Mejorando la detección de spam en el rendimiento del Servicio de Mensajes Cortos (SMS) en teléfonos móviles utilizando FP-growth y el Clasificador Naive Bayes.

El SMS (Servicio de Mensajes Cortos) sigue siendo la opción principal como medio de comunicación, a pesar de que hoy en día los teléfonos móviles están creciendo con una variedad de aplicaciones de mensajería como medio de comunicación. Sin embargo, actualmente, junto con la reducción de tarifas de SMS, se observa un aumento del spam en SMS, utilizado por algunas personas como una alternativa para hacer publicidad y cometer fraudes. Por lo tanto, se convierte en un problema importante, ya que puede molestar y perjudicar a los usuarios, y una de sus soluciones es el filtrado automático de spam en SMS. Uno de los desafíos más importantes en el filtrado de spam SMS es su precisión. En esta investigación, proponemos mejorar el rendimiento del filtrado de spam SMS combinando dos tareas de minería de datos: asociación y clasificación. FP-growth en asociación se utiliza para extraer patrones frecuentes en SMS y el Clasificador Naive Bayes se usa para clasificar si el SMS es spam o no. Los datos de entrenamiento se obtuvieron de una colección de spam SMS de investigaciones previas. El resultado de la colaboración entre Naive Bayes y FP-Growth alcanza la mayor precisión promedio de 98,506% y un 0.025% mejor que sin utilizar FP-Growth para el conjunto de datos SMS Spam Collection v.1, y mejora la puntuación de precisión; por lo tanto, el resultado de la clasificación es más preciso.