改进KNN算法在垃圾邮件过滤中的应用.pdfVIP

《现代图书情报技术》# E’ 年# 第$ 期 应用实践 # # 总第+$( 期 ################################################ 改进 ! 算法在垃圾邮件过滤中的应用$ 张俊丽# 张# 帆 （华中师范大学信息管理系# 武汉$%’( ） # # 【摘要】# 提出一种改进的! 算法，并将其用于垃圾邮件的过滤问题。经实验证明，改进的算法能够降 低! 值和训练文本的分布对过滤效果的影响，减少垃圾邮件的误判和漏判，具有较好的过滤性能。 # # 【关键词】# !# 垃圾邮件过滤# 文本分类# # # # 【分类号】# )*%(+ !#$%’$() (* +,-(./0 122 !#3(-$’4, $) 5, 67,$# 8$#’/-$)3 94)3 :;)#$# 94)3 8) （!# $%’( )* +(* )%’$,)( -$($.’( ，/0$12)(. 3)%’$4 5(,6%7,8 ，902$( :;= ，?2,($ ） # # 【!=’-%’ 】# ,- ./01 23245 ，3-! : 43541. 40;/75 （! ）01 3-9 01 322=049 .7 0=.45 1236 4630=? ,. ’1 257849 ./3. ./4 3=;750./6 01 =411 14-10.084 .7 ./4 235364.45 ! 3-9 ./4 901.50@.07- 7 ./4 .530-0-; 14. ，/4=21 549@A0-; ./4 601A=31100A3.07- ，3-9 2457563-A41 B4== 0- 4C245064-.1? # # 【1/?(-0= 】# !# D-.0 : 1236 4630=# )4C. A=31100A3.07- ［G ］ 提出 。应用于邮件过滤中就是将训练文本分为两类， +# 引# 言 一类为合法邮件，一类为非法邮件，在训练文本集合中， # # 目前，常用的垃圾邮件过滤算法主要有三类：黑白名 待测文本找出与其最相似的! 个文本，然后将其中的多 单过滤法、基于规则的方法和基于统计的方法。其中，黑 数文本所属的类别赋给待测文本，从而判断出待测邮件 白名单法是将黑名单地址发出的邮件进行拦阻和过滤， 是否合法。在经典! 算法中，! 值的选择对分类的结 白名单地址发出的邮件判为合法，但在实际应用中，动态 果影响很大，如果! 值过大，则将会使结果偏向于文本数 变化的邮件地址会导致这种方法失效［+］；基于规则的过 较多的一类，如果! 值过小（如! T + ），则会降低过滤效 滤方法是通过训练得到显式规则，再利用规则来进行过 果。本文提出对! 算法进行改进，降低! 值和训练文 滤，如J02245 、K4A0107- .544 、H771.0-; 等方法，此类算法的 本的分布对结果的影响，实验证明，改进后的算法能够提 过滤正确率和召回率都在L M 以上，其缺点是在规律性 高邮件过滤系统的稳定性。 不明显的邮件中过滤效果比较差［E ］；因此更多学者倾向 E# 系统设计 于基于统计算法的研究。! （! : 43541. 40;/75 ）是 一种简单的基于统计的过滤算法，N73A/061 ) 和O0 H37=0 # # 邮件过滤系统的框架如图+ 所示。