# 垃圾短信分类系统


> **机器学习 (Python) 课程设计**


## 👥 团队成员


| 姓名 | 学号 | 贡献 |
|------|------|------|
| 朱指乐 | 2311020135 | 数据处理、模型训练 |
| 肖康 | 2311020125 | Agent 开发、LLM 服务 |
| 龙思富 | 2311020114 | 可视化、优化streamlit应用、文档撰写|


## 📝 项目简介


本项目是一个基于**传统机器学习 + LLM + Agent**的垃圾短信分类系统，旨在实现可落地的智能预测与行动建议。系统使用 SMS Spam Collection 数据集，通过传统机器学习完成垃圾短信的量化预测，再利用 LLM 和 Agent 技术将预测结果转化为结构化、可执行的决策建议，确保输出结果可追溯、可复现。


## 🚀 快速开始


```bash
# 克隆仓库
git clone http://hblu.top:3000/MachineLearning2025/CourseDesign.git
cd CourseDesign

# 安装依赖
pip install uv -i https://mirrors.aliyun.com/pypi/simple/
uv config set index-url https://mirrors.aliyun.com/pypi/simple/
uv sync

# 配置环境变量
cp .env.example .env
# 编辑 .env 填入 API Key

# 运行 Demo
uv run streamlit run src/streamlit_app.py
```


## 1️⃣ 问题定义与数据


### 1.1 任务描述


本项目是一个二分类任务，目标是自动识别垃圾短信（spam）和正常短信（ham）。业务目标是构建一个高准确率、可解释的垃圾短信分类系统，帮助用户有效过滤垃圾信息，提升信息安全和用户体验。


### 1.2 数据来源


| 项目 | 说明 |
|------|------|
| 数据集名称 | SMS Spam Collection |
| 数据链接 | `https://www.kaggle.com/datasets/uciml/sms-spam-collection-dataset`  |
| 样本量 | 5,572 条 |
| 特征数 | 1 个（短信文本） |


### 1.3 数据切分与防泄漏


数据按 8:2 比例分割为训练集和测试集，确保模型在独立的测试集上进行评估。在数据预处理和特征工程阶段，所有操作仅在训练集上进行，避免信息泄漏到测试集。使用 TF-IDF 进行文本向量化时，同样严格遵循先训练后应用的原则。


## 2️⃣ 机器学习流水线


### 2.1 基线模型


| 模型 | 指标 | 结果 |
|------|------|------|
| Logistic Regression | 准确率 | 0.978 |
| Logistic Regression | F1 分数（Macro） | 0.959 |


### 2.2 进阶模型


| 模型 | 指标 | 结果 |
|------|------|------|
| LightGBM | 准确率 | 0.985 |
| LightGBM | F1 分数（Macro） | 0.971 |


### 2.3 模型性能对比


#### 混淆矩阵对比

下面是两个模型在测试集上的混淆矩阵对比：

**Logistic Regression 混淆矩阵**

![Logistic Regression Confusion Matrix](./models/logistic_regression_confusion_matrix.png)

**LightGBM 混淆矩阵**

![LightGBM Confusion Matrix](./models/lightgbm_confusion_matrix.png)


#### 对比分析

1. **Logistic Regression**：
   - 真阳性（TP）：136（正确分类的垃圾短信）
   - 真阴性（TN）：957（正确分类的正常短信）
   - 假阳性（FP）：12（正常短信被误判为垃圾短信）
   - 假阴性（FN）：9（垃圾短信被误判为正常短信）

2. **LightGBM**：
   - 真阳性（TP）：129（正确分类的垃圾短信）
   - 真阴性（TN）：960（正确分类的正常短信）
   - 假阳性（FP）：9（正常短信被误判为垃圾短信）
   - 假阴性（FN）：16（垃圾短信被误判为正常短信）

3. **性能差异**：
   - LightGBM 在正常短信的分类上表现略好（TN 更高，FP 更低）
   - Logistic Regression 在垃圾短信的分类上表现略好（TP 更高，FN 更低）
   - 整体而言，两个模型的性能都非常优秀，准确率都在 97% 以上


### 2.4 误差分析


模型在以下类型的样本上表现相对较差：
1. 包含大量特殊字符或缩写的短信
2. 内容模糊、边界不清的促销短信
3. 混合中英文的短信
4. 模仿正常短信格式的垃圾短信

这主要是因为文本特征提取方法（TF-IDF）对语义理解有限，无法完全捕捉复杂的语言模式和上下文信息。


## 3️⃣ Agent 实现


### 3.1 工具定义


| 工具名 | 功能 | 输入 | 输出 |
|--------|------|------|------|
| `predict_spam` | 使用机器学习模型预测短信是否为垃圾短信 | 短信文本 | 分类结果（spam/ham）和概率 |
| `explain_prediction` | 解释模型预测结果并生成行动建议 | 短信文本、分类结果、概率 | 结构化的解释和建议 |
| `translate_text` | 将文本翻译成目标语言 | 文本、目标语言 | 翻译后的文本 |


### 3.2 决策流程


Agent 按照以下流程执行任务：
1. 接收用户提供的短信文本
2. 使用 `predict_spam` 工具进行分类预测
3. 使用 `explain_prediction` 工具解释分类结果并生成行动建议
4. 如果短信为英文，可选择使用 `translate_text` 工具翻译成中文
5. 向用户提供清晰、完整的分类结果、解释和建议


### 3.3 案例展示


**输入**：
```
Free entry in 2 a wkly comp to win FA Cup final tkts 21st May 2005. Text FA to 87121 to receive entry question(std txt rate)T&C's apply 08452810075over18's
```

**输出**：
```json
{
  "classification": {
    "label": "spam",
    "probability": {
      "spam": 0.98,
      "ham": 0.02
    }
  },
  "explanation": {
    "content_summary": "这是一条关于免费赢取足总杯决赛门票的竞赛广告短信",
    "classification_reason": "短信包含'Free entry'、'win'、'comp'等典型的垃圾短信关键词，且提供了需要用户回复的电话号码，符合垃圾短信的特征",
    "confidence_level": "高",
    "confidence_explanation": "模型以98%的概率将其分类为垃圾短信，基于文本中的垃圾短信特征词汇和结构",
    "suggestions": ["不要回复此短信，避免产生额外费用", "将此号码加入黑名单", "删除该短信"]
  }
}
```


## 4️⃣ 开发心得


### 4.1 主要困难与解决方案


1. **文本特征提取**：原始文本数据难以直接用于机器学习模型，解决方案是使用 TF-IDF 进行文本向量化，将文本转化为数值特征。
2. **模型可解释性**：传统机器学习模型的预测结果缺乏可解释性，解决方案是集成 LLM 服务，对模型预测结果进行自然语言解释。
3. **API 集成与错误处理**：LLM API 调用可能会遇到各种错误，解决方案是实现完善的错误处理机制，确保系统稳定性。


### 4.2 对 AI 辅助编程的感受


AI 辅助编程工具（如 GitHub Copilot）在代码编写和问题解决方面提供了很大帮助，特别是在处理重复性任务和学习新框架时。它可以快速生成代码模板，提供解决方案建议，显著提高开发效率。但同时也需要注意，AI 生成的代码可能存在错误或不符合项目规范，需要人工仔细检查和调试。


### 4.3 局限与未来改进


1. **模型性能**：当前模型在处理复杂语言模式和上下文理解方面仍有提升空间，可以考虑使用更先进的文本表示方法（如 BERT）。
2. **多语言支持**：目前系统主要支持中英文短信，未来可以扩展到更多语言。
3. **实时性**：可以优化模型推理速度，实现实时分类功能。
4. **用户界面**：可以进一步改进 Streamlit 应用的用户体验，增加更多交互功能和可视化效果。


## 技术栈


| 组件 | 技术 | 版本要求 |
|------|------|----------|
| 项目管理 | uv | 最新版 |
| 数据处理 | polars + pandas | polars>=0.20.0, pandas>=2.2.0 |
| 数据验证 | pandera | >=0.18.0 |
| 机器学习 | scikit-learn + lightgbm | sklearn>=1.3.0, lightgbm>=4.0.0 |
| LLM 框架 | openai | >=1.0.0 |
| Agent 框架 | pydantic | pydantic>=2.0.0 |
| 可视化 | streamlit | >=1.20.0 |
| 文本处理 | nltk | >=3.8.0 |


## 许可证


MIT License


## 致谢


- 感谢 [DeepSeek](https://www.deepseek.com/) 提供的 LLM API
- 感谢 Kaggle 提供的 [SMS Spam Collection](https://www.kaggle.com/datasets/uciml/sms-spam-collection-dataset) 数据集
- 感谢所有开源库的贡献者


## 联系方式


如有问题或建议，欢迎通过以下方式联系：

- 项目地址：[http://hblu.top:3000/MachineLearning2025/CourseDesign](http://hblu.top:3000/MachineLearning2025/CourseDesign)
- 邮箱：xxxxxxxxxx@gmail.com


---

**© 2026 垃圾短信分类系统 | 基于传统机器学习 + LLM + Agent**