Resumen

En la actualidad, las entregas de spam representan un problema importante para aprovechar la amplia gama de formas de comunicación basadas en Internet. A pesar de la existencia de diferentes técnicas inteligentes bien conocidas para combatir el spam, solo algunas implementaciones específicas del algoritmo de Naive Bayes se utilizan finalmente en entornos reales por razones de rendimiento. Dado que algunos de estos algoritmos sufren de un gran número de errores de falsos positivos, en este trabajo proponemos un enfoque de postprocesamiento de conjuntos aproximados capaz de mejorar significativamente su precisión. Para demostrar las ventajas del método propuesto, realizamos un estudio sencillo basado en un corpus estándar disponible públicamente (SpamAssassin), que compara el rendimiento de clasificadores antispam exitosos previamente conocidos (es decir, Máquinas de Vectores de Soporte, AdaBoost, Bayes Flexible y Naive Bayes) con y sin la aplicación de nuestra técnica desarrollada. Los resultados evidencian claramente la idoneidad de nuestro enfoque de post

• Materias:Difusión de información Inteligencia de enjambre Programación híbrida Modelo de programación Máquinas virtuales
• Subjects:Information dissemination Swarm intelligence Hybrid programming Programming model Virtual machines
• Palabras claves:Entregas de spam; Formas de comunicación basadas en Internet; Algoritmo de Nave Bayes; Errores de falsos positivos; Enfoque de postprocesamiento de conjuntos ásperos; Clasificadores antispam
• Keywords:Spam deliveries; Internet-based communication forms; Nave Bayes algorithm; False positive errors; Rough set postprocessing approach; Antispam classifiers