手机短信由于其简洁，快捷，简单，价格低廉而成为一种重要的通信和通信方式。它们受到许多人的青睐。但是，SMS消息与电子邮件具有相同的垃圾邮件问题。目前，垃圾邮件过滤主要包括黑名单过滤，关键词过滤和基于文本分类的文本过滤。黑名单过滤和关键字过滤可以快速过滤垃圾邮件，但这两种过滤方法基于基于规则的过滤。虽然某些垃圾邮件在某种程度上被阻止，但规则方法需要更多用户定义的设置。它很容易被反向过滤。基于文本分类的SMS过滤使用常见的分类算法，例如NaïveBayes，SVM和神经网络。李璐等。将贝叶斯分类应用于J2ME仿真环境，成功过滤获胜短信和祝福短信。浙江大学金湛和范静结合NaïveBayes和支持向量机，解决了传统垃圾邮件过滤系统的短信功能和内容无法及时更新，降低过滤性能的问题。基于朴素贝叶斯短消息过滤算法和最小风险贝叶斯算法，王忠军进行了实验分析和比较。结论是基于最小风险的SMS过滤算法具有更好的性能。但是，SMS过滤的准确性取决于其训练样本的数量和质量。需要训练这些分类算法来构建分类器模型，因此不能很好地满足SMS过滤实时要求的速度。从现有技术来看，垃圾邮件的过滤在准确性和效率方面仍然不能满足实际需要。 Winnow算法是Nick LittleStone在1987年提出并经过严格验证的线性分类算法。当时的目标是找到与时空复杂性的数量线性相关的算法，该算法仅与与分类对象相关联的属性相关。均衡的Winnow算法是对Winnow基本算法的改进。它具有过滤速度快，性能好，支持反馈更新的优点。它在信息过滤领域具有良好的应用前景，特别适合实时性要求。短信过滤系统。有许多特征提取方法。常用的特征选择方法是：文档频率DF（信息频率），信息增益IG（信息增益），互信息MI（互信息）和χ2统计。将分词后的单词作为候选特征，然后使用特征提取算法提取对分类最有用的一些特征，并且去除对分类没有多大贡献的候选特征以减少特征的维度。 χ2的主要思想是认为χ2分布在术语和类别之间是一致的。 χ2统计量的值越高，特征项与类别之间的独立性越小，并且相关性越强，即，特征项对该类别的贡献越大。 Χ2是归一化值。与其他方法相比，该方法可以将词汇量减少约50％，具有良好的分类效果。在本文中，χ2统计用于特征提取。但是，不是简单地使特征项xi = 1或0的权重，而是xi = f（χ2）或0，其中χ2具体指对应于特征的χ2统计量，并且对应关系f取决于实际情况。在实验中（n是正整数，取n = 4）。实验表明，效果优于使用布尔权重。 1.3文本向量表示当前应用程序是更多向量空间模型VSM（VectorSpace Model），其中VSM用于表示作为（W1，W2，...，Wk，...，Wn）的向量形式的短消息。其中：Wk（k = 1,2，...，n）是第k个特征的权重，n是所选的特征编号。 Winnow算法是二元属性数据集上的线性分类算法。表示线性分类问题中的分类界限的超平面方程如下：w0α0+w1α1+w2α2+ ... +wkαk= 0，其中：α0，α1，...，αk是属性的值; w0，w1，...，wk是超平衡重量。如果该值大于0，则预测是第一类或第二类。 Winnow算法是一种错误驱动的分类算法，可在发生错误分类的实例时更新权重向量。设置两个学习系数α和β（其中α> 1，β<1），并且通过将权重乘以参数α（或β）来单独地修改权重。