淺談中文垃圾郵件過濾系統(tǒng)的設(shè)計與實現(xiàn)

王　暉

摘要：本文的研究目標是設(shè)計一個客戶端的郵件解決方案，通過使用貝葉斯分類算法構(gòu)建貝葉斯分類器，實現(xiàn)一個基于最小風險決策的貝葉斯分類方法的垃圾郵件處理系統(tǒng)。該系統(tǒng)主要完成收發(fā)郵件、識別垃圾郵件的基本功能，詳細闡述了郵件預(yù)處理模塊和郵件過濾模塊的設(shè)計與實現(xiàn)。

關(guān)鍵詞：中文分詞；特征值；郵件過濾

一、 設(shè)計目標

本系統(tǒng)的目標是設(shè)計一個客戶端的郵件解決方案，通過使用貝葉斯分類算法構(gòu)建貝葉斯分類器，實現(xiàn)一個基于最小風險決策的貝葉斯分類方法的垃圾郵件處理系統(tǒng)。該系統(tǒng)主要完成收發(fā)郵件的基本功能，并利用該處理系統(tǒng)來識別垃圾郵件。同時，作為一種客戶端反垃圾郵件解決方案，系統(tǒng)支持電子郵件客戶端軟件Outlook。其次，系統(tǒng)充分考慮了用戶個性化的要求，不同的用戶有自己對垃圾郵件內(nèi)涵的不同理解和定義方式，用戶可以決定對垃圾郵件的處理方式。再次，針對大多數(shù)用戶的實際使用情況，本系統(tǒng)處理的重心主要放在中文郵件。最后，本系統(tǒng)還應(yīng)該具備安裝簡單、容易配置和使用、界面友好等特點，對用戶目前的使用習(xí)慣也充分考慮。

系統(tǒng)應(yīng)具備的功能主要有：（1）接收郵件功能。本系統(tǒng)選擇基于Outlook進行接收郵件，并設(shè)置了友好的界面，用戶接收郵件后，可以使用本系統(tǒng)訪問并讀取用戶郵箱中的郵件，并下載附件。（2）發(fā)送郵件功能。作為一個郵件處理系統(tǒng)，發(fā)送郵件功能是必不可少的，系統(tǒng)應(yīng)有編輯郵件文本內(nèi)容并發(fā)送郵件、添加附件的功能。（3）郵件識別功能。這是系統(tǒng)最關(guān)鍵的一項功能，在接收郵件同時，系統(tǒng)應(yīng)有自動對用戶郵件進行掃描、分析和對垃圾郵件識別的功能。要實現(xiàn)這一功能，需要完成對郵件內(nèi)容的分詞、提取特征詞，然后使用預(yù)先訓(xùn)練好的貝葉斯分類器實現(xiàn)對垃圾郵件的識別。

二、 郵件預(yù)處理模塊的設(shè)計與實現(xiàn)

對郵件的預(yù)處理主要分為兩個過程：中文分詞、特征詞提取。

1. 中文分詞設(shè)計與實現(xiàn)

中文分詞在垃圾郵件過濾中擔當著數(shù)據(jù)預(yù)處理的角色。分詞的結(jié)果可以與垃圾郵件特征詞匹配，判斷其是否為垃圾郵件，因此中文分詞的準確性直接影響電子郵件分類的準確度。這一部分的主要功能是選取中文郵件訓(xùn)練樣本集（包括垃圾郵件和正常郵件），對垃圾郵件和正常郵件的文本內(nèi)容進行分詞，存入數(shù)據(jù)庫。系統(tǒng)采用改進的基于詞典的正向最大匹配分詞算法，在正向最大匹配分詞的基礎(chǔ)上引入索引分詞的思想，從而提高了分詞的效率。由于正向最大匹配法是基于詞典的字符串匹配方法，詞典的好壞直接影響分詞的效果，所以詞典的組織加工尤為重要。為了提高分詞的準確性和高效性，本文設(shè)計了三個詞典：常用詞詞典、索引詞典、停用詞詞典。

為了提高分詞速度，對待分詞郵件進行預(yù)處理，刪除文本中的多余符號，將文本切分成句子。對每一個句子按經(jīng)過改進的正向最大匹配方法進行分詞處理，具體設(shè)計方法：（1）對郵件文本進行掃描，刪除英文、數(shù)字、空格及特殊的標志字符。（2）將郵件文本中用于分隔語句的符號用空格代替。（3）取當前首字POS首字節(jié)計算索引值，根據(jù)當前匹配長度讀入LEN個字（初始化LEN=4），根據(jù)索引值查找索引詞典，取得詞典偏移量，查找常用詞詞典。（4）如果未能找到且當前LEN≥2，則長度減一繼續(xù)查找，直到LEN＜2，如還未找到則取當前漢字的下一個漢字POS=POS+1,重復(fù)（1）。（5) 如果查找成功，繼續(xù)查找停用詞詞典，找到則去除停用詞，否則更新特征詞庫，然后后移LEN個漢字POS=POS+LEN重復(fù)（3），直到結(jié)束。

2. 特征值選取

通過使用信息增益法對分詞處理后得到的每個詞匯計算信息增益值，根據(jù)計算結(jié)果提取一定數(shù)量的特征詞建立垃圾郵件特征詞庫。

其算法過程如下所列：（1) 初始情況下，該特征項集合包含所有類中出現(xiàn)的詞。（2）除低頻詞和高頻詞。（3）計算每個詞的信息增益值。（4）對于所有的詞，依據(jù)上面計算的信息增益值從大到小進行排序。（5）抽取一定數(shù)量的詞作為特征項，具體需要抽取多少特征項，本文采用了先定初始值，然后根據(jù)實驗測試和統(tǒng)計結(jié)果確定最佳值。本系統(tǒng)最終提取了300個特征詞。（6）根據(jù)抽取出的特征詞，建立特征詞庫。

三、 郵件過濾模塊的設(shè)計與實現(xiàn)

1. 訓(xùn)練過程的設(shè)計與實現(xiàn)

對于訓(xùn)練樣本集和測試樣本集的選取，來源于中國教育科研網(wǎng)絡(luò)中心計算機緊急響應(yīng)小組提供的20 308封垃圾郵件和9 042封正常郵件。分別將語料庫中的400封郵件（包括200封正常郵件、200封垃圾郵件）作為訓(xùn)練樣本集，另外200封（包括100封正常郵件、100封垃圾郵件）作為測試樣本集。

訓(xùn)練過程的基本步驟：（1）建立訓(xùn)練樣本集，把訓(xùn)練樣本集分類成為正常郵件和垃圾郵件，建立正常郵件樣本集和垃圾郵件樣本集。（2）對郵件樣本集中的所有郵件的文本進行分詞處理，在分詞的過程中統(tǒng)計出每個特征詞在正常郵件類和垃圾郵件類中出現(xiàn)的次數(shù)，將分詞結(jié)果和統(tǒng)計數(shù)據(jù)存入數(shù)據(jù)庫。（3）分別統(tǒng)計垃圾郵件和正常郵件的類先驗概率P(c=1)和P(c=0)。（4）計算每個詞語的信息增益，將計算結(jié)果寫入數(shù)據(jù)庫。設(shè)定特征維數(shù)n，按從大到小的順序提取n個詞建立特征詞庫。（5）根據(jù)建立的特征詞庫，統(tǒng)計特征詞的類條件概率P(wt|c=1)和 P(wt|c=0)，完成后將結(jié)果存入特征詞庫。

2. 分類過程的設(shè)計與實現(xiàn)

一般地，在應(yīng)用貝葉斯分類器進行文本分類時，設(shè)定的文本類別是感興趣與不感興趣兩類。當然，貝葉斯分類器也可以處理多文本類別的情況，例如相關(guān)、不相關(guān)和其他類等。在采用貝葉斯分類法對電子郵件進行分類的過濾系統(tǒng)中，大多數(shù)直接將電子郵件分為垃圾郵件和非垃圾郵件兩類。這種兩值的情況會造成一些非垃圾郵件“誤承認”問題，即將一些非垃圾郵件劃分到垃圾郵件之列。例如一封關(guān)于“化妝品”的正常資料被判斷成為關(guān)于化妝品的宣傳品。對于用戶而言，寧可收到垃圾郵件也不愿意收不到郵件。造成此種問題的原因是，貝葉斯分類器中只是簡單地根據(jù)預(yù)定的閾值將電子郵件分為垃圾郵件和非垃圾郵件。如果貝葉斯分類器將電子郵件處理成多類別的情況，例如非垃圾郵件、垃圾郵件和不確定郵件，那么新的問題又會出現(xiàn)：一是閾值為多大，二是不確定類別郵件的存在又會造成過濾效率的降低。本文針對這兩種問題進行了改進。

本文中將采用貝葉斯分類算法處理的郵件分成垃圾郵件、疑似垃圾郵件和正常郵件三種類別。為了減少兩值判斷的誤承認性和誤判斷性，本文中將組合概率處于某個階段的郵件加入到不確定范圍中，即將組合概率分為三個范圍，組合概率分別處在三個范圍中的電子郵件被劃入垃圾郵件、疑似垃圾郵件和正常郵件之類。同時，在系統(tǒng)的運行過程中，根據(jù)過濾的效率不斷地改正三個范圍值，尤其是標志不確定類的范圍值。當誤承認和誤判斷性增高時相應(yīng)地減小其范圍值，相反則適當增大。對于不確定類別郵件的存在造成過濾效率的降低的問題，通過對該郵件的來源地址進行二次過濾的解決方法。如果郵件的來源地址屬于友好范圍之內(nèi)，即屬于友好地址數(shù)據(jù)庫，則將其加入到正常郵件范圍中，否則不變。當然，系統(tǒng)設(shè)計時增加了一個友好地址數(shù)據(jù)庫，并在運行中不斷進行維護，以便進行查詢。

在垃圾郵件過濾技術(shù)不斷發(fā)展的同時，垃圾郵件制造者也不斷采用新的方法和手段制造和發(fā)送垃圾郵件。因此，對于垃圾郵件過濾技術(shù)，仍然需要花費大量的時間與精力去研究和完善。本文在基于內(nèi)容的中文垃圾郵件的分類方面仍然存在許多不足，系統(tǒng)還有許多技術(shù)有待進一步研究和改進。

（黑龍江司法警官職業(yè)學(xué)院）