基于SVM的郵件內(nèi)容分類方法研究.pdf

1、部隊(duì)首長信箱的郵件含有豐富的信息，能夠?yàn)椴块T機(jī)關(guān)總結(jié)工作，提高自身工作能力提供有力的信息支撐。隨著郵件數(shù)量的劇增，人工對(duì)郵件的分類已經(jīng)滿足不了現(xiàn)實(shí)需求，實(shí)現(xiàn)郵件內(nèi)容的自動(dòng)分類，能夠減輕機(jī)關(guān)工作負(fù)擔(dān)、提高分類效率，有一定現(xiàn)實(shí)意義。
　　郵件內(nèi)容分類是根據(jù)郵件標(biāo)題和正文的信息，按照軍事、政治、后勤、管理、祝福五個(gè)類別自動(dòng)分類的過程。本文在提取郵件的標(biāo)題和正文，構(gòu)成郵件內(nèi)容文本的基礎(chǔ)上，通過中科院ICTCLAS分詞系統(tǒng)對(duì)郵件內(nèi)容文本進(jìn)行

2、了分詞和去停用詞處理，得到文本的原始特征集合;采用向量空間模型(VSM)將郵件內(nèi)容文本表示成為計(jì)算機(jī)可以識(shí)別的數(shù)據(jù)向量;分析了CHI特征選取方法的缺點(diǎn)，提出一種改進(jìn)型的CHI方法，降低了原始特征集合的維數(shù);采用支持向量機(jī)(SVM)分類算法，選取徑向基核函數(shù)（RBF），應(yīng)用5-重交叉驗(yàn)證與網(wǎng)格搜索方法，得到最優(yōu)的核函數(shù)參數(shù)，提出以最大分類間隔作為類別分類性度量，構(gòu)造二叉樹SVMs多分類模型，通過對(duì)文本數(shù)據(jù)的學(xué)習(xí)訓(xùn)練，得到郵件內(nèi)容分類模型;

3、利用模型對(duì)未知類別郵件文本進(jìn)行分類。
　　為了檢驗(yàn)郵件內(nèi)容分類方法的性能，以某基層團(tuán)隊(duì)2010-2012年度首長信箱郵件為數(shù)據(jù)源，選取656個(gè)郵件內(nèi)容文本作為訓(xùn)練集，對(duì)232個(gè)郵件內(nèi)容文本進(jìn)行分類測(cè)試。測(cè)試結(jié)果表明，選取特征數(shù)目為200時(shí)，分類的總體性能最好，選用改進(jìn)后的CHI方法比傳統(tǒng)的CHI方法分類查全率高1.3％，分類查準(zhǔn)率高0.8％;二叉樹多分類方法分類效果接近DAG多分類方法，比一對(duì)一方法高0.9％，比一對(duì)多方法高2.6