Spam Mail Detection in Turkish and English Languages: A Holistic Study of AI-based Techniques including Individual, Ensemble and Hybrid Approaches

Alperen Eroğlu

Makale detayları

Spam Mail Detection in Turkish and English Languages: A Holistic Study of AI-based Techniques including Individual, Ensemble and Hybrid Approaches

Yazarlar:

Alperen Eroğlu

Yayıncı:

Necmettin Erbakan University

Ana Başlıklar:

Bilgi Güvenliği Yönetimi | Derin Öğrenme | Doğal Dil İşleme

Dergi:

Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi Vol.7 Issue 2, pp.189-205

Belge Tipi:

Makale

Yayın Tarihi:

8/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001356332

pISSN:

2667-7989

Anahtar kelimeler:

Özet:

 Spam has surged due to increased email and social media use, posing a critical challenge in effectively detecting and classifying this growing volume without causing harm to systems. This paper presents a holistic strategy to analyze and reveal the most efficient approaches for detecting and classifying e-mails as spam or ham by using Turkish and English datasets. We use two different datasets generated in different languages in addition to conjunctively generated new datasets. We make a comparative study to find out the best spam mail detection approaches based on our enhanced machine learning and deep learning methods. We also bring ensemble and hybrid learning methods together as a new approach for spam mail detection. We utilize natural language processing, and improved learning algorithms with optimized feature selection approaches and preprocessing. We compare various methods commonly used in the literature which are Multinomial Naive Bayes, Support Vector Machine, Logistic Regression, K-Nearest Neighbors, Decision Tree, Random Forest, Voting classifier, and Stacking classifier as machine learning algorithms, and Long Short Term Memory, Bidirectional Long Short Term Memory, Bidirectional Encoder Representations from Transformers as deep learning algorithms. We split the datasets as train data and test data with the 80:20 ratios in addition to 5-fold cross-validation for each model. We also optimize the hyperparameters of our models by using Grid Search. The ensemble method based on machine learning approaches provides the best performances which are the percentage of 99.9 for the English Enron dataset, and the hybrid ensemble approach based on simple average yields the best accuracy value of 98.43 for the Turkish dataset from UCI and Kaggle.

 Spam has surged due to increased email and social media use, posing a critical challenge in effectively detecting and classifying this growing volume without causing harm to systems. This paper presents a holistic strategy to analyze and reveal the most efficient approaches for detecting and classifying e-mails as spam or ham by using Turkish and English datasets. We use two different datasets generated in different languages in addition to conjunctively generated new datasets. We make a comparative study to find out the best spam mail detection approaches based on our enhanced machine learning and deep learning methods. We also bring ensemble and hybrid learning methods together as a new approach for spam mail detection. We utilize natural language processing, and improved learning algorithms with optimized feature selection approaches and preprocessing. We compare various methods commonly used in the literature which are Multinomial Naive Bayes, Support Vector Machine, Logistic Regression, K-Nearest Neighbors, Decision Tree, Random Forest, Voting classifier, and Stacking classifier as machine learning algorithms, and Long Short Term Memory, Bidirectional Long Short Term Memory, Bidirectional Encoder Representations from Transformers as deep learning algorithms. We split the datasets as train data and test data with the 80:20 ratios in addition to 5-fold cross-validation for each model. We also optimize the hyperparameters of our models by using Grid Search. The ensemble method based on machine learning approaches provides the best performances which are the percentage of 99.9 for the English Enron dataset, and the hybrid ensemble approach based on simple average yields the best accuracy value of 98.43 for the Turkish dataset from UCI and Kaggle.

 Spam has surged due to increased email and social media use, posing a critical challenge in effectively detecting and classifying this growing volume without causing harm to systems. This paper presents a holistic strategy to analyze and reveal the most efficient approaches for detecting and classifying e-mails as spam or ham by using Turkish and English datasets. We use two different datasets generated in different languages in addition to conjunctively generated new datasets. We make a comparative study to find out the best spam mail detection approaches based on our enhanced machine learning and deep learning methods. We also bring ensemble and hybrid learning methods together as a new approach for spam mail detection. We utilize natural language processing, and improved learning algorithms with optimized feature selection approaches and preprocessing. We compare various methods commonly used in the literature which are Multinomial Naive Bayes, Support Vector Machine, Logistic Regression, K-Nearest Neighbors, Decision Tree, Random Forest, Voting classifier, and Stacking classifier as machine learning algorithms, and Long Short Term Memory, Bidirectional Long Short Term Memory, Bidirectional Encoder Representations from Transformers as deep learning algorithms. We split the datasets as train data and test data with the 80:20 ratios in addition to 5-fold cross-validation for each model. We also optimize the hyperparameters of our models by using Grid Search. The ensemble method based on machine learning approaches provides the best performances which are the percentage of 99.9 for the English Enron dataset, and the hybrid ensemble approach based on simple average yields the best accuracy value of 98.43 for the Turkish dataset from UCI and Kaggle.

 Artan e-posta ve sosyal medya kullanımı nedeniyle spam sayısı artmış ve bu durumun sistemlere zarar vermeden etkili bir şekilde tespit edilmesi ve sınıflandırılması konusunda kritik bir zorluk oluşturmuştur. Bu makale, Türkçe ve İngilizce veri kümelerini kullanarak e-postaları spam veya ham olarak tespit etmek ve sınıflandırmak için en etkili yaklaşımları analiz etmek ve ortaya çıkarmak için bütünsel bir strateji sunmaktadır. Birleşik olarak oluşturulan yeni veri kümelerine ek olarak, farklı dillerde oluşturulan iki farklı veri kümesi kullanılmaktadır. Gelişmiş makine öğrenmesi ve derin öğrenme yaklaşımlarını temel alarak en iyi spam posta algılama yöntemlerini sunmak için karşılaştırmalı bir çalışma yapılmaktadır. Ayrıca yeni bir yaklaşım olarak spam posta tespiti için toplu ve hibrit öğrenme yöntemleri bir araya getirilmiştir. Optimize edilmiş özellik seçimi yaklaşımları ve ön işleme ile doğal dil işlemeyi ve geliştirilmiş öğrenme algoritmaları kullanılmaktadır. Literatürde yaygın olarak kullanılan Multinomial Naive Bayes, Destek Vektör Makinesi, Lojistik Regresyon, K-En Yakın Komşular, Karar Ağacı, Rastgele Orman, Oylama sınıflandırıcısı ve makine öğrenme algoritmaları olarak Yığınlama Sınıflandırıcısı ile Uzun Kısa Süreli Bellek, Çift Yönlü yöntemlerini karşılaştırmaktayız. Uzun Kısa Süreli Bellek, Transformatörlerden Çift Yönlü Kodlayıcı Gösterimleri ise derin öğrenme algoritmaları olarak kullanılmaktadır. 5 kat çapraz doğrulamaya ek olarak, veri kümeleri her model için 80:20 oranlarıyla eğitim verileri ve test verileri olarak bölünmüştür. Izgara Arama tekniği kullanılarak modellerin hiper parametreleri de optimize edilmektedir. Makine öğrenmesi yaklaşımlarına dayalı toplu öğrenme yöntemi, İngilizce Enron veri seti için 99,9 ile en iyi performansı sağlarken, basit ortalamaya dayalı hibrit toplu öğrenme yaklaşımı, UCI ve Kaggledan Türkçe veri seti için 98,43 ile en iyi doğruluk değerini vermektedir.

Makale detayları

Spam Mail Detection in Turkish and English Languages: A Holistic Study of AI-based Techniques including Individual, Ensemble and Hybrid Approaches

Yazarlar:

Alperen Eroğlu

Yayıncı:

Necmettin Erbakan University

Ana Başlıklar:

Bilgi Güvenliği Yönetimi | Derin Öğrenme | Doğal Dil İşleme

Dergi:

Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi Vol.7 Issue 2, pp.189-205

Belge Tipi:

Makale

Yayın Tarihi:

8/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001356332

pISSN:

2667-7989

English Datasets

Ensemble Learning

Hybrid Learning

Turkish Datasets

Spam MailHibrit Öğrenme

İngilizce Veri Setleri

Toplu Öğrenme

Türkçe Veri Setleri

Spam Mail

Sayı

Makale detayları

Yazarlar: Alperen Eroğlu

Yayıncı: Necmettin Erbakan University

Ana Başlıklar: Bilgi Güvenliği Yönetimi | Derin Öğrenme | Doğal Dil İşleme

Dergi: Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi Vol.7 Issue 2, pp.189-205

Belge Tipi: Makale

Yayın Tarihi: 8/2025

Belge Dili: İngilizce

Document ID (Org No.): 2001356332

pISSN: 2667-7989

Sayı

Yazarlar:

Alperen Eroğlu

Yayıncı:

Necmettin Erbakan University

Ana Başlıklar:

Bilgi Güvenliği Yönetimi | Derin Öğrenme | Doğal Dil İşleme

Dergi:

Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi Vol.7 Issue 2, pp.189-205

Belge Tipi:

Makale

Yayın Tarihi:

8/2025

Belge Dili:

İngilizce

Document ID (Org No.):

2001356332

pISSN:

2667-7989