探析基于神经网络的邮件分类识别研究

《探析基于神经网络的邮件分类识别研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、x，,。T978050_山!QZ!Q=2圣翌!长安大学硕士学位论文申请学位级别硕士论文提交日期2QQ亘：5：2垒论文答辩日期2QQ鱼生互目12目摘要随着电了邮件的广泛应用，±々圾邮州干{为商业广告、恶意程序或敏譬内容的载体，也越来越对系统的安全和人们的生活造成了严重威胁，反垃圾邮件问题已经成为全球性的具有重要现实意义的课题。但是垃圾邮件快速增长的同时，反垃圾邮件的技术发展缓慢。目前绝大部分邮件过滤技术缺乏智能性和自学习性，不能对己有垃圾邮件的学习来获取识别新垃圾邮件的知识。只有少部分邮件过滤技术具有学习能力(比如贝叶斯过滤技术)，但该技术仅局限于

2、针对邮件的正文内容进行学习，因此，对于结构化文本信息的电子邮件来说，这种技术也有其自身的不足。本文在贝叶斯过滤技术的启发下，通过分析传统邮件过滤技术的不足之处，在对大量垃圾邮件进行统计分析的基础上，提出了一个基于服务器端的神经网络邮件分类识别模型．该模型综合分析了垃圾邮件和合法邮件的特征，对邮件结构字段信息和邮件正文信息加以离散和特征化处理，并通过编程提取出7个特征属性来表示成向量代表电子邮件。BP算法具有智能性和自学习性的特点，因此，本文提出采用BP神经网络来构造邮件分类识别器。本文比较分析了常用BP改进算法，同时根据收敛速度和精度采用了Ⅲ改进

3、算法提高了系统性能。论文最后通过编程对该模型作了一系列的仿真测试。结果证明，该模型能从邮件结构字段信息和邮件正文信息中，学习归纳出能识别垃圾邮件的知识和方法，表明本文提出的基于BP神经网络的邮件分类模型是可行和有效的，并具有良好的效果和智能性、自学习性。关键词：垃圾邮件，特征，神经网络，训练ABSTRACTW1thW1deapplicati011ofemalI，Spdm，actingasthecarrier0fbusinessadvertisements，themaliciousprogramsorsomesensitivemails，aremo

4、reandmorefiercelythreateningthesafetyofthecomputersystemsandthelivesofpeople．Anti—spamproblemhasbecomeaninternational，significantandpracticaltopicnow．However，withthefastincreasingofspam，theanti—spamtechniqueshavedevelopedslowly．Nowamajorityofanti—spamtechniqueslackofaptitudea

5、ndauto—learning，whichcannotidentifynewspambylearningfromformerspaminstances．Andafewanti—spamtechniqueshaveauto-learningcharacter，suchaSBayesalgorithm，itonlyyorkonthecontentofemailandignoreemail’Sheadfields，whichisthemostshortageofthetechnique．Suggestedfromtheanti—spamtechniqu

6、eofBayesalgorithm，Ianalyzedtheshortageofthetraditionalanti—spamtechniques．Onthebasisofstudiesandstatisticsonalotofemails，mypaperbringsforwardmailclassificationandrecognition$odelbasedonneuralnetwork．Themodelsyntheticallyanalyzedthecharacteristicsofspamandlegalemailsanddispers

7、esandcharactersemailsthendistillninecharacterstoexpressemailsonvectorsbyprogramming．BPalgorithmhasaptitudeandauto-learningcharacters，SOmypaperchooseBPneuralnetalgorithmtosetupmailclassificationandrecognitionmodel．MypapercomparedandanalyzedsomefamiliarbettermentofBPalgorithm；a

8、tthesametimechoosethebettermentofLMtoenhanceperformanceofthemodelacc