基于內(nèi)容的垃圾郵件檢測(cè)方法研究.pdf

1、隨著互聯(lián)網(wǎng)的發(fā)展和普及，電子郵件已經(jīng)成為人們一個(gè)相互交流、獲取資訊的重要渠道。伴隨著信息技術(shù)的發(fā)展垃圾郵件也給人們帶來了諸多的危害。在解決垃圾郵件問題眾多的途徑和思路中，基于內(nèi)容的垃圾郵件檢測(cè)是目前最主流的反垃圾郵件方法之一。文本分類與特征降維分別是基于內(nèi)容的垃圾郵件檢測(cè)不可或缺的兩個(gè)部分。
　　文本分類是在已知類別標(biāo)號(hào)的訓(xùn)練集上通過尋找規(guī)律或統(tǒng)計(jì)學(xué)習(xí)建立垃圾郵件檢測(cè)分類模型的方法?；趦?nèi)容的分類算法不需要考慮語義環(huán)境，只需對(duì)文本

2、進(jìn)行相關(guān)統(tǒng)計(jì)計(jì)算，具有自學(xué)習(xí)，自適應(yīng)能力和較高的準(zhǔn)確率。
　　特征降維是基于內(nèi)容的垃圾郵件檢測(cè)中的另一項(xiàng)關(guān)鍵流程。使用向量空間模型來表示郵件文本時(shí)，特征向量空間通常呈現(xiàn)高維特性，不利于垃圾郵件檢測(cè)系統(tǒng)的運(yùn)行。對(duì)原始高維特征空間進(jìn)行降維處理就成了垃圾郵件檢測(cè)中的重要步驟。特征降維方法中的特征選擇算法具有性能較好，可行性強(qiáng)等優(yōu)點(diǎn)，是基于內(nèi)容的垃圾郵件檢測(cè)中的重要研究對(duì)象。
　　本文對(duì)不同垃圾郵件檢測(cè)組合進(jìn)行了研究，通過它們性能的

3、優(yōu)劣對(duì)比，在此基礎(chǔ)上提出一種基于郵件內(nèi)容特征的結(jié)合正交質(zhì)心特征選擇算法(OrthogonalCentroidFeatureSelection，OCFS)和支持向量機(jī)(SupportVectorMachine，SVM)的新型垃圾郵件檢測(cè)架構(gòu)OCFSVM，該組合從垃圾郵件內(nèi)容特征入手，通過OCFS算法成功地從原始高維特征空間中選出足夠類別代表能力的特征子集，通過SVM學(xué)習(xí)方法對(duì)降維后的垃圾郵件語料庫低維向量空間模型分類運(yùn)算，并將其作垃圾郵件

4、檢測(cè)的基礎(chǔ)架構(gòu)。
　　本文的主要工作和創(chuàng)新點(diǎn)如下:
　　(1)通過對(duì)垃圾郵件特征降維階段及分類階段的分析，在特征降維階段引入應(yīng)用較少的OCFS算法，結(jié)合文本分類領(lǐng)域的SVM算法，提出了一種結(jié)合OCFS和SVM的新型垃圾郵件檢測(cè)架構(gòu)OCFSVM。并在matlab、C#、Eclipse平臺(tái)和懷卡托智能分析環(huán)境（WaikatoEnvironmentforKnowledgeAnalysis，Weka）上，實(shí)現(xiàn)了垃圾郵件檢測(cè)架構(gòu)OCF