SMS垃圾短信分类数据集

自然语言
0 下载
61 浏览
2011

数据集简介

SMS垃圾短信分类数据集(SMS Spam Collection)是一个公开的英文短信标注语料库,专为手机短信垃圾过滤研究而构建。该数据集由Tiago Almeida(加州大学尔湾分校)和José Hidalgo共同整理,于2011年发布,并于2012年6月21日捐赠至UCI机器学习库。数据集采用Creative Commons Attribution 4.0 International (CC BY 4.0)许可协议,允许用户自由使用、修改和分发。

数据集详情

该数据集共包含5,574条短信,每条短信均被标注为以下两类之一:

  • ham:正常短信(合法短信)
  • spam:垃圾短信(未经请求的商业或欺诈性短信)

数据来源于多个公开渠道:

  • Grumbletext网站:手动提取了425条垃圾短信。Grumbletext是一个英国论坛,手机用户在该论坛上公开声明收到的垃圾短信。识别这些声明中的垃圾短信文本是一项非常耗时的工作,需要仔细扫描数百个网页。
  • 新加坡国立大学短信语料库(NSC):随机选取了3,375条合法短信。NSC是新加坡国立大学计算机科学系为研究收集的约10,000条合法短信数据集,主要来自新加坡人,尤其是大学生。这些信息是从志愿者处收集的,他们知晓其贡献将被用于研究。
  • Caroline Tag博士论文:提供了450条垃圾短信。
  • SMS Spam Corpus v.0.1 Big:提供了部分样本。

数据集文件

数据集以单一文本文件形式提供,文件名为SMSSpamCollection,大小约466.7 KB。文件格式为纯文本(.txt),每行由类别标签和原始短信内容组成,以制表符(Tab)分隔。

文件结构示例:

ham	Go until jurong point, crazy.. Available only in bugis n great world la e buffet... Cine there got amore wat...
spam	Free entry in 2 a wkly comp to win FA Cup final tkts 21st May 2005. Text FA to 87121 to receive entry question(std txt rate)T&C's apply 08452810075over18's
ham	Ok lar... Joking wif u oni...

数据统计:

类别 数量
ham(正常短信) 4,827
spam(垃圾短信) 747
总计 5,574

CLI/SDK下载

用户可通过命令行工具或SDK直接下载该数据集。以下为使用OpenDataLab CLI的示例:

pip install opendatalab
odl get SMS_Spam_Collection_Data_Set

更多下载方式请参考OpenDataLab平台上的数据集页面。

基本信息

记录数量5,574条短信,单个文本文件约466.7 KB
文件大小5,574条短信,单个文本文件约466.7 KB
文件格式未知
数据来源OpenDataLab
文件大小约466.7 KB
样本数量5,574条
类别标签ham(正常短信)、spam(垃圾短信)
分隔符制表符(Tab)
许可协议Creative Commons Attribution 4.0 International (CC BY 4.0)
数据落地页https://opendatalab.com/OpenDataLab/SMS_Spam_Collection_Data_Set
发布日期2011
短信垃圾过滤文本分类垃圾短信检测英文语料库自然语言处理

上架信息

数据集市运营
平台统一选品上架,经质量审核后公开
0 次下载

价格

免费