Classifying an incoming customer message into spam versus ham
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose Customers often communicate with a company by sending it emails, filling out the “contact us” form on the company’s website, and posting messages on social media platforms. Unfortunately, a substantial part of these incoming customer messages can be spam. Whether an email is authentic (i.e. ham) or spam is specific to the company. Consequently, commercial spam classifiers (e.g. the one Microsoft Outlook uses) do not work well. A machine learning-based spam classifier can solve this problem. Design/methodology/approach I used a large dataset from a publicly traded retailer in the United States to test 27 TF-IDF-based and six word embedding-based binary classifiers. Findings I found that RoBERTa – a sophisticated embedding-based classifier – provided the lowest false positive rate of 5.31%. However, its rival classifier – XLNet – offered marginally superior (92%) balanced accuracy, relative to RoBERTa’s 91%. To enhance the use of the models by other organizations and academics, I offer supplemental models trained on only external datasets and a combination of internal and external datasets. Research limitations/implications The manuscript contributes by applying a broad set of existing machine learning models to solve a real problem for a real company. Practical implications I publish my code (via the journal), which other companies and researchers can use. Originality/value The manuscript is original in comparing a broad range of machine learning classifiers on real data from a real company.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle