基于Rough Set的电子邮件分类系统

随着电子邮件的广泛使用,通过它进行不良信息传播的事件不断发生.电子邮件分类问题成为了网络安全研究的热点。本文通过对电子邮件头进行分析,运用Rough Set理论中相关的数据分析技术,建立了电子邮件分类系统的模型,并进行了实验测试,得到了满意的结果。

基于基本显露模式的电子邮件分类与过滤技术

垃圾邮件问题日益严重,受到研究人员的广泛关注.基于内容分类与过滤垃圾邮件是当前解决垃圾邮件问题的主流技术之一.本文对电子邮件内容做了深入的研究,提出了一种更适合垃圾邮件分类的新的特征提取方法,并将新的特征提取方法与基于essential emerging pattern(eEP)的分类算法CeEP相结合,应用于垃圾邮件检测,实现了一种基于eEP的电子邮件分类与过滤算法(thee-mail categorization and filtering technology based on eEP,ECFEP).实验表明,新的特征提取方法与CeEP分类算法的结合是一种十分高效的分类方法,算法ECFEP的分类效率均高于目前几种较好的分类算法.

基于用户知识的中文电子邮件分类

在垃圾邮件分类和朴素贝叶斯算法研究的基础上,提出了基于用户知识的贝叶斯分类算法。通过在分类过程中引入用户知识,克服了电子邮件内容是非结构化、解读依赖于用户的问题。实验证明,面向用户知识的贝叶斯分类算法在商业邮件分类中比普通贝叶斯算法有更好的性能。

基于概念向量空间模型的电子邮件分类

提出了一个基于概念向量空间模型的电子邮件分类方法。在提取电子邮件特征向量时,以WordNet语言本体库为基础,以同义词集合概念代替词条,同时考虑同义词集合间的上下位关系,从而建立电子邮件的概念向量空间模型作为电子邮件的特征向量。使用TF*IWF*IWF方法对概念向量进行权值修正,最后通过简单向量距离分类方法来确定电子邮件的类别。实验结果表明,当训练集合数目有限时,该方法能够有效提高电子邮件的分类准确率。

基于Adaboost的电子邮件分类算法

提出基于Adaboost的电子邮件分类算法,通过不断修改训练样本的权值,自适应地改变训练样本分布,避免对训练样本的敏感性。实验表明,该算法能有效提高电子邮件分类的精度和召回率。

基于遗传算法优化的神经网络电子邮件信息分类器的研究

结合反垃圾邮件技术的研究,分析了电子邮件数字信息预处理中的特征选择法和将机器学习技术应用于数字信息分类器的方法。针对邮件信息特征向量庞大的问题,提出了GA-CHI特征选择法作为信息预处理,将复杂的邮件数字信息转变成易于机器学习处理的形式。基于BP神经网络电子邮件数字信息分类器,采用遗传算法来优化神经网络邮件数字信息分类器,以进一步提高对中文电子邮件的分类效果。通过对系统的实验分析表明:该文采用的方法能有效地实现对电子邮件数字信息的分类。

基于本体论的E-MAIL分类方法

为了方便电子邮件的管理,用户会将邮件分入有一定涵义的类别之中,现有分类方法精度不高.因此提出一种基于本体论的E -MAIL分类方法,在本体的辅助下,对E- MAIL文本进行分析,使用“泛化扩展”方法引入相应的背景知识.然后运用RIPPER方法进行规则提取.本分类法使分类更为精确,减少了所需训练文本的数量.