[發明專利]一種垃圾郵件過濾方法

有效

• 申請號: 201110450352.3
• 申請日: 2011-12-29
• 公開（公告）號: CN103186845A
• 公開（公告）日: 2013-07-03
• 發明（設計）人: 林延中;潘慶峰
• 申請（專利權）人: 盈世信息科技（北京）有限公司
• 主分類號: G06Q10/10
• 分類號: G06Q10/10;G06F17/27;H04L12/58
• 代理公司: 廣州三環專利代理有限公司 44202
• 代理人: 顏希文

1.一種垃圾郵件過濾方法，其特征在于，包括：

S11、從待過濾郵件中提取中文字符，組合成中文文本，并采用排列組合方式從所述中文文本中分離出詞語；

S12、通過統計已知分類的郵件樣本，獲得所述中文文本中每一個詞語在正常郵件分詞列表、垃圾郵件分詞列表、廣告郵件分詞列表、訂閱郵件分詞列表中所屬的重要性位置區間編號；

S13、統計每個重要性位置區間編號上分布的詞語的個數，并轉換成一維數組，獲得所述中文文本的特征向量；

S14、將所述特征向量輸入支持向量機模型，獲得所述待過濾郵件分別為正常郵件、垃圾郵件、廣告郵件、訂閱郵件的概率。

2.如權利要求1所述的垃圾郵件過濾方法，其特征在于，在步驟S11中，采用排列組合方式從所述中文文本中分離出詞語的方法，具體包括：

掃描所述中文文本中的每一個中文文字，以S個中文字符為步長將每一個中文文字后面的文字逐個提取出來，組成文字組合，獲得詞語；其中，S為自然數。

3.如權利要求2所述的垃圾郵件過濾方法，其特征在于，步驟S12具體包括：

收集已知分類的郵件樣本，所述郵件樣本包括正常郵件樣本、垃圾郵件樣本、廣告郵件樣本和訂閱郵件樣本；

從所述郵件樣本中提取分詞樣本，對每一個分詞樣本的區分郵件類型的能力進行排序，形成正常郵件分詞列表、垃圾郵件分詞列表、廣告郵件分詞列表和訂閱郵件分詞列表四個郵件類型的分詞列表；每個郵件類型的分詞列表記錄了每個分詞樣本在本郵件類型中的重要性位置區間編號，所述重要性位置區間編號表示分詞樣本在某類郵件樣本中的重要性；

將所述正常郵件分詞列表、垃圾郵件分詞列表、廣告郵件分詞列表、訂閱郵件列表中的分詞樣本及其重要性位置編號記錄到數據庫中；

從所述待過濾郵件的中文文本中分離出詞語后，根據數據庫中記錄的每個分詞樣本在不同郵件類型中的重要性位置區間編號，來確定所述中文文本中每一個詞語在正常郵件分詞列表、垃圾郵件分詞列表、廣告郵件分詞列表、訂閱郵件分詞列表中所屬的重要性位置區間編號。

4.如權利要求3所述的垃圾郵件過濾方法，其特征在于，步驟S13具體包括：

構建一個四維數組，四維數組的第一行記錄所述正常郵件分詞列表的每個重要性位置區間編號上所分布的詞語個數；四維數組的第二行記錄所述垃圾郵件分詞列表的每個重要性位置區間編號上所分布的詞語個數；四維數組的第三行記錄所述廣告郵件分詞列表的每個重要性位置區間編號上所分布的詞語個數；四維數組的第四行記錄所述訂閱常郵件分詞列表的每個重要性位置區間編號上所分布的詞語個數；所述詞語是從所述待過濾郵件的中文文本中分離出的詞語；

按照先行后列的方式將所述四維數組轉換成一維數組，獲得所述中文文本的特征向量。

5.如權利要求4所述的垃圾郵件過濾方法，其特征在于，在步驟S14之后，還包括：

S15、判斷所述中文文本為垃圾郵件的概率是否大于設定的第一閥值，若是，則判定所述待過濾郵件為垃圾郵件，否則不是垃圾郵件。

6.如權利要求1~4任一項所述的垃圾郵件過濾方法，其特征在于，所述垃圾郵件過濾方法還包括：?

S21、從待過濾郵件中提取英文字符，組合成英文文本，且以標點符號和空格分隔每個分詞，從所述英文文本中分離出詞語；

S22、通過統計已知分類的郵件樣本，獲得所述英文文本中每一個詞語在正常郵件分詞列表、垃圾郵件分詞列表、廣告郵件分詞列表、訂閱郵件分詞列表中所屬的重要性位置區間編號；

S23、統計每個重要性位置區間編號上分布的詞語的個數，并轉換成一維數組，獲得所述英文文本的特征向量；

S24、將所述英文文本的特征向量輸入支持向量機模型，獲得所述英文文本分別為正常郵件、垃圾郵件、廣告郵件、訂閱郵件的概率。

7.如權利要求6所述的垃圾郵件過濾方法，其特征在于，在步驟S24之后，還包括：

S25、判斷所述中文文本為垃圾郵件的概率是否大于設定的第一閥值；若是，則判定所述待過濾郵件為垃圾郵件；若否，則執行S26；

S26、判斷所述英文文本為垃圾郵件的概率是否大于設定的第二閥值；若是，則判定所述待過濾郵件為垃圾郵件；否則判定所述待過濾郵件不是垃圾郵件。