中文垃圾邮件过滤系统的实现和评估.ppt

中文垃圾邮件过滤系统的实现和评估,田莹 北京 清华大学 网络中心 Email:,概要,引言 研究背景 中文垃圾邮件过滤系统的实现 中文垃圾邮件过滤系统的评估 最新研究进展及结论,引言,垃圾邮件的定义 垃圾邮件的危害 反垃圾邮件的意义 Email，短信，VoIP电话 垃圾邮件的特性,反垃圾邮件的方法,黑白名单 关键字匹配 贝叶斯 SVM Etc.,基于内容的过滤器的流程图,英文垃圾邮件的贝叶斯过滤流程,收集两个数据库 垃圾邮件数据库 正常邮件数据库 在每一个数据库中，学习并定义出一些关键词，计算这些关键词的概率 新邮件到来时，计算出新到来的邮件中包含的关键词的联合概率 通过联合概率判断新到来的邮件是否是垃圾邮件,中文邮件的预处理,中文分词的概念 分词算法 基于字符串匹配 基于理解 基于统计 中文分词的词典 基于整词二分 基于TRIE索引树 基于逐字二分,实验数据来源,CCERT提供 训练用邮件数 5000 测试用邮件数 500,评估指标,定义L为正常邮件，S为垃圾邮件。SL表示将垃圾邮件判定为正常邮件，同理，LS表示将正常邮件判定为垃圾邮件。 在文本分类问题中，有两个评估指标被经常使用。 Acc称为正确率。Err称为错误率。这里 表示将正常邮件判断为正常邮件的个数。 的含义可以类推。 和 分别表示待判定的正常邮件和垃圾邮件的总个数。,评估指标（续1）,考虑到LS和 SL分别会有不同的代价，并设LS的代价是SL的代价的倍，我们定义两个新的评估指标，分别是WAcc（加权的正确率）和WErr（加权的错误率） 在没有过滤的情况下（无论是正常邮件还是垃圾邮件一律通过），我们得到基准WAcc和基准WErr分别为：,评估指标（续2）,为了方便比较，定义比率R为 不难看出R越大，过滤的效果越好。R如果小于1，意味着过滤比不过滤效果还差,参数说明,我们的算法中有两个重要的参数 用于训练的样本个数n 在过滤中计算最终概率的特征数目m 实验中，主要研究R和n以及R和m之间的相互关系。,实验结果,图1 R-m关系图,图2 R-m关系图,图3 R-m关系图,图4 R-n关系图,实验结果说明,在过滤中计算最终概率的特征数目m以及用于训练的样本个数n都存在某个最优值 当用于训练的样本个数逐渐超过这个最优值时，过滤效果会略微下降并趋于一致。,最新研究进展,相关会议 MIT spam conference CEAS（电子邮件和反垃圾邮件会议）,贝叶斯过滤发展方向,从单一关键词到关键词链 从线性到非线性 从单一用户到综合多用户 从客户端到服务器 利用电子邮件网络 Etc.,系统和产品,微软公司：SmartProof IBM公司：SpamGuru Etc.,结论,反垃圾邮件的挑战,谢谢大家,Q & A,