基于內(nèi)容的垃圾郵件過(guò)濾方法研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩59頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、隨著計(jì)算機(jī)網(wǎng)絡(luò)與通訊技術(shù)的發(fā)展與廣泛應(yīng)用,電子郵件已經(jīng)成為必不可少的通訊方式。但是,電子郵件帶來(lái)的垃圾郵件問(wèn)題日益嚴(yán)重,給人們的生活帶來(lái)了諸多不便,同時(shí)也給網(wǎng)絡(luò)安全帶來(lái)了極壞的影響。因此,解決好此類問(wèn)題具有十分重要的現(xiàn)實(shí)意義。目前,反垃圾郵件工具逐漸傾向于引入基于內(nèi)容的機(jī)器學(xué)習(xí)判別方法。然而,在訓(xùn)練過(guò)濾器時(shí),會(huì)遇到未帶類別標(biāo)注的樣本,如果采用傳統(tǒng)的機(jī)器學(xué)習(xí)方法會(huì)造成過(guò)濾器性能下降。為此,本文研究利用這些未帶類別標(biāo)注樣本,進(jìn)行垃圾郵件過(guò)濾

2、器訓(xùn)練。具體所做的工作和創(chuàng)新點(diǎn)如下: (1)研究針對(duì)郵件內(nèi)容的理想特征選擇方法。郵件中過(guò)高維數(shù)的文本內(nèi)容會(huì)影響最后的過(guò)濾效果。因此,引入特征選擇是很有必要的。為此,本文利用實(shí)驗(yàn)驗(yàn)證的方法,分別就文本分類中常見(jiàn)的幾種特征選擇方法對(duì)垃圾郵件樣本進(jìn)行了測(cè)試。結(jié)果表明,期望交叉熵方法和X2統(tǒng)計(jì)量方法對(duì)郵件分類最為有效,互信息和信息增益方法效果相比之下顯得遜色; (2)針對(duì)由于含有未帶類別標(biāo)記樣本,導(dǎo)致訓(xùn)練樣本質(zhì)量低劣的情況,提出

3、一種主動(dòng)貝葉斯分類方法RANB(Naive Bayes Classifier Relying on ActiveLearning),用以標(biāo)注這些訓(xùn)練樣本類別標(biāo)記,提高訓(xùn)練樣本質(zhì)量。此方法根據(jù)條件熵衡量未帶類別標(biāo)記樣本好壞,選擇出一定數(shù)量好的樣本,并融入減少分類誤差機(jī)制。同時(shí),利用樸素貝葉斯方法簡(jiǎn)單易行且分類效果比較好的特點(diǎn)構(gòu)造分類器以標(biāo)注未帶類別標(biāo)記樣本類別。實(shí)驗(yàn)表明,此算法是可行的,尤其在未知類別標(biāo)注樣本較多時(shí)是十分有效的,比其他幾種

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論