Normalização Textual e Indexação Semântica Aplicadas na Filtragem de SMS Spam

Resumo—Nos últimos anos, a popularização dos celulares e smartphones impulsionou o uso de SMS como forma alternativa e barata de comunicação. O crescimento de adeptos ao serviço aliado a alta confiança que os usuários possuem nesses tipos de mensagens, vêm atraindo a atenção de pessoas e empresas mal intencionadas, conhecidas como spammers. O spam nesse contexto representa um problema para os métodos tradicionais e já consolidados, pois tais técnicas, normalmente projetadas para processar e-mails, geralmente não obtém desempenho satisfatório quando aplicadas diretamente para classificar SMS, uma vez que essas mensagens tem tamanho reduzido e conteúdo normalmente repleto de gı́rias, sı́mbolos e abreviações. Nesse cenário, este artigo apresenta um método baseado em normalização de textos e indexação semântica com o intuito de melhorar o desempenho de algoritmos de classificação tradicionais na filtragem de spam propagados via SMS. O método proposto é utilizado para normalizar os termos das mensagens e criar novos atributos, de forma a alterar e expandir as amostrar originais, com o objetivo de suavizar fatores que podem degradar o desempenho dos algoritmos de classificação, como redundâncias e inconsistências. Os experimentos foram conduzidos com uma base de dados real, pública e não codificada, além de vários métodos tradicionais de aprendizado de máquina. A análise estatı́stica dos resultados indica que o emprego da técnica proposta, de fato, melhora a qualidade da predição das mensagens.