垃圾邮件过滤算法研究及系统实现
| 摘要 | 第1-4页 |
| Abstract | 第4-5页 |
| 目录 | 第5-8页 |
| 1 绪论 | 第8-21页 |
| ·垃圾邮件介绍 | 第8-10页 |
| ·垃圾邮件概念 | 第8页 |
| ·垃圾邮件危害 | 第8-10页 |
| ·当前反垃圾邮件状况 | 第10-15页 |
| ·法律手段 | 第10-11页 |
| ·经济手段 | 第11-12页 |
| ·技术手段 | 第12-14页 |
| ·综合协作手段 | 第14-15页 |
| ·垃圾邮件过滤的机器学习方法 | 第15-19页 |
| ·决策树 | 第15-16页 |
| ·K-近邻分类器 | 第16页 |
| ·遗传算法 | 第16-17页 |
| ·粗糙集 | 第17页 |
| ·人工神经网络 | 第17页 |
| ·贝叶斯算法 | 第17-18页 |
| ·Winnow | 第18页 |
| ·Boosting | 第18-19页 |
| ·支持向量机 | 第19页 |
| ·本文主要工作及组织安排 | 第19-20页 |
| ·主要工作 | 第19页 |
| ·组织安排 | 第19-20页 |
| ·本章小结 | 第20-21页 |
| 2 本文使用的算法 | 第21-37页 |
| ·贝叶斯算法 | 第21-26页 |
| ·起源 | 第21-22页 |
| ·基本贝叶斯算法 | 第22-25页 |
| ·Graham贝叶斯算法 | 第25-26页 |
| ·Winnow | 第26-29页 |
| ·基本Winnow | 第26-27页 |
| ·Balanced Winnow | 第27-29页 |
| ·AdaBoost | 第29-31页 |
| ·算法介绍 | 第29-30页 |
| ·算法分析 | 第30-31页 |
| ·支持向量机 | 第31-35页 |
| ·线性可分性 | 第31-32页 |
| ·线性可分支持向量分类机 | 第32-33页 |
| ·线性支持向量分类机 | 第33页 |
| ·可分支持向量分类机 | 第33-34页 |
| ·C-支持向量分类机 | 第34-35页 |
| ·本章小结 | 第35-37页 |
| 3 实验分析 | 第37-66页 |
| ·样本总体生成 | 第37-40页 |
| ·原始样本集 | 第37-38页 |
| ·预处理 | 第38-39页 |
| ·中文分词 | 第39-40页 |
| ·统计词频 | 第40页 |
| ·训练集与测试集生成 | 第40-47页 |
| ·训练/测试集选择 | 第41页 |
| ·特征选择 | 第41-47页 |
| ·特征提取 | 第47页 |
| ·训练 | 第47-48页 |
| ·贝叶斯 | 第47页 |
| ·Winnow | 第47-48页 |
| ·AdaBoost | 第48页 |
| ·支持向量机 | 第48页 |
| ·分类器性能评价 | 第48-65页 |
| ·评价指标 | 第48-50页 |
| ·贝叶斯 | 第50-52页 |
| ·Winnow | 第52-57页 |
| ·AdaBoost | 第57-59页 |
| ·支持向量机 | 第59-61页 |
| ·四种分类器对比 | 第61-65页 |
| ·本章小结 | 第65-66页 |
| 4 系统实现 | 第66-73页 |
| ·邮件过滤系统部署方案 | 第66-67页 |
| ·基于客户端的邮件过滤系统 | 第67-69页 |
| ·先前的实现方案 | 第67-68页 |
| ·邮件过滤插件方式 | 第68-69页 |
| ·邮件过滤插件实现 | 第69-72页 |
| ·功能与结构 | 第69-71页 |
| ·系统界面效果 | 第71-72页 |
| ·本章小结 | 第72-73页 |
| 5 总结及展望 | 第73-74页 |
| ·总结 | 第73页 |
| ·展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-78页 |
