基于用戶(hù)行為關(guān)系和內(nèi)容的郵件分類(lèi)算法的研究與實(shí)現(xiàn).pdf

1、郵件在人類(lèi)通信上的地位越來(lái)越重要了，在給人們帶來(lái)便利的同時(shí)，也使得人們不得不花費(fèi)大量時(shí)間來(lái)處理大量的郵件。隨著郵件的普及，人們?cè)谔幚磬]件上花費(fèi)的人力和財(cái)力就越來(lái)越多。因此構(gòu)造一種新的有效的郵件分類(lèi)算法就變得尤為迫切。
　　本文研究的主要問(wèn)題是郵件分類(lèi)，該問(wèn)題的重點(diǎn)在于訓(xùn)練數(shù)據(jù)集不平衡。不平衡數(shù)據(jù)分類(lèi)是最近幾年的比較熱門(mén)的問(wèn)題，所謂不平衡數(shù)據(jù)集是指不同類(lèi)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(huì)導(dǎo)致在分類(lèi)過(guò)程中，分類(lèi)器偏向數(shù)量比較

2、多的類(lèi)別。對(duì)于我們更想獲取的數(shù)量較少的類(lèi)別無(wú)法有效的識(shí)別。針對(duì)數(shù)據(jù)不平衡問(wèn)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(lèi)算法。本文結(jié)合這兩種方法，提出了一個(gè)多層次的分類(lèi)器算法，該算法結(jié)合郵件內(nèi)容和用戶(hù)行為關(guān)系。該算法通過(guò)一級(jí)級(jí)的過(guò)濾，不斷的降低樣本的不平衡性，最終在最后一級(jí)實(shí)現(xiàn)數(shù)據(jù)的相對(duì)平衡。另外，現(xiàn)在的郵件分類(lèi)算法一般是針對(duì)郵件內(nèi)容的，忽略了郵箱地址在郵件分類(lèi)中的作用，實(shí)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