一种基于嵌入式特征选择的垃圾邮件过滤模型.pdfVIP

小 型 微 型 计 算 机 系 统 2009年 8月 第 8期 JournalofChineseComputerSystems VoI．3O No．8 2009 一 种基于嵌人式特征选择的垃圾邮件过滤模型 闫 鹏h。，郑雪峰 ，朱建勇。，肖赞泓h。 ’(北京科技大学 信息工程学院，北京 100083) 0(国家信息中心，北京 100045) 。(北京市公安局，北京 t00011) E—mail：yanpeng@mx．cei．gov．cn 摘 要 ：垃圾邮件 自身的特点决定 了消极学习型的文本分类算法更加适合于垃圾邮件过滤 问题．但是，以k-NN为代表 的消极 型文本分类算法却存在着运行效率偏低等诸多缺点，不便于实际使用．为此，该文在向量余弦相似性公式的基础上，提出了一种 新的 “嵌入式特征选择垃圾邮件过滤模型”和基于此模型的消极学习型垃圾邮件过滤算法．与一些经典算法相比，新算法在显著 降低运算开销的同时，≯j妙地避免了由此而引起的信息丢失问题 ，因而在性能与效率两个方面都有明显提高，具有非常高的实 际价 值． 关 键 词：垃圾邮件过滤；机器学习；余弦相似性；嵌入式特征选择 中图分类号：TP181 文献标识码：A 文 章 编 号 ：1000—1220(2009)08—1616—05 LazyLearningSpam FilteringM odelBasedon Embedded FeatureSelection YANPeng～，ZHENGXue—feng，ZHU Jian—yong，XIAO Yun—hong’。 (InformationEngineerSchoolofUniversityScienceandTechnologyBeOing，Bei)ing100083，China) (StateInformationCenter，Beijing100045，China) 。(BeijingMunicipalPublicSecurityBureau，Beijing100011，China) Abstract：AlthoughbeingmoresuitablethanEagerLearningTextCategorizationApproachesforspam filtering，LazyLearning approachesaregenerallyinlowerefficiency．Moreover，theyalwaysneedFeatureSelectionprocesstoreducedimensionalityof featurespace．Thisprocesswillcauseinformation losingtohaveside—effectonthewholeperformanceofapproaches．Sothe paperissuedanew spam filteringmodelbasedonEmbeddedFeatureSelectionMode，whichcanreducedimensionalityoflea— turespacegreatlywithoutanyinformationlosing，theapproachbasedonthismodelthuscanimprovebothefficiencyandper— formancegreatly． Keywords：spam filtering；machinelearning；cosinesimilarity；embeddedfeatureselection 1 引 言 正是由于垃圾邮件的这些特点，使得消极学习型 (Lazy Learner)文本分类算法比积极学习型 (EagerLearner)文本分 1．1 消极型文本分类算法更适合于垃圾邮件过滤问题 类算法更适合于解决垃圾邮件的过滤问题[1]，其原因有二： 垃圾邮件过滤，实质上是一个文本分类问题，即通过一定 首先，消极型分类法是直到需要对查询文本进行分类时 的文本分类算法，