Filtro de SPAM basado en aprendizaje profundo
Comunicaciones en Estadística · 02.12.2025 · 18 (2) · 1-9
DOI: 10.15332/23393076.11818 ↗Kurz gefasst
Fachartikel in der Zeitschrift Comunicaciones en Estadística, online erschienen am 02.12.2025. Verfasst von Danna Lesley Cruz Reyes und 3 weiteren Autor:innen. Der Volltext ist frei zugänglich (Open Access, CC BY-NC-SA 4.0).
Abstract (Originalsprache)
La clasificación de correos electrónicos como spam o no spam es un problema clásico en el procesamiento de lenguaje natural. En este trabajo se implementan dos enfoques de aprendizaje profundo para abordar esta tarea: un modelo basado en BERT y una red neuronal recurrente LSTM. Se comparan sus rendimientos en términos de precisión, recall, F1 score y eficiencia computacional. Ambos modelos se entrenaron y evaluaron sobre el Enron Email Corpus, alcanzando una exactitud global del 97% y un F1 score equilibrado para ham y spam. El modelo BERT presenta una leve mejora en métricas de robustez, aunque implica mayores tiempos de entrenamiento e inferencia; por su parte, LSTM sigue siendo una solución efectiva cuando se diseña y entrena adecuadamente con un consumo de recursos sensiblemente menor. Estos hallazgos evidencian que, según los requisitos de latencia y capacidad de cómputo, es posible optar por un enfoque transformer de alto rendimiento o una implementación recurrente más ligera.
Zitieren
APA
Reyes, D. L. C., Prieto, J. C. C., Hernandez, A. D. L., & Algarra, F. (2025). Filtro de SPAM basado en aprendizaje profundo. Comunicaciones en Estadística, 18(2), 1-9. https://doi.org/10.15332/23393076.11818
Vancouver
Reyes DLC, Prieto JCC, Hernandez ADL, Algarra F. Filtro de SPAM basado en aprendizaje profundo. Comunicaciones en Estadística. 2025;18(2):1-9. doi:10.15332/23393076.11818
BibTeX
@article{Reyes2025,
author = {Reyes, Danna Lesley Cruz and Prieto, Juan Camilo Camargo and Hernandez, Andres David Leon and Algarra, Felipe},
title = {Filtro de SPAM basado en aprendizaje profundo},
journal = {Comunicaciones en Estadística},
year = {2025},
volume = {18},
number = {2},
pages = {1--9},
doi = {10.15332/23393076.11818}
}
EUVIMED