bvk/SMS-spam

该数据集包含5,574条短信，其中747条被标记为垃圾短信。短信内容通常较短，有时较为隐晦和个人化。数据集来源于研究论文[Tiago]，并由作者贡献到UCI的机器学习库中。数据集以CSV文件形式提供。

This dataset originates from the research paper [Tiago], contributed by the authors to the UCI Machine Learning repository. It contains 5,574 SMS messages, of which 747 are labeled as spam. The messages are typically short, and in some cases, quite cryptic and personal. The data is represented in a straightforward CSV file format.

原始信息汇总

数据集概述

基本信息

• 名称: SMS-spam
• 别名: bvk/SMS-spam
• 创建者: bert van keulen
• 链接: SMS-spam

描述

该数据集可在Kaggle、Huggingface等多个网站上找到，但其原始来源是[Tiago]的研究论文，该论文的作者将其贡献给了[UCI]的机器学习仓库。数据集包含5,574条短信，其中747条被标记为垃圾短信。短信通常简短，有时相当隐晦和个人化。CSV文件是数据的直接表示。

数据结构

• 文件格式: Parquet
• 子集: default
• 字段:
  • default/label: 整数类型，表示标签。
  • default/data: 文本类型，表示短信内容。

关键词

• 1K - 10K
• csv
• 文本
• 数据集
• pandas
• Croissant
• 🇺🇸 美国地区

参考

• UCI
• 数据集页面

搜集汇总

数据集介绍

构建方式

该数据集源自Tiago等学者在2011年发表于ACM文档工程研讨会的研究论文，其原始数据被贡献至UCI机器学习库。数据集由5,574条短信构成，其中747条被标注为垃圾短信。数据以简洁的CSV格式存储，每条短信均被标记为垃圾或非垃圾类别，构建方式直接明了，便于研究者直接用于文本分类任务。

特点

数据集的特点在于其短信内容的自然性与隐私性，消息通常简短且部分涉及个人化、隐晦表达，这反映了真实世界中短信通信的多样性与复杂性。类别分布上，垃圾短信占比约13.4%，呈现典型的不平衡特征，为垃圾信息过滤研究提供了具有挑战性的基准。

使用方法

使用该数据集时，可直接加载CSV文件，将文本列作为输入特征，标签列作为目标变量。适用于训练二分类模型，如朴素贝叶斯、支持向量机或深度学习模型。建议在划分训练集与测试集时保持类别比例，并可采用交叉验证以提升模型评估的稳健性。

背景与挑战

背景概述

随着移动通信技术的普及，短信已成为人们日常交流的重要方式，然而垃圾短信的泛滥严重干扰了用户体验，甚至带来安全隐患。在此背景下，Tiago A. Almeida、José María G. Hidalgo和Akebo Yamakami等研究人员于2011年发表了关于短信垃圾过滤的重要研究成果，并贡献了SMS-spam数据集。该数据集源自UCI机器学习库，包含5,574条短信，其中747条被标注为垃圾信息。这些短信文本简短、风格隐晦且带有个人色彩，为垃圾短信检测研究提供了真实且具有挑战性的基准。数据集自发布以来，被广泛应用于文本分类、自然语言处理及网络安全等领域，推动了短信过滤技术的进步，并成为评估垃圾信息识别算法性能的经典资源。

当前挑战

该数据集所解决的领域问题在于短信垃圾信息的自动识别与过滤，其核心挑战在于短信文本的短小精炼、语言风格多变以及个人化表达，导致传统特征提取方法难以捕捉有效判别信息。此外，垃圾信息与正常短信在内容上可能存在高度相似性，增加了分类难度。在数据集构建过程中，研究人员面临标注一致性难题，需确保人工标注的准确性与可靠性；同时，数据来源的隐私保护与匿名化处理也是关键挑战，以避免敏感信息泄露。样本类别不平衡问题（垃圾信息仅占约13.4%）进一步考验了分类算法在少数类上的性能表现，要求模型具备鲁棒性以应对实际应用中的复杂场景。

常用场景

经典使用场景

SMS-spam数据集作为垃圾短信过滤领域的经典基准，常被用于训练和评估文本分类模型。研究人员利用该数据集中5,574条标注清晰的短消息——其中747条为垃圾信息——来构建二分类器，旨在区分正常短信与垃圾短信。其简洁的CSV格式和短文本特性使其成为自然语言处理入门实验的理想选择，尤其适用于朴素贝叶斯、支持向量机或深度学习模型（如LSTM、BERT）的性能对比研究。

衍生相关工作

SMS-spam数据集催生了多项经典研究。Almeida等人（2011）在其原始论文中对比了多种机器学习方法的性能，为后续工作提供了基准。后续衍生工作包括：基于字符级n-gram的特征优化（Gómez-Hidalgo等，2012）、深度卷积神经网络在短文本分类中的应用（Sejnowski等，2015），以及结合用户行为特征的对抗性垃圾检测方法。这些工作进一步提升了模型在真实场景中的鲁棒性。

数据集最近研究

最新研究方向

在移动通信与网络安全的交叉领域，短消息垃圾信息的识别与过滤始终是维护用户数字生活纯净度的关键课题。bvk/SMS-spam数据集作为经典的短消息垃圾信息语料库，其包含的5,574条真实用户短信，特别是其中747条标注为垃圾信息的样本，为短文本分类与异常检测研究提供了极具代表性的基础资源。当前前沿研究方向聚焦于利用预训练语言模型（如BERT、RoBERTa）对短消息进行语义深层次建模，以突破传统基于关键词匹配或简单统计特征方法的局限。尤其在近年来移动端诈骗信息频发、社会工程学攻击手段日益复杂的背景下，该数据集的学术价值被重新发掘，成为评估新型轻量级模型在资源受限设备上实时过滤性能的重要基准。其影响力不仅体现在推动了多语言垃圾信息检测技术的迭代，更在于引导研究者关注短文本中隐含的隐私泄露风险与对抗性样本的生成机制，从而为构建鲁棒、高效且具有可解释性的智能防御系统奠定了数据基础。