基于内容的垃圾邮件过滤研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第一章 引言 | 第9-12页 |
| ·背景 | 第9-11页 |
| ·本文的内容安排 | 第11-12页 |
| 第二章 垃圾邮件过滤研究现状 | 第12-18页 |
| ·服务器端和客户端的邮件过滤 | 第12-13页 |
| ·白名单和黑名单 | 第13页 |
| ·设定过滤规则 | 第13-15页 |
| ·信头分析 | 第14-15页 |
| ·群发过滤 | 第15页 |
| ·关键词精确匹配 | 第15页 |
| ·邮件内容中的其他特征 | 第15页 |
| ·基于内容的垃圾邮件过滤技术 | 第15-16页 |
| ·垃圾邮件过滤与文本分类 | 第15-16页 |
| ·垃圾邮件过滤与信息过滤 | 第16页 |
| ·小结 | 第16-18页 |
| 第三章 垃圾邮件内容过滤技术 | 第18-30页 |
| ·文本分类简介 | 第18-19页 |
| ·特征选择方法 | 第19-21页 |
| ·文档频次 | 第19页 |
| ·互信息 | 第19页 |
| ·信息增益 | 第19-20页 |
| ·χ~2 统计量 | 第20页 |
| ·相对熵 | 第20-21页 |
| ·优势率 | 第21页 |
| ·垃圾邮件内容过滤中应用的文本分类方法 | 第21-25页 |
| ·贝叶斯分类算法 | 第21-22页 |
| ·Memory-Based方法 | 第22页 |
| ·决策树 | 第22-23页 |
| ·Boosting方法 | 第23-24页 |
| ·支持向量机 | 第24-25页 |
| ·垃圾邮件内容过滤中的常用语料库 | 第25-28页 |
| ·PU1 语料 | 第26-27页 |
| ·Ling-Spam语料 | 第27-28页 |
| ·Spam Assassin语料 | 第28页 |
| ·Spambase语料 | 第28页 |
| ·Spamarchive | 第28页 |
| ·评价体系 | 第28-29页 |
| ·小结 | 第29-30页 |
| 第四章 贝叶斯邮件过滤 | 第30-42页 |
| ·贝叶斯方法简介 | 第30页 |
| ·贝叶斯文本分类算法的两种模型 | 第30-34页 |
| ·多变量贝努里事件模型 | 第32-33页 |
| ·多项式事件模型 | 第33-34页 |
| ·贝叶斯算法中的特征选择 | 第34页 |
| ·基于最小风险的贝叶斯决策 | 第34-35页 |
| ·贝叶斯算法应用于垃圾邮件过滤的实验 | 第35-37页 |
| ·实验结果比较与分析 | 第37-39页 |
| ·特征数量对实验结果的影响 | 第37-39页 |
| ·阈值对实验结果的影响 | 第39页 |
| ·语料的预处理层次对实验结果的影响 | 第39页 |
| ·小结 | 第39-42页 |
| 第五章 Winnow算法在垃圾邮件过滤上的应用 | 第42-51页 |
| ·线性分类器 | 第42-43页 |
| ·Winnow分类算法 | 第43-45页 |
| ·错误驱动的在线学习 | 第43页 |
| ·最基本的Winnow算法 | 第43-44页 |
| ·Balanced Winnow | 第44-45页 |
| ·Winnow在垃圾邮件过滤上的应用 | 第45-48页 |
| ·PU1 语料上的实验 | 第45-48页 |
| ·Ling-Spam语料上的实验 | 第48页 |
| ·结果分析：Winnow的优势 | 第48-50页 |
| ·小结 | 第50-51页 |
| 第六章 垃圾邮件过滤中的反馈学习 | 第51-54页 |
| ·Rocchio算法 | 第51页 |
| ·垃圾邮件过滤的反馈学习方法 | 第51-52页 |
| ·增量式学习 | 第51-52页 |
| ·重新学习 | 第52页 |
| ·贝叶斯邮件过滤中的反馈学习技术 | 第52-53页 |
| ·Winnow过滤中的反馈学习技术 | 第53页 |
| ·小结 | 第53-54页 |
| 第七章 总结 | 第54-57页 |
| ·一个垃圾邮件过滤系统的设计 | 第54页 |
| ·本文总结 | 第54-55页 |
| ·未来工作 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62-63页 |
| 作者简历 | 第63页 |
