基于貝葉斯分類的手機(jī)短信過濾技術(shù)研究

房玲玲

沈陽航空職業(yè)技術(shù)學(xué)院（沈陽 110034）

近年來，人們希望通過各種方式杜絕垃圾短信，垃圾短信過濾研究也就越來越迫切和深入。目前，垃圾短信過濾主要有以下幾種過濾技術(shù)：黑名單和白名單技術(shù)，關(guān)鍵詞語的匹配法和貝葉斯推理過濾法。

本文借鑒了在垃圾郵件過濾技術(shù)中經(jīng)常采用的文本過濾技術(shù)，并結(jié)合分詞和貝葉斯分類，實(shí)現(xiàn)手機(jī)垃圾短信的識別，進(jìn)而為垃圾短信的過濾服務(wù)。

1 研究內(nèi)容

1.1 手機(jī)短信中詞的匹配

目前的過濾技術(shù)大都是用詞庫對樣本中的詞進(jìn)行匹配，根據(jù)匹配程度或進(jìn)行加權(quán)求和，并利用這個(gè)和值進(jìn)行過濾，或含有個(gè)別敏感詞就過濾該短信，針對不同的反過濾策略，出現(xiàn)了關(guān)鍵詞替換表，如拼音替換表，向形字替換表，同音字替換表，如果一種匹配策略失效后，就可以根據(jù)這些表進(jìn)行其它方式的匹配，可能產(chǎn)生對多個(gè)表的掃描，雖然使詞的匹配具有一定的靈活性，但卻是用時(shí)間換取了精度，為了減少匹配時(shí)間，本文提出了基于Hash技術(shù)的匹配算法。

1.2 手機(jī)短信詞庫的智能更新

目前過濾技術(shù)大都是以現(xiàn)有的關(guān)鍵詞庫為依據(jù)進(jìn)行過濾，關(guān)鍵詞庫的創(chuàng)建或更新主要是靠人工操作實(shí)現(xiàn)的，手動(dòng)添加新詞或是用新詞替換舊詞，所以對不同的反過濾策略的適應(yīng)能力差，現(xiàn)在常用的過濾方法是Byase，它計(jì)算速度快、精確性高，因此可以將單個(gè)詞本身就看成一個(gè)樣本，將 Byase的歸類思想用于對詞庫的自動(dòng)更新，用分析產(chǎn)生的結(jié)果作為詞的附加屬性，這個(gè)屬性一方面用于以后的詞庫的更新，一方面用于以后信息樣本的分析依據(jù)。

1.3 樣本的分析

以往的樣本分析都是選擇能夠提供大量信息利于分類的詞作為屬性，這樣作可以降低文本向量的維數(shù)，加快分析速度，但是提供信息少的詞可能更具有類區(qū)別能力，因此用信息量大的詞進(jìn)行歸類可能產(chǎn)生局部解，并使分析結(jié)果的可信度降低。要提高分析結(jié)果的可信度，可以把降維時(shí)產(chǎn)生的中間結(jié)果作為詞的權(quán)值，將它與詞歸類的風(fēng)險(xiǎn)值、詞本身的匹配程度一起作為詞的屬性，這樣可以從多角度同時(shí)分析樣本，提高分析的可信度。

2 關(guān)鍵問題

2.1 確定詞的風(fēng)險(xiǎn)系數(shù)

對詞集進(jìn)行降維，用提供最多信息的詞分析樣本的時(shí)候，忽略了提供信息少的詞可能更具有類區(qū)分能力，因此在詞庫的智能更新時(shí)，考慮如何利用Byase過濾思想避免這種風(fēng)險(xiǎn)，使分析更具全面性。

2.2 詞的匹配

針對不同反過濾策略維護(hù)了若干關(guān)鍵詞替換表，處理速度可能下降，因此考慮如何將現(xiàn)有的關(guān)鍵詞替換匹配算法與Hash表的查找速度快結(jié)合起來，添加詞的匹配信息以減化匹配過程。

3 研究方法

3.1 用Hash表進(jìn)行詞匯匹配

哈希表是一種高效的數(shù)據(jù)結(jié)構(gòu)。它的最大優(yōu)點(diǎn)就是把數(shù)據(jù)存儲(chǔ)和查找所消耗的時(shí)間大大降低，幾乎可以看成是常數(shù)時(shí)間；而代價(jià)僅僅是消耗比較多的內(nèi)存。然而在當(dāng)前可利用內(nèi)存越來越多、程序運(yùn)行時(shí)間控制的越來越短的情況下，用空間換時(shí)間的做法還是值得的。另外，哈希表編碼實(shí)現(xiàn)起來比較容易也是它的優(yōu)點(diǎn)之一。用Hash表存儲(chǔ)詞庫，詞的Hash值作為它在表格中的位置信息。詞匹配時(shí)先計(jì)算它的Hash值，如果不與表中該位置的詞完全匹配，則進(jìn)行關(guān)鍵詞替換后的模糊匹配，該詞用作找到的每個(gè)詞的模糊匹配信息，以后通過查看模糊匹配信息來加快匹配速度。

3.2 用貝葉斯思想更新手機(jī)短信詞庫

(1)貝葉斯分類并不把一個(gè)對象絕對地指派給某一類，而是通過計(jì)算得出屬于某一類的概率，具有最大概率的類便是該對象所屬的類。

(2)一般情況下在貝葉斯分類中所有的屬性都潛在的起作用，即并不是一個(gè)或幾個(gè)屬性決定分類，而是所有的屬性都參與分類。

(3)貝葉斯分類對象的屬性可以是離散的，也可以連續(xù)的。

用Byase分類中的概率計(jì)算方法，計(jì)算每個(gè)詞歸到不同類的概率，文獻(xiàn)[4]中為解決過濾中誤判代價(jià)不對等問題提出如下解決方法：只有P(判斷為垃圾短信)/P(判斷為正常短信)≥閥值C時(shí)，才判斷短信為垃圾短信。樣本訓(xùn)練時(shí)可以這樣理解這個(gè)商值，每個(gè)詞是等可能地出現(xiàn)在每個(gè)類中，樣本中人工分類錯(cuò)誤率很小可視為零，這樣可以認(rèn)為其出現(xiàn)概率即為歸類概率，而將它歸屬到其它類就會(huì)存在一定的風(fēng)險(xiǎn)，故歸屬其它類的概率 P=樣本在該類出現(xiàn)的概率×誤判風(fēng)險(xiǎn)，風(fēng)險(xiǎn)值越小則樣本出現(xiàn)在其它類的可能性越小。更新詞庫時(shí)，可以將詞看成上述描述中的樣本，取最小風(fēng)險(xiǎn)值作為詞歸入到某類的風(fēng)險(xiǎn)，用它作歸類時(shí)的權(quán)重屬性。

4 結(jié) 論

現(xiàn)在普通使用貝葉斯算法和關(guān)鍵詞詞庫作為過濾依據(jù)，詞庫的創(chuàng)建與更新主要是手動(dòng)進(jìn)行，不法分子一旦掌握詞庫便可以采取不同的反過濾手段，所以過濾系統(tǒng)的適應(yīng)性差。大多數(shù)據(jù)過濾系統(tǒng)都用降維方法減少數(shù)據(jù)量，選取能夠提供最多信息的詞作為文本向量的分量，但是提供信息少的詞更具有類區(qū)別能力，為使分析準(zhǔn)確率提高，因此不將詞集降維，而將降維分析的結(jié)果用作詞的權(quán)值。本研究將貝葉斯分類思想與降維方法相合，提取詞的特征屬性，以保證分析結(jié)果的可信度。

[1]張偉,王子軒.GSM 垃圾短信過濾方案.電信快報(bào):網(wǎng)絡(luò)與通信,2009.(3):26-28

[2]胡日勒,蔡潔,鐘義信.短信過濾系統(tǒng)設(shè)計(jì)分析.計(jì)算機(jī)應(yīng)用研究,2009.25(3):2557-2560.

[3]鐘延輝,傅彥,陳安龍,關(guān)娜.基于抽樣的垃圾短信過濾方法.計(jì)算機(jī)應(yīng)用研究.2009.26(3):933-935

[4]李輝,張琦,盧湖川.基于內(nèi)容的垃圾短信過濾.計(jì)算機(jī)工程,2008.34(6):154-156