Spam mesajlarının makine öğrenmesi yöntemleri ile tespiti

Abstract

Spam mesajlar, dijital iletişimde kullanıcıların ruh sağlığını, kişisel güvenliğini ve ağ kaynaklarını tehdit eden önemli bir sorun haline gelmiştir. Geleneksel spam tespit yöntemleri, düşük tespit oranları ve yüksek yanlış pozitifler nedeniyle yetersiz kalmakta ve daha etkili çözümlere duyulan ihtiyacı ortaya koymaktadır. Bu tez çalışmasında, spam tespiti için makine öğrenmesi tabanlı çeşitli modeller ve hibrit yaklaşımlar incelenerek en yüksek doğruluk oranını sağlayacak model ve parametre kombinasyonları analiz edilmiştir. Önerilen model oluşturulurken, Otokodlayıcı, Çok katmanlı algılayıcı (MLP), XGBoost, Naive Bayes, Lojistik Regresyon, Destek Vektör Makineleri (SVM), Yapay Sinir Ağları (ANN), Rastgele Orman ve Geçitli Tekrarlayan Birim (GRU) modellerini içeren hem yalın hem de hibrit modellerin kullanılmıştır. Yapılan araştırma ve testler sonucunda spam tespiti için geçitli tekrarlayan birim (GRU), MLP, Otokodlayıcı+XGBoost ve çoğunluk oylama algoritmasını entegre eden topluluk öğrenme tabanlı hibrit bir model olan EGMA önerilmektedir. Model, metin vektörleştirme teknikleri olarak Terim Frekansı-Ters Belge Frekansı (TF-IDF) ve CountVectorizer kullanarak ek istatistiksel özellikler ile performansını artırmaktadır. Önerilen modelin performansı SMS Spam Koleksiyonu, E-posta Spam, Enron-Spam, Super SMS ve UtkMl'nin Twitter Spam veri kümeleri üzerinde test edilerek %95,09 ile %99,28 arasında değişen yüksek doğruluk oranları elde edilmiştir. Sonuçlar, EGMA modelinin hem bireysel yöntemlerden hem de literatürdeki diğer çalışmalardan üstün performans gösterdiğini ve spam mesajların etkili bir şekilde tespit edilmesine katkı sağlayan güçlü bir çözüm sunduğunu ortaya koymaktadır.

Spam messages have become a major problem in digital communication, threatening users' mental health, personal security and network resources. Traditional spam detection methods suffer from low detection rates and high false positives, highlighting the need for more effective solutions. In this thesis, various machine learning based models and hybrid approaches for spam detection are examined and the model and parameter combinations that will provide the highest accuracy rate are analyzed. The proposed model was developed using both lean and hybrid approaches, incorporating Autoencoder, Multilayer Perceptron (MLP), XGBoost, Naive Bayes, Logistic Regression, Support Vector Machines (SVM), Artificial Neural Networks (ANN), Random Forest, and Gated Recurrent Unit (GRU) models. As a result of the research and testing, we propose EGMA, an ensemble learning based hybrid model that integrates a gated recurrent unit (GRU), multilayer perceptron (MLP), Autoencoder+XGBoost and majority voting algorithm for spam detection. The model improves its performance with additional statistical features using Term Frequency-Inverse Document Frequency (TF-IDF) and CountVectorizer as text vectorization techniques. The performance of the proposed model is tested on the SMS Spam Collection, Email Spam, Enron-Spam, Super SMS and UtkMl's Twitter Spam datasets, achieving high accuracy rates ranging from 95,09% to 99,28%. The results show that the EGMA model outperforms both individual methods and other works in the literature and provides a powerful solution that contributes to the effective detection of spam messages.