALGORITHM
MODEL
期刊
IF:
1.4
论文数:
1.3K
被引数:
2.2W
机构
引用论文
A study on real-time low-quality content detection on Twitter from the users’ perspective.png)
PLOS ONE
OAAI
PLOS ONEIF0
OAAI分享收藏ENHANCING EMAIL SPAM DETECTION THROUGH ENSEMBLE MACHINE LEARNING: A COMPREHENSIVE EVALUATION OF MODEL INTEGRATION AND PERFORMANCE通过集成机器学习增强电子邮件垃圾邮件检测：对模型集成和性能的全面评估
PREAI
分享收藏Gastric cancer detection using a hybrid version of gated recurrent unit network and adjusted tyrannosaurus optimization algorithm使用门控循环单元网络和调整后的暴龙优化算法的混合版本进行胃癌检测
PREAI
分享收藏Pelican Optimization Algorithm: A Novel Nature-Inspired Algorithm for Engineering ApplicationsPelican优化算法: 一种新颖的工程应用自然启发算法SENSORSOAAI
SENSORSIF3.5
OAAI分享收藏
查看更多内容