Incorporação de representação vetorial distribuída de palavras e parágrafos na classificação de SMS SPAM

Resumo—A classificação automática de SMS spam é um problema desafiador, pois ao contrário de outros documentos (como e-mails, por exemplo), esses textos são extremamente curtos, com no máximo 140 caracteres. Além disso, eles normalmente são escritos utilizando gírias, abreviaturas e símbolos como emoticons. Técnicas de pré-processamento tem sido aplicadas para contornar esse problema, como o uso de dicionários de gírias e desambiguação de contexto. Entretanto, os benefícios advindos de técnicas baseadas em dicionário são limitados, uma vez que apenas termos dicionarizados são pré-processados. Neste trabalho investigamos o uso da combinação de técnicas tradicionais com informação advinda de redes neurais recentemente propostas, que criam uma representação vetorial distribuídas de palavras e parágrafos. Essas técnicas são capazes de capturar relações semânticas não triviais, e que podem ser usadas para melhorar a classificação automática de SPAMS. Resultados experimentais mostram que a técnica é bastante competitiva com o uso de dicionários, e que podem agregar informações adicionais relevantes para a classificação de SMS spam.