高性能中文垃圾郵件過濾器

齊浩亮,程曉龍,楊沐昀,何曉寧,李生,雷國華

(1.黑龍江工程學院計算機科學與技術(shù)系,黑龍江哈爾濱150050;2.哈爾濱工業(yè)大學計算機科學與技術(shù)學院,黑龍江哈爾濱150001;3.哈爾濱理工大學計算機科學與技術(shù)學院,黑龍江哈爾濱150080)

1 前言

隨著電子郵件的廣泛應用,伴隨而來的垃圾郵件問題日益嚴重。它不僅消耗網(wǎng)絡(luò)資源、占用網(wǎng)絡(luò)帶寬、浪費用戶的寶貴時間和上網(wǎng)費用,而且嚴重威脅網(wǎng)絡(luò)安全,已成為網(wǎng)絡(luò)公害,帶來了嚴重的經(jīng)濟損失。中國互聯(lián)網(wǎng)協(xié)會反垃圾郵件中心發(fā)布的2007年第四季度反垃圾郵件調(diào)查報告顯示,垃圾郵件在規(guī)模上不斷增長,2007年第四季度中國網(wǎng)民平均每周收到的垃圾郵件比例為55.65%。迫切需要有效的技術(shù)解決垃圾郵件泛濫的問題。

郵件過濾任務(wù)本質(zhì)上可以看作是一個在線二值分類問題[1-2],即將郵件區(qū)分為Spam(垃圾郵件)或Ham(正常郵件)。近幾年,基于機器學習的文本分類法在垃圾郵件過濾中發(fā)揮了巨大的作用,典型的方法包括貝葉斯方法、支持向量機(SVM,Support Vector M achine)方法、最大熵方法、PPM(Prediction by Partial Match)壓縮算法等。由于這些方法過濾正確率高、成本低,因此機器學習方法稱為當前的主流方法。應用機器學習方法對垃圾郵件進行過濾時涉及到3個問題：模型選擇、特征抽取(郵件表示)以及訓練方法。

從模型上看,機器學習技術(shù)可以粗略分為生成模型(如貝葉斯模型)和判別模型(如SVM、最大熵模型)。在相關(guān)領(lǐng)域——文本分類中,判別模型的分類效果比生成模型的分類效果要好,特別在沒有足夠多的訓練數(shù)據(jù)的時候,這種現(xiàn)象更明顯[1]。在生成模型方面,著名的Bogo系統(tǒng)就是基于貝葉斯模型的,在 TREC評測中作為基準(Baseline)系統(tǒng)。用于數(shù)據(jù)壓縮的CTW(Context Tree Weight)和PPM(Prediction by PartialMatch)等壓縮算法被引入到了垃圾郵件過濾[2]。CTW 和PPM是數(shù)據(jù)壓縮中使用的動態(tài)壓縮算法,其原理是根據(jù)已經(jīng)出現(xiàn)的數(shù)據(jù)流預測后面要出現(xiàn)的數(shù)據(jù)流,預測的越準,所需的編碼也就越少,并據(jù)此進行分類。2004年,Hulten和Goodman在PU-1垃圾郵件集上做實驗,證明了在郵件過濾上,判別模型的分類效果比生成模型的分類效果要好[3]。不嚴格的在線支持向量機(Relaxed On line SVM)克服了支持向量機計算量大的問題被用于解決垃圾郵件過濾的問題[4],并在TREC 2007評測中取得了很好效果。Goodm an和Y ih提出使用在線邏輯回歸模型,避免了SVM、最大熵模型的大量計算,并取了與上一年度(2005年)最好結(jié)果可比的結(jié)果[5]。

在特征抽取(即郵件表示)上,郵件的文本內(nèi)容是當前過濾器處理的重點。大多數(shù)過濾器以詞作為過濾單元。由于垃圾郵件對文本的內(nèi)容進行了變形,使得上述方法存在缺陷。非精確的字符串匹配被用于解決這個問題[6],但該方法只對英文垃圾郵件過濾有效,無法直接用于中文垃圾郵件過濾。在信息檢索領(lǐng)域的字符級n元文法被引入垃圾郵件過濾,并在TREC評測中取得優(yōu)于詞袋(Bag o f w ord)假設(shè)的結(jié)果[4]。字符語言模型也被應用于垃圾郵件過濾,取得了比較好的效果[7]。鑒于大量垃圾郵件將文本內(nèi)容轉(zhuǎn)換為圖像,基于圖像分析(Image Analysis)的過濾技術(shù)近年來得到重視[8]。

在訓練方法上,最簡單也是最常用的訓練方法就是對每一封郵件都進行訓練。這種方法在實際應用中已經(jīng)獲得了很好的效果,但是有兩個問題。第一個問題是內(nèi)容相近的郵件可能被多次訓練,增加資源的耗費。第二個問題是會出現(xiàn)過度訓練的問題,當某些特征在特征庫中已經(jīng)有足夠多的計數(shù)時,再過多的進行訓練會導致準確率的下降。改用TOE(Train On Error)方法后,僅當郵件被誤判時才進行訓練,這種方法只能用于判別學習模型。這樣可防止過度訓練、減小空間占用并提高速度。盡管過度訓練會極大的影響過濾器的準確率,但TOE訓練法在另一個方向走過了頭,僅對誤判的郵件進行訓練導致過濾器訓練數(shù)據(jù)不足,其對準確率仍有影響。TONE(Train On or Near Error)在 TOE基礎(chǔ)上加以改進,預設(shè)一個分數(shù)界限,當郵件得分與判斷閥值之差的絕對值在界限之內(nèi)時,即使正確判斷也進行訓練[4]。

本文采用邏輯回歸模型、字節(jié)級n元文法和TONE訓練方法進行中文垃圾郵件過濾。本文描述的系統(tǒng)參加了中國計算機學會主辦的SEWM(Search Engine and Web Mining)2008垃圾郵件過濾評測,獲立即反饋、主動學習、延遲反饋全部在線評測項目的第一,性能優(yōu)于第二名100倍左右;在SEWM 2007上 1-ROCA達到了0.000 0%;在TREC06c上也顯著優(yōu)于當年評測的最好結(jié)果。

本文的隨后部分安排如下。第二節(jié)介紹了垃圾郵件的在線過濾模式,第三節(jié)介紹了垃圾郵件過濾器的設(shè)計,包括過濾模型、特征提取和訓練方法,第四節(jié)是實驗結(jié)果,最后給出了本文的結(jié)論。

2 垃圾郵件的在線過濾模式

過濾器(分類器)的學習方式可以分為在線學習(Online Learning)和批量學習/離線學習(Batch Learning/Offline Learning)。在離線學習方式下,通過訓練樣本調(diào)整分類器的參數(shù)。在實際應用時,不再調(diào)整分類器的參數(shù)。在在線學習方式下,分類器根據(jù)用戶的反饋不斷調(diào)整系統(tǒng)參數(shù),使系統(tǒng)能夠適應不斷變化的應用環(huán)境。在線學習適用于需要快速更新的環(huán)境。受制于在線更新學習器,其參數(shù)更新算法的復雜度要低,以適應實際應用的需求。為了避免垃圾郵件被過濾器過濾,垃圾郵件發(fā)送者不斷改進垃圾郵件發(fā)送技術(shù)。這就要求垃圾郵件過濾器具有良好的適應能力,因而在線學習方式適用于垃圾郵件過濾[9-10]。SEWM 08中文垃圾郵件過濾評測也表明,在線學習方式的性能優(yōu)于批量學習方式(http ：//www 2.scut.edu.cn/antispam/ppt.htm l)。在線學習方式能夠滿足過濾不斷變化的垃圾郵件的要求,這也是TREC(Text REtrieval Conference)公開評測采用在線學習方式的原因。

本文采用在線學習方式,這也是國內(nèi)外垃圾郵件過濾評測采用的方式。所用的郵件在線過濾模式如圖1所示,以過濾器和訓練器為中心分為過濾和訓練(即學習)兩部分。過濾器根據(jù)在線更新的特征庫,過濾按實際順序輸入的郵件流,判斷每個郵件的屬性。訓練器根據(jù)用戶的反饋對郵件的過濾結(jié)果進行學習,并進一步調(diào)整特征權(quán)重庫中相應特征及其權(quán)重,提高過濾器的適應能力與性能。

圖1 垃圾郵件過濾在線模式

3 基于邏輯回歸模型的垃圾郵件過濾器

模型是影響垃圾郵件過濾效果的核心因素,恰當選擇過濾模型是系統(tǒng)成功的關(guān)鍵。邏輯回歸(Logistic Regression,LR)模型,和SVM 一樣,是一種判別學習模型,具有良好的性能;邏輯回歸模型的時間復雜度和空間復雜度都低于SVM,更重要的是,邏輯回歸模型可以很容易地以在線學習方式調(diào)整模型的參數(shù),使模型能夠適應不斷演進的垃圾郵件,因此,邏輯回歸模型成為當前垃圾郵件過濾中的主流模型之一[11]。特征選擇是與過濾模型關(guān)系緊密,是影響分類性能的關(guān)鍵因素。本文提出了字節(jié)級n元文法的郵件特征提取方法,將郵件視為二進制流,簡化了特征提取,保證了過濾器的性能。在訓練時,采用TONE方法,該方法可以與邏輯回歸模型等判別學習模型配合使用,降低訓練量,并提升系統(tǒng)性能。

3.1 邏輯回歸模型

邏輯回歸(Logistic Regression,LR)模型,和SVM一樣,是一種判別學習模型。判別學習模型與以貝葉斯為代表的生成模型有本質(zhì)差異。傳統(tǒng)生成模型認為數(shù)據(jù)都是某種分布生成的,并試圖根據(jù)這種分布建模。采用最大似然估計(Maxim um Likelihood Estimation,簡稱M LE)來求解模型參數(shù),并用平滑算法來解決數(shù)據(jù)稀疏問題。這種方法僅當以下兩個條件都滿足時才是最優(yōu)的：第一,數(shù)據(jù)的概率分布形式是已知的;第二,存在足夠大的訓練數(shù)據(jù)時才能采用最大似然估計來求解模型參數(shù)。但在實際應用中,這兩個條件很多時候無法滿足。判別學習模型是與生成模型相對應的一類建模方法。其假設(shè)條件比M LE弱得多,只要求訓練數(shù)據(jù)和測試數(shù)據(jù)來自同一個分布即可。而且,判別學習算法的目標往往與實際應用的評價標準密切相關(guān)(如使模型在訓練數(shù)據(jù)上的錯誤率最小化)。因此判別學習模型的性能往往要優(yōu)于生成模型。從計算復雜度上看,邏輯回歸模型的計算復雜要明顯低于SVM,其分類速度要也比SVM快得多。

在基于內(nèi)容的郵件過濾系統(tǒng)中,影響一封郵件是垃圾郵件還是非垃圾郵件的因素是該郵件中的特征。應用邏輯回歸模型,可以根據(jù)郵件的特征判斷該郵件是垃圾郵件的概率：

其中：x?是該封郵件的所有特征組成的向量,是該封郵件的所有特征相對應的特征權(quán)重向量。

定義一個分界值,通常設(shè)為0.5。比較P(y)和分界值,若P(y)大于等于分界值,就判斷為垃圾郵件;否則就判斷為正常郵件。

3.2 基于字節(jié)級n元文法的特征提取

郵件過濾的依據(jù)是郵件的特征,特征項的定義,是影響分類性能的關(guān)鍵因素。和文本分類問題相比,郵件過濾有其特殊之處。反垃圾郵件技術(shù)在進步,發(fā)送垃圾郵件的技術(shù)也在不斷地提高。由于巨大的利益驅(qū)動,狡猾的垃圾郵件發(fā)送者對其電子郵件信息進行多方面的偽裝,通過各種手段將垃圾郵件偽裝為正常郵件。同時,大量垃圾郵件以圖像的形式出現(xiàn),導致傳統(tǒng)方法失效;單純的依賴郵件的文本內(nèi)容對含有病毒的垃圾郵件無能為力。

針對垃圾郵件特征提取面臨的問題,提出了基于字節(jié)級n元文法的特征提取方法。字節(jié)級n元文法在處理郵件文本內(nèi)容時,提取了郵件的文本內(nèi)容,在處理郵件的附件、所包含的圖片等組成成分時,提取了它們的二進制特征,因此能夠在一個簡單的框架下處理以往很難處理問題。采用字節(jié)級n元文法提取郵件特征,避免了繁雜的郵件解析、漢字編碼轉(zhuǎn)換等工作,并使系統(tǒng)具有處理圖像、病毒郵件的能力。

字節(jié)級n元文法,將郵件按字節(jié)流進行大小為n的滑動窗口操作,形成長度為n的字節(jié)片斷序列,每個字節(jié)片斷稱為gram。n元文法 按字節(jié)流進行采用長度為n的窗口切分,如：abcd,按照n=2時進行滑動窗口切分為：ab、bc、cd這樣 3個2-gram。采用n元文法信息作為郵件特征具有以下特點：無需任何詞典支持,無需進行分詞處理;無需語言學先驗知識;無需對郵件進行預處理,將郵件當作無差別的字節(jié)流對待;不用考慮文字編碼的問題;同時具有處理復雜文件的能力,如 HTM L格式郵件、圖像文件、壓縮文件。與以詞字、詞組等為特征元素相比,這樣定義特征元素能有效防止了垃圾郵件信息的可能被繞過的情況。如product進行文字變形,變換為p!roduct,pro_duct,prod-uct等等,基于詞字、詞組的過濾器就可能識別不出該特征,而基于字節(jié)的n元文法仍可以有效識別出該特征。例如,當n=4時,product進行特征抽取如下：prod、rodu、oduc、duct;當p roduct文字變形后變?yōu)閜 rod-uct時進行特征抽取如下：prod 、rod-、od-u 、d-uct、-uct;兩者共有的特征是prod。當出現(xiàn)特征prod時,則該完整的單詞為product的概率比只捕捉到特征prod時的概率要大得多。同時,變形后的字符串往往較多地出現(xiàn)在垃圾郵件中,表明了郵件的性質(zhì)。

中文使用至少2個字節(jié)表示一個字(如GB 2312使用兩個字節(jié)表示1個漢字,GB 18030使用兩個字節(jié)或四個字節(jié)表示1個漢字),不使用空格作為詞的分隔符,因此,如果對漢字進行文字變換程度太大的話,是很難讓人讀懂的,如“辦證”,常見的變形文字是“辦.證”、“辦證”等,由于無法進行正確的分詞,這種文字變形使得典型的以詞為過濾單元的方法失效。由于字節(jié)級n元文法提取連續(xù)的n個字節(jié)作為特征,字符變形后n元文法依然能夠提取有效特征。由于“辦.證”、“辦證”等大量出現(xiàn)在垃圾郵件中,正常郵件中較少出現(xiàn)。在n元文法下,變形后的文字反而表明了它是垃圾郵件,表明了該郵件的性質(zhì)。

以詞作為過濾單元,詞作為最小的能自由運用的語言單位,將有助于過濾性能的提高,需要進行編碼識別和分詞,但分詞的準確度難以保證,尤其是未登錄詞的識別性能難以得到保證,同時難以處理文字變形;若以字作為過濾單元,不需要進行分詞,實現(xiàn)起來比較容易,但字的語義表達能力較弱,上下文信息太少。

在實驗中使用了字節(jié)級4-gram,并且每一封郵件僅取前3 000個4-gram。郵件的特征值為布爾值,即郵件包含某個4-gram,其值為1,否則為 0。

3.3 TONE訓練方法

TONE(Train On or Near Error)方法也被稱之為Thick Threshold方法,該方法是在TOE基礎(chǔ)上加以改進,預設(shè)一個分數(shù)界限,當郵件得分與判斷閥值之差的絕對值在界限之內(nèi)時,即使正確判斷也進行訓練。

現(xiàn)在說明該方法的應用。對于本文采用的邏輯回歸模型,當郵件的得分大于等于0.5時,就判斷成垃圾郵件;反之,當郵件的得分小于0.5時,就判斷成正常郵件。采用TONE訓練方法,在下述兩種情況下進行訓練：(1)過濾器分類錯誤;(2)如果設(shè)定閾值為0.1,則得分介于0.4到0.6之間的郵件都需要進行訓練。

TONE訓練方法只對分類面附近的樣本進行訓練,通過算法1將分類錯誤和在分類面附近的樣本向“安全區(qū)域”調(diào)整。直觀上,這個過程與支持向量機模型有異曲同工之妙。支持向量機模型在尋找最大化最近距離的分類面(即最優(yōu)分類面);在TONE方法中,恰當?shù)卦O(shè)置閥值,可以起到相同的作用。據(jù)我們所知,尚未有討論TONE方法和最優(yōu)分類面關(guān)系的文獻。

本文采用梯度下降的方法更新特征庫中特征的權(quán)重。使用梯度下降方法時,選取合適的特征學習速率以保證適當?shù)膶W習速率。

具體實現(xiàn)如算法1所示。

算法1：分類及權(quán)重更新算法

4 實驗

4.1 實驗環(huán)境

4.1.1 測試數(shù)據(jù)

中文垃圾郵件過濾的評測數(shù)據(jù)主要來自國際文本信息檢索會議(TREC,Text RE trieval Conference)和全國搜索引擎和網(wǎng)上信息挖掘?qū)W術(shù)研討會(SEWM,Search Engine and Web M ining)。TREC評測由美國國防部高級研究規(guī)劃局(DARPA,Defense Advanced Research Projects Agency和美國國家標準技術(shù)研究院(NIST,National Institute of Standards and Technology)主辦,每年都吸引大批知名大學和企業(yè)研究機構(gòu)參與,是信息檢索領(lǐng)域最重要的評測。TREC會議于2005年開始舉辦垃圾郵件過濾測評,并在2006年進行了中文垃圾郵件過濾評測。SEWM由中國計算機學會主辦。國內(nèi)于2007年在SEWM上首次增加了垃圾郵件過濾評測項目,2008年有6所大學參加了評測。SEWM評測的目標是通過提供一個以中文為主并反映最新垃圾郵件特征的大規(guī)模郵件數(shù)據(jù)集,并以此檢驗各種過濾技術(shù)在實際垃圾郵件過濾中的有效性。該評測由華南理工大學廣東省計算機網(wǎng)絡(luò)重點實驗室主持。

過濾器的性能在目前已有的全部公開中文垃圾郵件公有測試集(TREC06c、SEWM 07和 SEWM 08)上驗證,表1是測試數(shù)據(jù)的情況。TREC06c是TREC 06年中文垃圾郵件評測的公開數(shù)據(jù),SEWM 07和SEWM 08分別是SEWM 07年和SEWM 08年評測的公開數(shù)據(jù),由華南理工大學提供。

表1 垃圾郵件過濾測試集

4.1.2 評估指標

實驗使用(1-ROCA)%作為過濾器的評估指標,lam%也被使用,用于參考。文獻[13]給出了垃圾郵件過濾采用(1-ROCA)%和lam%而不是正確率/錯誤率作為評價指標的原因。

lam%(logistic average misclassification percentage)：邏輯平均誤判率,定義為lam%=logit-1(logit(ham%)/2+logit(spam%)/2),其中l(wèi)ogit(x)=log(x/(1-x)),logit-1(x)=ex/(1+ex),ham%為正常郵件錯誤判斷為垃圾郵件的比率,spam%為垃圾郵件錯誤判斷為正常郵件的比率。

ROC曲線是接受者操作特性曲線(receiver operating characteristic curve)的簡稱。以ham%為橫坐標,以spam%為縱坐標,取不同的 T值時,可以得到ROC曲線(實際表達recall-fallout)。1-ROCA(area above the ROC curve)表明了過濾器的累積失效情況。該值介于0和1之間,該值越小,表示過濾器效能越好。

本文采用 TREC提供的評估工具(下文稱為TREC工具)。SEWM 07、08垃圾郵件過濾評測由中國計算機學會主辦,華南理工大學承辦并為評測提供了評估工具。在SEWM 08評測中,該工具與TREC工具在立即反饋和主動學習測試中,1-ROCA時的最后一位(百萬分之一)略有不同,可能是由于舍入誤差引起的。

4.1.3 測試任務(wù)

實驗在所有的中文垃圾郵件過濾測試集上進行,測試 包括 TREC06c、SEWM 07 、SEWM 08 的公開語料。這些測試語料涉及到的測試任務(wù)有立即反饋(Immediate Feedback)、延遲反饋(Delayed Feedback)、主動學習(Active Learning)。在立即反饋測試中,過濾器按接收到的郵件次序?qū)⑧]件分成正常郵件或垃圾郵件,并計算每一封郵件分值。過濾器在對郵件進行分類之后可以立即得到該郵件是否分類正確(即該郵件的答案。立即反饋假定用戶在接收到郵件后立即作出判斷。然而,真實用戶不可能立即向過濾器返回正確的類別。用戶經(jīng)常一次讀多封郵件,這導致過濾器不可能馬上獲得郵件的正確分類。延遲反饋模擬了這種情況。在延遲反饋中,過濾器需要等待一定數(shù)據(jù)郵件之后才能獲得某一封郵件的分類。主動學習任務(wù)測試過濾器如何有效的利用反饋信息,降低系統(tǒng)的訓練次數(shù)和對標注數(shù)據(jù)的依賴。在主動學習測試中,給定一定的配額(quota),過濾器在配額消耗完后測試系統(tǒng)不再提供反饋。

在實驗中,所有的測試任務(wù)都使用了相同的過濾器。

4.2 實驗結(jié)果

在實驗中,首先比較了n元文法、TONE值對過濾器性能的影響,然后給出了實驗的主要結(jié)果。表2至表3中的“active1000”表示在主動學習中最多使用1 000個學習樣本。

表2比較了使用3-gram、4-gram和5-gram時,過濾器在不同的測試集合、測試任務(wù)的性能。表中所有實驗使用了相同的參數(shù),學習速率 rate(算法1中)為0.004,TONE為0.32。通過實驗結(jié)果可以看出,以4-gram提取特征,過濾器的性能較優(yōu)。

表2 n元文法結(jié)果比較

表3比較了TONE對過濾器的影響。實驗中采用四元文法、學習速率rate設(shè)為 0.004。通過實驗結(jié)果可以看出,TONE=0.32時,過濾器的性能較優(yōu)。

表3 TONE對過濾器的影響

表4是實驗的主要結(jié)果,分別給出了過濾器在立即反饋、延遲反饋和主動學習上與其他系統(tǒng)的性能比較。在立即反饋、延遲反饋和主動學習的測試上,系統(tǒng)參數(shù)設(shè)置為：四元文法,學習速率rate為0.004,TONE為0.32。由于SEWM 07評測沒有參賽隊進行了在線學習任務(wù),只進行了批處理(離線)任務(wù),因此沒有在線任務(wù)的最佳系統(tǒng)。SEWM 07沒有進行延遲反饋測試,TREC06C和SEWM 07沒有進行主動反饋測試,沒有相關(guān)實驗數(shù)據(jù)。表中“最佳系統(tǒng)/第二名系統(tǒng)”表示評測中最佳系統(tǒng)或第二名系統(tǒng),“/”在后表示最佳系統(tǒng),“/”在前表示第二名系統(tǒng)。如“0.002 3%/”表示最佳系統(tǒng)的性能,“/0.0094%”表示第二名系統(tǒng)的性能。本文的方法參加了SEWM 08評測,包攬了SEWM 08所有在線任務(wù)的第一,在表中SEWM 08下的“最佳系統(tǒng)/第二名系統(tǒng)”標識了第二名系統(tǒng)的性能。

表4 與其他系統(tǒng)結(jié)果比較

在SEWM 08的評測中,本文描述的系統(tǒng)取得了較好的效果。除了本文所描述的系統(tǒng)采用n元文法外,其他參評單位均提取字或詞作為特征,所使用的模型包括PPM(Prediction by PartialM atching)、基于SVM的過濾器、基于樸素貝葉斯分過濾器、基于語言模型的過濾器。這表明,對于垃圾郵件過濾,字節(jié)級n元文法能夠更有效地提取過濾器所需的特征。

從實驗結(jié)果可以看出,本文提出的方法性能優(yōu)異,要么遠遠優(yōu)于當年評測的最佳系統(tǒng),要么在評測中獲得第一,并遠遠領(lǐng)先第二名。

圖2 過濾器的學習曲線

圖2給出了過濾器在不同的測試集合上立即反饋的學習曲線。過濾器在SEWM 07立即反饋上的表現(xiàn)極其出色,垃圾郵件誤判率=0.00%,正常郵件誤判率=0.00%,邏輯誤判率=0.00%,1-ROCA=0.000 0%,因此出現(xiàn)了其對應的學習曲線與X軸重回的現(xiàn)象。從圖2可以看出,過濾器的學習性能極好,在經(jīng)歷了一定數(shù)量的學習后(對應于一段時間的實際應用),過濾器幾乎不再出現(xiàn)錯誤。

5 結(jié)論

垃圾郵件與垃圾郵件過濾是電子郵件應用中矛和盾。垃圾郵件的發(fā)送者不斷改進垃圾郵件的發(fā)送技術(shù),以便使垃圾郵件不被過濾。在這種情況下,需要垃圾郵件過濾器能夠適應不斷演進的垃圾郵件,因此采用在線學習,使得過濾器能夠以增量學習的方式調(diào)整過濾器的參數(shù),保證過濾器的性能。本文針對垃圾郵件過濾過濾問題,采用在線學習方式,使過濾器具備處理不斷變化的垃圾郵件能力,這是本文描述的過濾器能夠取得成功的基礎(chǔ)。

高性能中文垃圾郵件過濾器的設(shè)計是一個整體工作,涉及到模型的學習方式、模型的選擇、特征抽取等多個方面,不能單純地強調(diào)某一方面而忽略其他方面,要尋求整體最優(yōu)解決方案。本文采用在線邏輯回歸模型這一典型的判別學習模型,該模型具有處理速度快、適應于在線學習的特點,奠定了高性能過濾器的基礎(chǔ);提出了字節(jié)級n元文法獲取郵件特征,簡化了特征提取,提高了特征提取的速度,該方法與語言無關(guān),并使得過濾器具備處理圖像、病毒等復雜對象的能力,提高了過濾器的性能;采用TONE方法進行訓練,減輕了系統(tǒng)對訓練數(shù)據(jù)的需求,提高了系統(tǒng)的效率,同時還提高了系統(tǒng)的魯棒性。實驗結(jié)果表明,本文的方法的性能極佳,本文描述的過濾器是當前性能最好的中文垃圾郵件過濾器之一。

[1] V.N.Vapnik.Statistical Learning Theory[M].New York,USA：JohnW iley&Sons,Inc.1998：1-18.

[2] A.Bratko,B.Filipi?,G.V.Cormack et al.Spam Filtering Using Statistical Data Comp ression Models[J].The Journal o f Machine Learning Research archive,2006,7：2673-2698.

[3] G.H ulten and J.Goodman.Tutorial on Junk E-mail Filtering[C]//The Twenty-First International Conference on M achine Learning(ICML 2004).2004：(Invited Talk,http：//research.m icrosoft.com/en-us/um/peop le/joshuago/icm ltutoria lannounce.htm).

[4] D.Sculley,G.M.Wachman.Relaxed Online SVM s for Spam Filtering[C]//The 30th Annual International ACM SIGIR Con ference(SIGIR'07).New York,NY,USA ：ACM,2007 ：415-422.

[5] J.Goodman and W.Yih.On line Discrim inative Spam Filter Training[C]//Third Conference on Email and Anti-Spam(CEAS 2006).Mountain V iew,California,USA.2006：113-115.(http ：//www.ceas.cc/2006/22.pd f).

[6] D.Scu lley.Advances in Online Learning-based Spam Filtering[D].Medford,M A,USA：Tufts University.2008.

[7] 蘇綏,林鴻飛,葉正.基于字符語言模型的垃圾郵件過濾[J].中文信息學報,2009,23(2)：41-47.

[8] P.Hayati,V.Potdar.Evaluation of spam detection and prevention framew orks for email and image spam：a state of art[C]//International Conference on Information Integration and web-based Applications and Services(iiWAS 2008)workshops：Proceedings o f the 10th Internationa l Conference on In formation Integration and Web-based App lications&Services(A IIDE 2008).New York,NY,USA：ACM.2008：520-527.

[9] G.V.Cormack,A.Bratko.Batch and On line Spam Filter Comparison.[C]//Third Conference on Email and Anti-Spam(CEAS 2006).Mountain View,California,USA.2006.

[10] J.M.M.Cruz,G.V.Cormack.Using old Spam and H am Samp les to Train Email Filters[C]//6th Conference on Email and Anti-Spam.in Mountain V iew,California,USA,2009.

[11] G.V.Cormack.University o f Waterloo Participation in the TREC 2007 Spam T rack[C]//The Six teenth Text REtrieval Con ference(TREC 2007)Proceedings.Gaithersburg,Mary land,USA.2007.

[12] 劉伍穎,王挺.基于多過濾器集成學習的在線垃圾郵件過濾[J].中文信息學報,2008,22(1)：67-73.

[13] G.Cormack,T.Lynam.TREC 2005 Spam Track Overview[C]//The Fourteenth Tex t REtrieval Conference(TREC 2005)Proceedings.Gaithersburg,M D,USA.2005.