电子邮件分类中的特征选择

维普资讯

计算机科学２００６Ｖｏ１．３３ Ｎｏ．２

电子邮件分类中的特征选择 ）

陈超兰张自力

（西南大学智能软件与软件工程重点实验室 重庆４００７１５）

摘要 电子邮件是互联网的最重要应用之一，尽管给Ａ＇ｆｆ１日常工作和生活带来很大便利，但也带来了一种令人讨厌

的副产品一一垃圾邮件。对邮件进行分类已成为当前的一个研究热点，而如何进行邮件特征选择，是邮件分类中一个

基本也是很重要的问题。本文在分析比较几种用于邮件分类的典型特征选择方法基础上，提出一种新的结合了Ｍｉ ｕ

ｔｒａ’ｓ算法和顺序前进搜索法优点的邮件特征选择方法 实验结果表明该方法能够改进邮件分类的准确率，验证了本

文方法的有效性和可行性。

关键词垃圾邮件，邮件分类，特征选择

Ｆｅａｔｕｒｅ Ｓｅｌｅｃｔｉｏｎ ｉｎ Ｅ－ｍａｉＩ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ

ＣＨＥＮ ＣｈａｄＬａｎ ＺＨＡＮＧ Ｚｉ—Ｌｉ

（Ｋｅｙ Ｌａ１．ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｏｆｔｗａｒｅ＆ Ｓｏｆｔｗａｒｅ Ｅｎｇｉｎｅｅｒｉｎｇ，ｏＳｗｔｈ Ｗｅｓｔ Ｃｈｉｎａ Ｌｌｎｉｖｅｒｓｉｔｙ。Ｃｈｏｎｇｑｉｎｇ ４００７１５）

Ａｂｓｔｒａｃｔ Ｂｍａｉｌｉｓ ｏｎｅ ｏｆ ｔｈｅ ｍｏｓｔ ｐｏｐｕｌａｒ ｓｅｒｖｉｃｅｓ ｏｆ ｔｈｅ Ｉｎｔｅｒｎｅｔ．Ｅ＿ｍａｉｌ ｈａｓ ｂｒｏｕｇｈｔ ＵＳ ｇｒｅａｔ ｃｏｎｖｅｎｉｅｎｃｅ ｉｎ ｏｕｒ

ｄａｉｌｙ ｗｏｒｋ ａｎｄ １ｉｒｅ．Ｉｔ ｈａｓ ｂｒｏｕｇｈｔ ＵＳ ａｎ ａｎｎｏｙｉｎｇ ｂｙｐｒｏｄｕｃｔ Ｓｐａｍ．Ｈｏｗ ｔＯ ｃｌａｓｓｉｆｙ ｉｎｃｏｍｉｎｇ Ｅ－ｍａｉｌｓ ａｎｄ ｆｌｉｔｅｒ

ｓｐａｒｅ ｈａｓ ａｔｔｒａｃｔｅｄ ｍｕｃｈ ａｔｔｅｎｔｉｏｎ．Ｏｎｅ ｆｕｎｄａｍｅｎｔａｌ ｙｅｔ ｉｍｐｏｒｔａｎｔ ｉｓｓｕｅ ｉｎ Ｅ－ｍａｉｌ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｉＳ ｈｏｗ ｔｏ ｓｅｌｅｃｔ ｔｈｅ ａｐ

ｐｒｏｐｒｉａｔｅ ｆｅａｔｕｒｅｓ．Ｂａｓｅｄ ｏｎ ｔｈｅ ａｎａｌｙｓｉｓ ａｎｄ ｃｏｍｐａｒｉｓｏｎ ｏｆ ｓｅｖｅｒａｌ ｔｙｐｉｃａｌ ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ ｍｅｔｈｏｄｓ ｆｏｒ Ｅ－ｍａｉｌ ｃｌａｓｓｉｆｉ

ｃａｔｉｏｎ。ａ ｎｅｗ ｍｅｔｈｏｄ ｉＳ ｐｒｏｐｏｓｅｄ，ｗｈｉｃｈ ｃｏｍｂｉｎｅｓ ｂｏｔｈ Ｍｉｔｒａ’Ｓ ａｎｄ Ｓｅｑｕｅｎｔｉａｌ Ｆｏｒｗａｒｄ Ｓｅｌｅｃｔｉｏｎ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔ

ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｃａｎ ｉｍｐｒｏｖｅ ｔｈｅ ｐｒｅｃｉｓｉｏｎ ｏｆ Ｅ－ｍａｉｌ ｃｌａｓｓｉｆｉｃａｔｉｏｎ．

Ｋｅｙｗｏｒｄｓ Ｓｐａｍ。Ｂｍａｉｌ ｃｌａｓｓｉｆｙｉｎｇ，Ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ

１ 引言

征属性进行特征选择都是最基础也是很重要的一步。不同的

特征选择算法选出的特征属性子集差异很大，对最后的邮件

互联网７Ｏ 以上的应用是电子邮件，其中垃圾邮件 分类准确率产生很大的影响。

（ＳＰＡＭ）是指未经收件人请求而发送的电子邮件。垃圾邮件

针对这个问题，本文在分析比较几种用于邮件分类的典

破坏了电子邮件的正常流通秩序，对丰十会的危害十分严重。

型特征选择方法基础上，提出了一种新的邮件特征选择方法。

据统计，全世界每天的电子邮件其中ｌＯ 以上为垃圾邮件。

该方法结合了Ｍｉｔｒａ’ｓ算法和ＳＦＳ算法的优点，克服了ＳＦＳ

根据调查，２００４年全球垃圾邮件达到３．３万亿封（２００３年为

算法一旦选人某个特征就不能删除的缺点，实验结果表明该

１．６万亿封），阁此而造成的损失为１１９０亿美元（２００３年为

方法能够提高邮件分类的准确率。

５８０亿美元）（ｈｔｔｐ：／／ｓｔａｒ＿ｔｅｃｈｃｅｎｔｒａ１．ｃｏｍ．ｔｅｃｈ／ｓｔｏｒｙ．ａｓｐ）。

据Ｆｅｒｒｉｓ公司的最新研究报告称，２００５年垃圾邮件给全球的

２邮件分类的总体流程

生产力造成的损失和其他反垃圾邮件的投资将达到５００亿美

原始数据集

元。垃圾邮件占用邮件服务器大量网络资源、系统资源、存储

特征选择

资源；垃圾邮件攻击会导致系统瘫痪、服务中断；各种垃圾广

告邮件，阻碍正常通讯．使人厌烦，导致用户投诉，并极其容易

决策系统

诱发经济犯罪等。如何有效地控制垃圾邮件的蔓延，成为亟

训练集ＴＲ

测试集ＴＥ

待解决的一个问题

二［

目前一般的垃圾邮件解决方法是安装智能过滤器，主要

离散化ｒ—．１断点集

离散化

是通过一定的过滤规则（如黑名单…、关键词等）来对垃圾邮

＿＿＿＿＿＿＿＿●＿＿＿－＿＿＿＿＿－＿－＿——

———

土—一

件进行过滤，其过滤过程实质是一个分类过程，即将分类为垃

值约减（ＧＡ）

规则匹配

圾邮件的一类邮件过滤掉，这在很大程度上抑制了垃圾邮件

的泛滥。但它同时也带来了一系列的问题，过滤器有可能会

创建规则卜＿叫决策规则Ｉ Ｉ计算可能性

把非垃圾邮件当作垃圾邮件过滤掉，给用户造成很大的损失。

所以，如何提高邮件分类的准确率就成为邮件过滤研究中的

预测结果

一

个重点也是一个难点问题。

要提高邮件分类的准确率，目前研究较多的是采用不同

图１基于粗糙集邮件分类系统流程简图

的分类算法Ｌ２－４．］。然而，对于不同的分类算法而言，对邮件特

＊）受到重庆市自然科学基金资助 陈超兰硕士研究生。主要研究方向：人工智能、邮件分类。张自力博士，教授，主要研究方向：多代理系

统，人工智能，混合智能系统等。

・

７３ ・