中文郵件語料庫建設(shè).pdf

1、目前，隨著網(wǎng)絡(luò)的發(fā)展，電子郵件已成為人們生活快速、便捷的重要通信手段之一，人們通過電子郵件的往來日益頻繁，每天都要處理大量的郵件，所以迫切需要對郵件進(jìn)行分類處理。在另一方面，大量文本分類技術(shù)應(yīng)用于郵件分類中，但目前并未有公開的中文郵件分類語料庫，實(shí)驗(yàn)者都是在自己收集的語料上做實(shí)驗(yàn)得出結(jié)論。且分類算法的分類性能在某種程度上與訓(xùn)練語料庫相關(guān)，好的或高質(zhì)量的訓(xùn)練語料庫可能會導(dǎo)致分類器得到好的分類性能。 基于以上觀點(diǎn)，本文通過對郵件分類

2、、聚類等技術(shù)的研究，提出了建設(shè)一個(gè)多類別、動態(tài)的、自動與手工相結(jié)合的中文郵件語料庫系統(tǒng)。 首先，本文分析了現(xiàn)有郵件語料庫的情況，結(jié)合語料庫的基本知識提出了構(gòu)建中文郵件語料庫的框架，并給出了郵件的處理流程。其次，面對一系列收集的MIME格式郵件，結(jié)合郵件的格式對郵件進(jìn)行解析，提取出相應(yīng)字段的內(nèi)容。為了豐富語料信息，以及更好地進(jìn)行郵件的分類和聚類操作，對郵件進(jìn)行了一系列的預(yù)處理。再次，針對郵件的特點(diǎn)，在構(gòu)造郵件表示模型時(shí)，從郵件頭部