基于改进贝叶斯模型的中文邮件分类算法

通过分析常见的贝叶斯分类方法和实现模型,提出了一种适用于中文邮件的分类算法——基于混合模型的最小风险贝叶斯方法。混合模型将二项独立模型和多项式模型相结合,提高邮件分类的查全率,同时,在此基础上应用最小风险贝叶斯方法,进一步提高准确率。实验表明,应用改进的方法可以得到更准确的邮件分类效果。

基于文本挖掘的邮件分类与过滤

该文提出一种基于文本挖掘的邮件分类与过滤的方法,它包括邮件采集与预处理、文本分词、特征选取、邮件分类器和过滤器等功能模块。该系统不仅可使邮件服务器具有自动过滤垃圾邮件的能力,也可以用于电子政务和电子商务,对邮件自动分类和转发。

基于颜色和边缘特征直方图的图像型垃圾邮件分类模型

提出了一种新型的图像分类识别方法,该方法不依赖于对图像内容文字信息的提取,而是直接采用图像的颜色信息和图形边缘特征来构造用于图像模式分类的统计模型。通过在公开数据集上的实验结果表明,提出的模型对图像型垃圾邮件具有良好的分类能力,分类性能优于现有相关方法。由于该方法对图像型垃圾邮件的分类准确率高,且不受图像文字识别干扰技术的影响,具有良好的应用前景。

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。

基于小波神经网络的邮件分类算法研究

小波神经网络模型是将小波理论和神经网络结合起来的一种模型。通过对邮件分类问题的分析,采用由伸缩和平移因子决定的小波基函数代替传统的神经元激励函数的小波神经网络的方法,建立了相应的邮件分类的小波神经网络模型。该模型克服了传统BP神经网络参数不足、隐含层单元数目难以确定、收敛速度较慢等缺点。应用结果表明,该算法在邮件分类中能有效减少平均绝对误差,提高查准率,为邮件分类算法研究提供了一种新的方法。

最大熵模型在邮件分类中的应用

邮件分类是指在给定的分类体系下,根据邮件的内容和属性,确定其类别标签的过程。将最大熵模型应用于邮件分类中,给出了邮件的预处理过程,介绍了邮件信头特征,分析比较了特征数量和迭代次数、邮件特征字段对分类结果的影响,以及对层次分类和平面分类的效果进行了比较。实验表明,特征数量和迭代次数分别取2000和250时为宜;充分利用邮件各字段信息,取得的总体分类效果最好,但对合法邮件,利用邮件头及邮件标题却取得了最好结果,并在层次分类中验证了这点,层次分类效果要优于平面分类。最后进行了总结和展望。

基于动态人工免疫的邮件分类算法研究

使用虚拟基因库技术,对用于邮件分类的人工免疫系统(AISEC)进行改进,提出了动态人工免疫分类算法(DAICA)模型,改进了AISEC的抗体更新过程。当分类正确时,充分利用参与正确分类的抗体,快速改善抗体质量;当分类错误时,不再是简单地将参与错误分类的抗体直接移去,而是对这些移去的抗体进行体细胞高频变异,以保持先前遇到的抗原信息。还研究了新算法DAICA中使用的参数α与β对算法性能的影响。实验表明,这种改进可以提高分类准确率。

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.

一种改进的支持向量机邮件分类器

在实际的邮件过滤应用中,由于垃圾邮件本身的一些因素,像传统的支持向量机分类模型把一个邮件样本明确地归为某一类就很容易出错,而以一定概率的输出判断是否属于某一类则较为合理。根据这种思想,本文在传统支持向量机邮件分类器基础上,提出了一种分类器优化思想,通过对分类输出进行概率计算,并对概率的阈值进行判断,从而确定邮件所属类别。实验证明这种方法是有效可行的。

免疫危险理论在电子邮件分类中的应用

在对危险理论、人工免疫和云模型的研究基础上,提出了一种基于危险理论的电子邮件分类模型并对模型的框架和工作原理进行了详细的描述.实验证明该模型总体性能优于贝叶斯分类,能有效地识别出有害的非我,达到降低伪肯定率和伪否定率的目的.

基于朴素贝叶斯分类器邮件分类系统的改进

目前朴素贝叶斯分类方法在电子邮件分类起到了良好的效果,但是并不能100%区分垃圾邮件与非垃圾邮件,然而在商业应用中,我们不能遗漏任何一封重要邮件。本文先简单介绍Bayes方法,然后提出一种对目前的Bayes分类方法的改进思想和方法。

基于加权子图和支持向量机相融合的邮件分类算法

为了提高邮件分类的准确性和分类速度,提出一种基于加权子图和支持向量机相融合的邮件分类方法.首先通过收集邮件分类样本数据,利用加权子图提取邮件特征,并实现加权,然后采用核主成分分析选择邮件的最优特征子集,最后输入到支持向量机中进行学习,并采用布谷鸟算法搜索支持向量机参数,建立最优邮件分类器.仿真实验结果表明,该邮件分类方法不仅提高了邮件分类的正确率,而且分类速度明显加快,可以较好地满足网络邮件在线分类要求.

基于FCA的邮件分类系统模型

对于大量的电子邮件,传统的分类方式是使用基于关键字比较的分类系统的过滤器对邮件进行分类,这种方式存在缺乏灵活性、分类粗糙等缺点。本文提出了一种基于形式概念分析(FCA)的邮件分类模型,在传统规则分类方法的基础上引入FCA分类机制,即利用FCA来抽取隐含在邮件文档中的潜在的概念关系,分析文档之间的相关性。用户对邮件文档的浏览是在一个根据概念划分的概念格结构上进行的。试验验证了该模型的可行性,试验结果表明该模型较好地解决了概括性的分类问题。

智能化企业电子邮件分类管理模型研究

通过对电子邮件数据具有的特点和电子邮件数据表示的介绍,从数据管理、技术、应用等三个方面对电子邮件管理的内涵进行了分析。在分析的基础上提出了数据-技术-应用(DTA)电子邮件管理框架,进一步得出了以邮件知识管理为核心的智能化企业电子邮件管理系统模型。

基于Winnow的中文邮件分类器的设计

本文首先通过建立实验用中文邮件语料库，提出了用Winnow算法实现邮件分类器，并讨论了其特点,然后，文章提出了通过建立分类规则库改善邮件分类器的分类效果．实验证明，该方法能有效提高邮件分类的可信度．

基于Winnow的中文邮件分类器的设计

首先通过建立实验用中文邮件语料库,提出了用Winnow算法实现邮件分类器,并讨论了其特点.然后,提出了通过建立分类规则库改善邮件分类器的分类效果.实验证明,该方法能有效提高邮件分类的可信度.

一种用于电子邮件分类的特征选择算法

邮件分类是当前研究的一个热点问题,而如何进行邮件特征选择,是邮件分类中的重要问题。在介绍几种常用的邮件分类的特征选择算法的同时,提出了将非搜索型算法FCBF与搜索型算法SFS结合的特征选择方法。实验验证了该方法的有效性和可行性,能够有效提高分类器的准确率。

基于动态特征库的电子邮件分类的研究

随着邮件分类技术的不断发展,为了对邮件进行更加有效的组织和管理,需要对不断变化的邮件进行动态特征提取,根据其动态特征对邮件进行分类。从邮件的动态特征方面入手,通过编写邮件客户端程序,利用中科院的ICTCLAS分词工具实现中文邮件的准确分词,利用改进的TF-IDF算法对邮件的特征权重进行计算,并利用WEKA挖掘工具进行结果的仿真实验。实验结果表明,利用邮件的动态特征来对邮件进行分类是切实可行的,且在一定程度上能够对邮件进行合理有效的分类。

基于机器学习的中文邮件分类研究

由于垃圾邮件的数量的增长,对邮件进行分类已经成为亟待解决的问题。本文提出一种基于机器学习的中文邮件分类方法,采用朴素贝叶斯算法对邮件进行处理。实验结果表明,该方法对垃圾邮件判定结果的准确率较高。

基于Skip-gram的CNNs文本邮件分类模型

随着互联网广告技术的发展和电子邮件的普及,越来越多的垃圾广告邮件充斥生活,而对如何高效区分垃圾邮件的研究也逐渐成为了热门课题。自然语言在结构上具有很强的前后相关性,而且对于中文邮件直接转化成向量会有过高的维度产生,影响最后分类的准确性。对此,首先对邮件文本进行分词,再利用skip-gram模型训练出数据集中每个词的wordembedding,引入的词嵌入(wordembedding)是为了将邮件文本转化成低维度特征向量;然后将每个词的wordembedding组合为二维特征矩阵作为网络的输入,此外在每一次的迭代过程中,输入特征也作为参数进行更新;最后送入提出的CNN-HIGHWAY混合模型中进行邮件分类。将该混合模型在CCERT中文邮件样本集上进行实验,并与传统的机器学习方法和标准的卷积神经网络模型进行对比,结果表明该模型不仅解决了维度过高的问题,而且提高了邮件分类的准确率。