一种改进的贝叶斯邮件过滤算法

计算机与现代化

２０１０年第ｌＯ期

ＪＩＳＵＡＮＪＩ ＹＵ ＸＩＡＮＤＡＩＨＵＡ 总第１８２期

文章编号：１００６－２４７５（２ＯＬＯ）１０－０１２５－０４

一

种改进的贝叶斯邮件过滤算法

夏。超，徐德华

（同济大学经济与管理学院，上海２０００９２）

摘要：贝叶斯过滤算法是反垃圾邮件过滤技术中应用最为广泛的方法之一。考虑到邮件的错误分类对邮件接收者带来

的损失不同，引入判定垃圾邮件是判定正常邮件的 倍作为最终邮件分类依据；同时，为了提高贝叶斯过滤算法的分类

质量，运用遗传算法来对邮件中正文和标题的特征词在邮件分类中不同的重要程度做区分。最后用实际的邮件样本对

改进后的算法进行验证，验证结果表明，利用遗传算法优化配合贝叶斯过滤算法能有效提高邮件分类的质量。

关键词：贝叶斯；反垃圾邮件；遗传算法

中图分类号：ＴＰ３１１ 文献标识码：Ａ ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００６－２４７５．２０１０．１０．０３３

Ａｎ Ｉｍｐｒｏｖｅｄ Ｂａｙｅｓｉａｎ Ｍａｉｌ Ｆｉｌｔｅｒｉｎｇ Ａｌｇｏｒｉｔｈｍ

ＸＩＡ Ｃｈａｏ，ＸＵ Ｄｅ—ｈｕａ

（Ｃｏｌｌｅｇｅ ｏｆ Ｅｃｏｎｏｍｉｃｓ ａｎｄ Ｍａｎａｇｅｍｅｎｔ，Ｔｏｎ６ｉ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ ２０００９２，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｂａｙｅｓｉａｎ ｆｉｌｔｅｒｉｎｇ ａｌｇｏｒｉｔｈｍ ｉｓ ｏｎｅ ｏｆ ｍｏｓｔ ｗｉｄｅｌｙ ｕｓｅｄ ｍｅｔｈｏｄｓ ｏｆ ａｎｔｉ－ｓｐａｍ ｆｉｌｔｅｒｉｎｇ ｔｅｃｈｎｏｌｏｇｙ．Ｔａｋｉｎｇ ｉｎｔｏ ａｃｃｏｕｎｔ

ｔｈｅ ｆａｃｔ ｔｈａｔ ｔｈｅ ｗｒｏｎｇ ｃｌａｓｓｉｉｆｃａｔｉｏｎ ｏｆ ｔｈｅ ｍａｉｌ ｃａｕｓｅｓ ｄｉｆｅｒｅｎｔ ｌｏｓｓｅｓ ｔＯ ｒｅｃｉｐｉｅｎｔｓ，ＳＯ ｉｎｔｒｏｄｕｃｉｎｇ ａ ｍｅｓｓａｇｅ ｔｈａｔ ｉｆ ｊｕｄｇｉｎｇ ａｓ ａ

ｓｐａｍ ｍａｉｌ ｉｓ ｔｉｍｅｓ ｔｈａｔ ｏｆ ｊｕｄｇｉｎｇ ａｓ ａ ｎｏｒｍａｌ ｍａｉｌ，ｉｔ ｃａｎ ｃｏｎｃｌｕｄｅ ｔｈａｔ ｈｔｉｓ ｉｓ ａ ｓｐａｍ ｍａｉｌ．Ｍｅａｎｗｈｉｌｅ，ｉｎ ｏｒｄｅｒ ｔｏ ｉｍｐｒｏｖｅ

ｔｈｅ ｑｕａｌｉｔｙ ｏｆ ｃｌｓａｓｉｆｉｃａｔｉｏｎ，ｔｈｅ ｐａｐｅｒ ｕｓｅｓ ｇｅｎｅｔｉｃ ａｌｇｏｉｒｔｈｍ ｔＯ ｄｉｓｔｉｎｇｕｉｓｈ ｂｅｔｗｅｅｎ ｔｏｋｅｎｓ ｉｎ ｔｈｅ ｂｏｄｙ ａｎｄ ｔｏｋｅｎｓ ｉｎ ｔｈｅ ｓｕｂｊｅｃｔ．

Ｆｉｎａｌｌｙ，ｕｓｉｎｇ ｔｈｅ ｓａｍｐｌｅ ｔｏ ｖａｌｉｄａｔｅ ｔｈｅ ｉｍｐｒｏｖｅｄ ａｌｇｏｒｉｔｈｍ，ｔｈｅ ｒｅｓｕｌｔ ｓｈｏｗｓ ｔｈａｔ ｕｓｉｎｇ ｎｅｗ ａｌｇｏｒｉｔｈｍ Ｃａｎ ｉｍｐｒｏｖｅ ｔｈｅ ｑｕａｌｉｔｙ ｏｆ

ｔｈｅ ｍｅｓｓａｇｅ ｃｌｓａｓｉｉｆｃａｔｉｏｎ．

Ｋｅｙ ｗｏｒｄｓ：Ｂａｙｅｓｉｎａ；ａｎｔｉ—ｓｐａｉｎ ｍａｉｌ；ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｍｈ

０ 引 言

反垃圾邮件方法是试图来减少垃圾邮件问题和

处理安全需求，通过正确地识别垃圾邮件、邮件病毒

２００９年ｌ２月，思科公司发布了《年度安全报

或者邮件攻击程序等减少垃圾邮件。这些解决方法

告》。思科在报告中表示，由于黑客不断想出控制用

采取多种安全途径来努力阻止垃圾邮件。反垃圾邮

户计算机的新途径，被控制的计算机发送了大量垃圾 件技术中最流行的是过滤技术，主要有黑名单、白名

邮件，垃圾邮件约占９０％。几天后的ＭｃＡｆｅｅ研究结 单、基于规则的过滤和基于内容的过滤。黑名单和白

果显示，垃圾邮件是超大的“碳”制造机。另外，垃圾

名单指的是已知的垃圾邮件发送者或可信任的发送

邮件通常都可能携带危险的病毒、蠕虫，严重地威胁

者的ＩＰ地址。基于规则的过滤根据某些特征（比如

着用户电脑的硬盘；大批量的垃圾邮件能使邮箱堵

单词、词组、位置、大小等）来形成规则，通过这些规

塞，使得电脑网络速度大幅下降，影响电子邮箱的工

则来描述垃圾邮件。显然，这些方法的主观性会造成

作效率；对通信机构来说，大量的垃圾邮件使它们必

大量正常邮件的误判和垃圾邮件的漏判 Ｊ。本文采

须大幅度提高计算机性能以维持邮件服务器的正常 用的基于贝叶斯过滤算法是内容过滤的一种。

运行。毫无疑问，目前垃圾邮件已经成为全球互联网

治理工作的重点¨ 。

１贝叶斯过滤算法

收稿日期：２０１０－０８．１２

基金项目：国家自然科学基金资助项目（７０９７１０９９）

作者简介：夏超（１９８６－），男，浙江舟山人，同济大学经济与管理学院硕士研究生，研究方向：数据挖掘，文本挖掘；徐德华

（１９６７－），男，副研究员，博士，研究方向：数据仓库与数据挖掘，ＳＯＡ，移动商务。