垃圾文本过滤器

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

现在注册

已注册用户请登录

这是一个创建于 2562 天前的主题，其中的信息可能已经有所发展或是发生改变。

Hello，大家好，我自己做个几个私人项目经常会遇到广告或者垃圾评论，所以写了个文本过滤器。

这个项目目的是使用机器学习／人工智能来判别垃圾内容，现阶段用户输入句子会先经过分词，然后通过朴素贝叶斯模型判别成正常，色情，赌博，政治敏感四个类别。现在每个类别各使用了 100 个训练数据，辨别准确率大约为 93%。

特点：

开箱即用，快速上手

内置预训练模型以及文件缓存，开箱即用。同时使用 numpy 库做矩阵计算，判断速度非常快

准确率高

现阶段使用了 400 个训练数据，准确率达到 93%。下载后可以通过运行

  python -m unittest tests.test_bayes
  得到准确率测试结果

  This may takes some time
  Completed 0 tasks, 20 tasks left.
  Completed 5 tasks, 15 tasks left.
  Completed 10 tasks, 10 tasks left.
  Completed 15 tasks, 5 tasks left.
  The error rate is 6.83%

  测试 20 次，每次从数据集随机取出 20 个数据作为测试数据，剩下的作为训练数据。然后计算平均错误率

可定制

自己可以添加修改数据源，增加训练正确率

希望大家多提建议或者意见

https://github.com/Windsooon/Spam-Filter

13 条回复 • 2017-11-10 11:23:40 +08:00

holajamc

2017-11-09 17:17:44 +08:00

已 star~

Windsooon

2017-11-09 17:19:16 +08:00

@holajamc 欢迎提 issue ～

holajamc

2017-11-09 17:21:52 +08:00

@Windsooon 用过这个 https://github.com/pakrchen/text-antispam 推荐给你参考~

huangfs

2017-11-09 17:26:24 +08:00

这个样本有点少啊。。

MaiCong

2017-11-09 17:33:24 +08:00

我曾经研究过这个垃圾过滤，找到个 datagrand 提供的接口，简单点的 curl 版：

curl 'http://fileload.datagrand.com:8080/audit' -H 'Content-Type: application/x-www-form-urlencoded; charset=UTF-8' -H 'Accept: */*' -H 'Cache-Control: no-cache' -H 'Referer: http://www.datagrand.com/demo/nlp/' --data 'text=%E6%96%87%E7%AB%A0%E4%B8%8D%E9%94%99%EF%BC%8C%E5%8A%A0V%E8%AF%A6%E8%B0%88%20sb***' --compressed | json_pp

返回：
{
"reaction" : 0.0153,
"is_insult" : 0,
"is_ad" : 0,
"politic" : 0.0153,
"weight_insult" : 0.2905,
"weight_ad" : 0.3412,
"porn" : 0.0855
}

noe132

2017-11-09 20:44:14 +08:00

一直想学习了解机器学习相关的内容，不知该如何入门？应该了解一些什么技术或者资料？

billlee

2017-11-09 21:37:33 +08:00

@noe132 #6 入门可以看 coursera 上 adrew ng 的课程。

Windsooon

2017-11-09 22:07:15 +08:00

@huangfs 有推荐的文本库吗

Windsooon

2017-11-09 22:07:26 +08:00

@holajamc 谢谢我会看看

Windsooon

2017-11-09 22:08:14 +08:00

@noe132 coursera 或者优达学城的都不错，机器学习实战这本书也很好

noNOno

2017-11-09 22:15:42 +08:00

特征选择是用了词袋么

Windsooon

2017-11-09 23:30:20 +08:00

@noNOno 是的

wzha2008

2017-11-10 11:23:40 +08:00

@MaiCong 欢迎使用我司产品