基于SVM和D-S理论的垃圾邮件过滤研究的中期报告.docxVIP

基于SVM和D-S理论的垃圾邮件过滤研究的中期报告

一、研究背景和意义

随着互联网技术的快速发展，垃圾邮件已经成为了最为普遍的电子邮件威胁之一。垃圾邮件的数量不断增加，影响公众的生活和工作，给网络安全带来很大威胁。因此，建立一种高效的垃圾邮件过滤方法已成为必要的措施。

随着机器学习技术的发展，一些新的垃圾邮件过滤方法应运而生。本文主要从基于SVM和D-S理论的角度来介绍在垃圾邮件过滤中的应用，以期为更为高效的垃圾邮件过滤方法提供参考。

二、研究现状

在垃圾邮件过滤领域，已经有很多研究者从不同角度提出了很多方法。其中较为常见的方法有：

1.基于规则的过滤方法

该方法主要通过人工设定规则来判断一封邮件是否为垃圾邮件。该方法的优点是准确率较高，但由于需要人工设定规则，所以难以应对复杂的情况。

2.基于朴素贝叶斯的过滤方法

该方法主要是从统计学的角度出发，建立一个模型来预测一封邮件是否是垃圾邮件。这种方法优点是能够应对复杂的情况，但当样本量不足时，效果会受到影响。

3.基于支持向量机的过滤方法

该方法主要是利用支持向量机分类模型，把邮件分为垃圾邮件和正常邮件两类。这种方法有很好的效果，但是模型的参数需要人工设置，且模型的训练需要大量的时间和计算资源。

三、研究内容和进展

本文主要从基于SVM和D-S理论的角度来介绍在垃圾邮件过滤中的应用。

1.SVM的原理和算法

在本研究中，我们主要采用支持向量机分类算法来判断一封邮件是否为垃圾邮件。SVM是一种二元分类模型，主要通过寻找一个最优决策边界来分类样本。

SVM算法的核心是选择一个合适的核函数，常用的核函数包括线性核函数、多项式核函数和径向基核函数等。

2.D-S理论的原理和算法

D-S理论是一种用于不确定性推理的数学模型，主要利用Dempster-Shafer区间理论对不确定的数据进行处理。在本研究中，我们主要采用D-S理论来提高垃圾邮件分类的准确性和可靠性。

D-S理论的核心是利用Dempster-Shafer置信函数和不确定性函数来量化不确定性信息。通过对置信函数的计算和分析，可以得出一个准确的结果。

3.实验设计和进展

以著名的公开数据集SpamAssassin为基础，本研究主要采用SVM和D-S理论两种方法进行垃圾邮件过滤实验。具体方法为：

（1）使用SpamAssassin数据集进行训练和测试。

（2）采用SVM算法对邮件进行分类。

（3）利用D-S理论的函数来提高分类准确性。

（4）对比分析两种方法的效果，并提出改进方案。

目前，本研究已经完成了数据集的采集和初步的实验分析，结果显示SVM算法具有较好的分类效果，但是分类结果较为离散，存在一定的误差。所以我们计划利用D-S理论的参数对分类结果进行优化，以提高分类的精度和准确性。

四、结论和展望

通过对基于SVM和D-S理论的垃圾邮件过滤研究的介绍和实验分析，我们发现，SVM算法能够很好地完成邮件分类任务，但分类结果较为离散，需要进一步优化。而利用D-S理论的函数可以有效地提高分类的准确性和可靠性，对于提高垃圾邮件分类的效果有重要意义。

未来，我们将继续探索基于SVM和D-S理论的更为高效的垃圾邮件过滤方法，并将研究重点放在算法优化方面，以提高分类效果和运行效率。