Un algoritmo mejorado para la reducción de características basada en semántica en filtrado de spam

Con el advenimiento y la mejora de diccionarios ontológicos (WordNet, Babelnet), el uso de representaciones textuales basadas en conjuntos de sinónimos está ganando popularidad en tareas de clasificación. Más recientemente, se utilizaron diccionarios ontológicos para reducir la dimensionalidad en este tipo de representación (por ejemplo, Sistema de Reducción Semántica de Dimensionalidad (SDRS) (Vélez de Mendizabal et al., 2020)). Estos enfoques se basan en la combinación de columnas semánticamente relacionadas aprovechando la información semántica extraída de diccionarios ontológicos. Su principal ventaja es que no solo eliminan características, sino que también pueden combinarlas, minimizando (pérdida baja) o evitando (sin pérdida) la pérdida de información. Las técnicas más recientes (y precisas) incluidas en este grupo se basan en el uso de algoritmos evolutivos para encontrar cuántas características se pueden agrupar para reducir los errores de falsos positivos (FP) y falsos negativos (FN) obtenidos. La principal limitación de estos esquemas basados en evolución son los requisitos computacionales derivados del uso de algoritmos de optimización. La contribución de este estudio es un nuevo esquema de reducción de características sin pérdida que explota información de diccionarios ontológicos, que logra una precisión ligeramente mejor (especialmente en errores de FP) que los enfoques basados en optimización, pero utilizando muchos menos recursos computacionales. En lugar de utilizar algoritmos evolutivos computacionalmente costosos, nuestra propuesta determina si dos columnas (conjuntos de sinónimos) se pueden combinar observando si las instancias incluidas en un conjunto de datos (por ejemplo, conjunto de datos de entrenamiento) que contienen estos conjuntos de sinónimos son en su mayoría de la misma clase. El estudio incluye experimentos utilizando tres conjuntos de datos y una comparación detallada con dos enfoques previos basados en optimización.