基于用戶行為關(guān)系和內(nèi)容的郵件分類算法的研究與實現(xiàn).pdf

1、郵件在人類通信上的地位越來越重要了，在給人們帶來便利的同時，也使得人們不得不花費大量時間來處理大量的郵件。隨著郵件的普及，人們在處理郵件上花費的人力和財力就越來越多。因此構(gòu)造一種新的有效的郵件分類算法就變得尤為迫切。
　　本文研究的主要問題是郵件分類，該問題的重點在于訓(xùn)練數(shù)據(jù)集不平衡。不平衡數(shù)據(jù)分類是最近幾年的比較熱門的問題，所謂不平衡數(shù)據(jù)集是指不同類別的數(shù)據(jù)在數(shù)量存在巨大的差距。不平衡數(shù)據(jù)集會導(dǎo)致在分類過程中，分類器偏向數(shù)量比較

2、多的類別。對于我們更想獲取的數(shù)量較少的類別無法有效的識別。針對數(shù)據(jù)不平衡問題，目前比較流行的解決方法有兩種:改變數(shù)據(jù)分布和調(diào)整分類算法。本文結(jié)合這兩種方法，提出了一個多層次的分類器算法，該算法結(jié)合郵件內(nèi)容和用戶行為關(guān)系。該算法通過一級級的過濾，不斷的降低樣本的不平衡性，最終在最后一級實現(xiàn)數(shù)據(jù)的相對平衡。另外，現(xiàn)在的郵件分類算法一般是針對郵件內(nèi)容的，忽略了郵箱地址在郵件分類中的作用，實際上，同一封郵件由不同的人發(fā)送給我們，由于發(fā)件人與收件