基于改進(jìn)平衡Winnow算法的短信過濾系統(tǒng)

閆紅靜 ，邸書靈

(1.石家莊鐵道大學(xué) 研究生學(xué)院，河北 石家莊 050043；2.石家莊鐵道大學(xué) 信息科學(xué)與技術(shù)學(xué)院，河北 石家莊 050043)

手機(jī)短信以其短小、迅速、簡(jiǎn)便、價(jià)格低廉等優(yōu)點(diǎn)成為一種重要的通信和交流方式，受到眾多人士的青睞。然而，手機(jī)短信與郵件一樣存在著垃圾信息問題。

目前，垃圾短信過濾主要有黑名單過濾、關(guān)鍵詞過濾和基于文本分類的內(nèi)容過濾等方式。黑名單過濾和關(guān)鍵詞過濾方式能快速過濾垃圾短信，但這兩種過濾方式實(shí)質(zhì)是基于規(guī)則的過濾，雖然在一定程度上阻擋了一些垃圾短信，但規(guī)則的方法需要更多的用戶自定義設(shè)置，很容易被反過濾。基于文本分類的短信過濾采用常見的分類算法，如樸素貝葉斯、SVM、神經(jīng)網(wǎng)絡(luò)等。黎路[1]等人將貝葉斯分類應(yīng)用到J2ME模擬環(huán)境中成功地過濾了中獎(jiǎng)短信和祝福短信。浙江大學(xué)的金展、范晶等[2]將樸素貝葉斯和支持向量機(jī)結(jié)合，解決了傳統(tǒng)垃圾短信過濾系統(tǒng)短信特征和內(nèi)容未能得到及時(shí)更新而導(dǎo)致過濾性能降低的問題。王忠軍[3]將基于樸素貝葉斯短信過濾算法與基于最小風(fēng)險(xiǎn)貝葉斯算法進(jìn)行了實(shí)驗(yàn)分析和比較，結(jié)論是基于最小風(fēng)險(xiǎn)的短信過濾算法具有較好的性能。然而，短信過濾的準(zhǔn)確率依賴于其訓(xùn)練樣本的數(shù)量及質(zhì)量，這些分類算法需要經(jīng)過訓(xùn)練學(xué)習(xí)建立分類器模型，因此在速度上不能很好地滿足短信過濾實(shí)時(shí)性的要求。從現(xiàn)有技術(shù)上來(lái)說，垃圾短信的過濾在準(zhǔn)確率和效率方面仍然不能滿足現(xiàn)實(shí)需要。

本文針對(duì)現(xiàn)有短信過濾技術(shù)的不足，設(shè)計(jì)了在手機(jī)終端的短信過濾系統(tǒng)，根據(jù)垃圾短信的特點(diǎn)將黑白名單和基于內(nèi)容過濾相結(jié)合。這種過濾方式要求能夠快速地對(duì)短信進(jìn)行分類，并且能夠?qū)崿F(xiàn)用戶對(duì)短信過濾的個(gè)性化要求，使垃圾短信過濾系統(tǒng)具有更好的過濾性能。

Winnow算法是在1987年由Nick Littlestone提出并對(duì)可行性做了嚴(yán)格證明的線性分類算法[4]。當(dāng)時(shí)的目標(biāo)是想找到一種時(shí)空復(fù)雜度僅僅與分類對(duì)象相關(guān)屬性相關(guān)的數(shù)量呈線性相關(guān)的算法。平衡Winnow算法是對(duì)基本W(wǎng)innow算法的一種改進(jìn)，該算法具有過濾速度快、性能好、支持反饋更新的優(yōu)點(diǎn)，在信息過濾領(lǐng)域有很好的應(yīng)用前景，尤其適合于對(duì)實(shí)時(shí)性要求較高的短信過濾系統(tǒng)。

本文設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于平衡Winnow算法的短信內(nèi)容過濾系統(tǒng)，對(duì)該算法在短信過濾系統(tǒng)上的應(yīng)用進(jìn)行了詳細(xì)分析。分類器的訓(xùn)練過程分成預(yù)處理、訓(xùn)練、分類和反饋四個(gè)部分。

1 預(yù)處理模塊

預(yù)處理模塊包括中文分詞、特征提取以及短信的向量表示子模塊。

1.1 中文分詞

中文分詞是漢語(yǔ)所特有的研究課題。英語(yǔ)、法語(yǔ)等印歐語(yǔ)種詞與詞之間存在著自然的分割，一般不存在分詞的問題。本系統(tǒng)采用了目前國(guó)內(nèi)較多使用的中科院計(jì)算所開發(fā)的漢語(yǔ)詞法分析系統(tǒng)ICTCLAS[5](Instituteof Computing Technology，Chinese LexicalAnalysisSystem)。ICTCLAS 3.0分詞速度單機(jī)996 Kb/s，分詞精度98.45%，API不超過 200 KB，各種詞典數(shù)據(jù)壓縮后不到 3 MB，是當(dāng)前相對(duì)較好的漢語(yǔ)詞法分析器。

1.2 特征提取

特征提取的方法目前也有很多，常用的特征選取方法有[5]：文檔頻率 DF(Document Frequency)、信息增益 IG(Information Gain)、互信息 MI(Mutual Information)、χ2統(tǒng) 計(jì)等。

本文將分詞后的詞作為候選特征，然后使用特征提取算法從中提取出對(duì)分類最有用的一些特征，去除對(duì)分類貢獻(xiàn)不大的候選特征，以降低特征的維數(shù)。其中χ2的主要思想是認(rèn)為詞條與類別之間符合χ2分布。χ2統(tǒng)計(jì)量的值越高，特征項(xiàng)和類別之間的獨(dú)立性越小、相關(guān)性越強(qiáng)，即特征項(xiàng)對(duì)此類別的貢獻(xiàn)越大。χ2是一個(gè)歸一化的值，該方法比其他方法能減少50%左右的詞匯，具有分類效果好的優(yōu)點(diǎn)[6]。本文中采用χ2統(tǒng)計(jì)進(jìn)行特征提取。但不是簡(jiǎn)單地令特征項(xiàng)的權(quán)重 xi=1或0，而是令xi=f(χ2)或 0，這里χ2特指特征對(duì)應(yīng)的 χ2統(tǒng)計(jì)值，對(duì)應(yīng)關(guān)系 f根據(jù)實(shí)際情況而定。實(shí)驗(yàn)中令xi=(n是一個(gè)正整數(shù)，取n=4)。實(shí)驗(yàn)表明比用布爾權(quán)重表示效果要好。

1.3 文本向量表示

目前應(yīng)用較多的是向量空間模型VSM(Vector Space Model)，文中用 VSM將一條短信表示為(W1，W2，…，Wk，…，Wn)的向量形式。其中：Wk(k=1，2，…，n)為第k個(gè)特征的權(quán)重，n為選定的特征數(shù)。

2 構(gòu)造分類器

訓(xùn)練分類器是研究的重點(diǎn)，采用Balanced Winnow算法并對(duì)其進(jìn)行改進(jìn)。

2.1 Winnow分類算法

Winnow算法是二值屬性數(shù)據(jù)集上的線性分類算法。線性分類問題中表示分類界限的超平面等式如下：w0α0+w1α1+w2α2+…+wkαk=0，其中：α0，α1，…，αk分別是屬性的值；w0，w1，…，wk是超平面的權(quán)值。如果其值大于0，則預(yù)測(cè)為第一類否則為第二類。

Winnow算法是錯(cuò)誤驅(qū)動(dòng)型的分類算法，即當(dāng)出現(xiàn)錯(cuò)分的實(shí)例時(shí)才更新權(quán)值向量。設(shè)定兩個(gè)學(xué)習(xí)系數(shù)α和β(其中 α＞1，β＜1)，通過將權(quán)值乘以參數(shù) α(或 β)來(lái)分別修改權(quán)值。

2.2 Balanced Winnow分類算法

在實(shí)驗(yàn)中，采用文獻(xiàn)[7]中統(tǒng)一α和β為一個(gè)參數(shù)的方法，令β=1/α，沒有影響分類效果，但有效簡(jiǎn)化了參數(shù)的選擇。可以為不同的類別確定不同的θ值，但實(shí)驗(yàn)表明：對(duì)于不同的類別選擇同樣的θ值，結(jié)果幾乎是一樣的，所以在每次獨(dú)立的實(shí)驗(yàn)中都取相同的θ值，大小是訓(xùn)練文本所含的平均特征數(shù)，而初始的w+和w-分別取全2和全1向量。

在平衡Winnow算法中，一旦參數(shù) α、β和閾值 θ確定下來(lái)后，將在訓(xùn)練過程中不斷更新權(quán)重向量w+和w-至最適合這組參數(shù)。因此對(duì)參數(shù)的依賴較小，需要手工調(diào)整的參數(shù)不多。

2.3 去除野點(diǎn)

在短信過濾中，短信樣本是由手動(dòng)或自動(dòng)方式收集的，收集的過程中難免會(huì)出錯(cuò)，因此短信樣本集中可能存在一些被人為錯(cuò)分的樣本點(diǎn)，即野點(diǎn)。這些野點(diǎn)在訓(xùn)練時(shí)，會(huì)使得分類器產(chǎn)生嚴(yán)重的抖動(dòng)現(xiàn)象，降低分類器的性能。因此，好的分類器應(yīng)具有識(shí)別野點(diǎn)的能力[11]。

對(duì)于Winnow算法，若樣本中存在野點(diǎn)，則野點(diǎn)在訓(xùn)練時(shí)以較大的概率出現(xiàn)在兩分類線之外，且分類錯(cuò)誤。這些野點(diǎn)對(duì)分類器的訓(xùn)練過程產(chǎn)生很大的影響，可能會(huì)造成分類器的“過度學(xué)習(xí)”。因此引入損失函數(shù)，按照損失函數(shù)的定義，這些野點(diǎn)損失較大，因此可以通過給損失函數(shù)設(shè)置一個(gè)上界函數(shù)來(lái)處理線性分類器中的野點(diǎn)問題，如圖1所示。

圖1所示為兩類線性可分情況，圖中實(shí)心點(diǎn)和空心點(diǎn)分別表示兩類訓(xùn)練樣本，H為兩類樣本沒有被錯(cuò)誤地分開的分類線，H1和H2分別為平行于分類線H且與分類線H的距離為單位距離的兩條直線。直線G(t)為平衡Winnow算法中第t輪迭代后損失函數(shù)的上界線。該上界線是關(guān)于迭代次數(shù)t的函數(shù)，因此可以將該上界線G(t)對(duì)應(yīng)的上界函數(shù)記為g(t)。從圖1可知，在直線G(t)左下側(cè)誤分樣本的損失較少，可以認(rèn)為這些誤分樣本是由于當(dāng)前分類器的性能較低而誤分的；在直線G(t)右上側(cè)誤分的樣本由于在第t輪迭代后損失仍較大，則可以認(rèn)為這些誤分的樣本是野點(diǎn)。根據(jù)線性分類器和野點(diǎn)的性質(zhì)可知，上界函數(shù)g(t)具有以下性質(zhì)：

(1)隨著Winnow算法中迭代次數(shù)t的增加，上界函數(shù)g(t)單調(diào)遞減，并且遞減的速率也隨著t的增加而遞減，即上界函數(shù)的導(dǎo)數(shù)g(t)為單調(diào)遞減函數(shù)；

(2)上界函數(shù)既不能太大，也不能太小。太大會(huì)降低判斷野點(diǎn)的能力，太小則會(huì)誤判正常樣本為野點(diǎn)。

在每一輪訓(xùn)練中，若該樣本的G(t)值大于分類線的值，并且超過一定的閾值，且不屬于該類，則判定該樣本具有野點(diǎn)的性質(zhì)，應(yīng)當(dāng)在訓(xùn)練集中將該樣本去除，以便提高下一輪訓(xùn)練的準(zhǔn)確性。這樣不僅有效削弱了分類器的抖動(dòng)現(xiàn)象，而且提高了分類器的性能。

3 系統(tǒng)反饋

Winnow是一種在線學(xué)習(xí)的、以錯(cuò)誤為驅(qū)動(dòng)的分類器，適于結(jié)合增量式學(xué)習(xí)來(lái)解決自適應(yīng)問題，實(shí)現(xiàn)用戶的個(gè)性化要求。平衡Winnow算法是基本W(wǎng)innow算法的另外一種形式，同樣具有在線更新能力。在分類器訓(xùn)練過程中，對(duì)錯(cuò)分的短信通過α和β更新類別權(quán)重向量，實(shí)現(xiàn)對(duì)分類器的更新，平衡Winnow算法中 w+和w-的雙向調(diào)節(jié)，使算法的訓(xùn)練速度更快，適合于對(duì)分類實(shí)時(shí)性要求較高的短信過濾系統(tǒng)。

4 實(shí)驗(yàn)資源及分析與評(píng)價(jià)

本文在自建短信語(yǔ)料庫(kù)的基礎(chǔ)上完成對(duì)比實(shí)驗(yàn)，其中正常短信1 892條，垃圾短信270條，將短信語(yǔ)料庫(kù)隨機(jī)分成5等份，其中4份用于訓(xùn)練樣本，1份作為測(cè)試樣本。

4.1 評(píng)價(jià)指標(biāo)

分類系統(tǒng)評(píng)價(jià)指標(biāo)如下，包括兩類短信各自的準(zhǔn)確率(precision)和召回率(recall)，由于系統(tǒng)目標(biāo)是垃圾短信過濾，于是增加了針對(duì)垃圾短信的綜合評(píng)價(jià)指標(biāo)(F1)：F1=(2×準(zhǔn)確率×召回率)/(準(zhǔn)確率+召回率)。

4.2 實(shí)驗(yàn)結(jié)果分析

(1)實(shí)驗(yàn)1：探討改進(jìn)的特征權(quán)重計(jì)算方法對(duì)實(shí)驗(yàn)結(jié)果的影響。實(shí)驗(yàn)結(jié)果如表1所示。

表1 特征權(quán)重計(jì)算方法對(duì)實(shí)驗(yàn)結(jié)果的影響

其中測(cè)試樣本中正常短信被誤分為垃圾短信條數(shù)為22條，正常短信召回率為94.2%；垃圾短信被誤分為正常短信8條，準(zhǔn)確率僅為67.7%。

(2)實(shí)驗(yàn)2：統(tǒng)一參數(shù)和取固定的閾值θ之后對(duì)實(shí)驗(yàn)結(jié)果的影響。該實(shí)驗(yàn)中?。害?1.5、β=1/1.5、θ=15。實(shí)驗(yàn)結(jié)果如表2所示。

表2 選定參數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響

其中測(cè)試樣本中正常短信被誤分為垃圾短信條數(shù)為18條，正常短信召回率為96.1%；而測(cè)試用的垃圾短信正確識(shí)別了44條，準(zhǔn)確率為71.0%。由此可見，參數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響不大。

(3)實(shí)驗(yàn)3：去除野點(diǎn)對(duì)實(shí)驗(yàn)結(jié)果的影響。實(shí)驗(yàn)結(jié)果如表3所示。

表3 去除野點(diǎn)對(duì)實(shí)驗(yàn)結(jié)果的影響

從實(shí)驗(yàn)結(jié)果分析，僅有12條正常短信和8條垃圾短信被錯(cuò)誤分類。通過去除野點(diǎn)，發(fā)現(xiàn)不僅緩減了抖動(dòng)現(xiàn)象，而且提高了分類器的分類性能及正常短信的召回率。

Balanced Winnow在訓(xùn)練速度和分類速度上具有較大優(yōu)勢(shì)，所以具有更高的實(shí)用價(jià)值，非常適合短信過濾的要求。另外，Winnow作為一種在線學(xué)習(xí)方法，在訓(xùn)練集合不斷擴(kuò)大的情況下能夠快速對(duì)分類器進(jìn)行更新。正是基于Winnow不斷學(xué)習(xí)、不斷調(diào)整的機(jī)制，使其非常適合用戶自己定制需要的分類標(biāo)準(zhǔn)。隨著用戶不斷地反饋調(diào)整，整個(gè)系統(tǒng)會(huì)表現(xiàn)出越來(lái)越好的效果。

[1]黎路，秦衛(wèi)平.淺析貝葉斯分類方法在手機(jī)垃圾短信過濾 系 統(tǒng) 中 的 應(yīng) 用[J].科 技 廣 場(chǎng) ，2007(7)：76-78.

[2]金展，范晶.基于樸素貝葉斯和支持向量機(jī)的自適應(yīng)垃圾短信過濾系[J].計(jì)算機(jī)應(yīng)用，2008，28(3)：714-718.

[3]王忠軍.文本分類在短信過濾中的應(yīng)用[D].遼寧：大連理工大學(xué)，2006.

[4]LITTLESTONE N.Learningquicklywhen irrelevantattributes abound：a new linear threshold algorithm.Machine Learning， 1988(2)：285-318.

[5]YANG YI MING， PEDERSEN JAN.A comparative study on feature selection in text categorization proceedings of the 14th international conference on machine learning[C].Nashville： Morgan Kaufmann， 1997：412-420.

[6]周志軍.中文郵件分類系統(tǒng)的研究及其實(shí)現(xiàn)[D].蘇州：蘇州大學(xué)，2005.

[7]潘文峰，王斌.Winnow算法在垃圾郵件過濾中的應(yīng)用[C].第一屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集，上海，2004.