Khóa luận tốt nghiệp: Nghiên cứu và phát triển mô hình học máy để phát hiện tin nhắn spam

Trong bối cảnh bùng nổ của công nghệ số, tin nhắn SMS đã trở thành phương tiện liên lạc thiết yếu, nhưng cũng kéo theo vấn nạn tin nhắn rác và lừa đảo ngày càng nghiêm trọng. Các phương pháp phòng chống truyền thống, dựa trên bộ lọc từ khóa, đang tỏ ra kém hiệu quả trước sự tinh vi của các thủ đoạn mới. Điều này đặt ra yêu cầu cấp thiết về một giải pháp thông minh, linh hoạt và có khả năng tự động nhận diện, thích ứng. Khóa luận này nghiên cứu ứng dụng Trí tuệ nhân tạo (AI) và Học máy (Machine Learning - ML), đặc biệt là các kỹ thuật Xử lý Ngôn ngữ Tự nhiên (NLP) tiên tiến, nhằm phát triển mô hình hiệu quả để phát hiện và phân loại tin nhắn spam, góp phần bảo vệ người dùng khỏi các rủi ro tiềm tàng.

Sinh viên ngành Khoa học Máy tính, Công nghệ thông tin, hoặc các chuyên gia, nhà nghiên cứu trong lĩnh vực Trí tuệ nhân tạo, Học máy và Xử lý Ngôn ngữ Tự nhiên quan tâm đến các giải pháp phát hiện tin nhắn spam và lừa đảo.

Nghiên cứu này giải quyết thách thức ngày càng lớn từ tin nhắn spam và lừa đảo SMS bằng cách ứng dụng các phương pháp tiên tiến từ lĩnh vực học máy (Machine Learning) và xử lý ngôn ngữ tự nhiên (NLP). Khóa luận tập trung vào việc nghiên cứu, xây dựng và đánh giá các mô hình học máy có khả năng phân loại chính xác tin nhắn thành hai loại: hợp lệ (ham) và lừa đảo/rác (spam). Các phương pháp truyền thống như bộ lọc từ khóa đã bộc lộ nhiều hạn chế trước sự biến đổi liên tục của các thủ đoạn lừa đảo, trong khi các mô hình AI có khả năng học hỏi và thích ứng tốt hơn với các mẫu phức tạp và ngữ cảnh đa dạng của tin nhắn. Để đạt được mục tiêu này, công trình đã khảo sát và so sánh hiệu quả của nhiều thuật toán học máy phổ biến như Naive Bayes, Logistic Regression, SVM, Random Forest, và Gradient Boosting. Một trong những trọng tâm của nghiên cứu là phân tích ảnh hưởng của việc trích xuất đặc trưng văn bản, đặc biệt là so sánh giữa phương pháp truyền thống TF-IDF và kỹ thuật BERT embeddings. BERT embeddings được sử dụng để trích xuất đặc trưng ngữ cảnh, giúp mô hình hiểu sâu sắc hơn ý nghĩa của tin nhắn, từ đó nâng cao độ chính xác trong phát hiện spam. Dữ liệu công khai SMSSpamCollection được sử dụng để huấn luyện và đánh giá mô hình. Kết quả thực nghiệm hướng tới việc tối ưu các độ đo như Accuracy, Precision, Recall và F1-score, cung cấp giải pháp tiềm năng cho việc phát hiện tin nhắn lừa đảo. Ngoài ra, một giao diện mô phỏng trực quan sử dụng Gradio cũng được phát triển để minh họa hoạt động của mô hình và cung cấp phản hồi.