| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 课题研究的目的和意义 | 第10页 |
| 1.2 垃圾邮件过滤技术研究现状 | 第10-13页 |
| 1.3 本课题研究的主要内容 | 第13-14页 |
| 1.4 本文的组织结构 | 第14-15页 |
| 第2章 基于在线学习的垃圾邮件过滤概述 | 第15-25页 |
| 2.1 垃圾邮件过滤器系统框架 | 第15-17页 |
| 2.2 基于在线学习的垃圾邮件过滤模式 | 第17页 |
| 2.3 机器学习方法 | 第17-22页 |
| 2.3.1 朴素贝叶斯方法 | 第18-19页 |
| 2.3.2 逻辑回归方法 | 第19-20页 |
| 2.3.3 支持向量机方法 | 第20-22页 |
| 2.4 实验数据集及评价指标 | 第22-23页 |
| 2.5 实验结果及讨论 | 第23-24页 |
| 2.6 本章小结 | 第24-25页 |
| 第3章 面向邮件过滤的特征工程研究 | 第25-40页 |
| 3.1 邮件过滤的特征工程研究背景 | 第25-26页 |
| 3.2 邮件的特征提取 | 第26-29页 |
| 3.2.1 基于词的特征提取方法 | 第26-28页 |
| 3.2.2 基于字节级 N-grams 的特征提取方法 | 第28-29页 |
| 3.3 邮件的特征选择 | 第29-33页 |
| 3.3.1 基于信息增益的特征选择方法 | 第30-32页 |
| 3.3.2 基于贝叶斯统计的特征选择方法 | 第32-33页 |
| 3.4 实验及讨论 | 第33-38页 |
| 3.4.1 邮件特征提取实验 | 第34-35页 |
| 3.4.2 基于信息增益的特征选择方法实验 | 第35页 |
| 3.4.3 基于贝叶斯统计的特征选择方法实验 | 第35-37页 |
| 3.4.4 基于信息增益和贝叶斯统计的特征选择方法比较 | 第37-38页 |
| 3.5 本章小结 | 第38-40页 |
| 第4章 基于在线排序逻辑回归学习算法的垃圾邮件过滤技术研究 | 第40-51页 |
| 4.1 排序学习 | 第41页 |
| 4.2 1-ROCA 与排序学习关系 | 第41-43页 |
| 4.3 基于在线排序的垃圾邮件过滤模型 | 第43-47页 |
| 4.3.1 基于排序策略的垃圾邮件过滤模型 | 第43-44页 |
| 4.3.2 在线顺序逻辑回归学习算法 | 第44-45页 |
| 4.3.3 基于样本的在线排序逻辑回归学习算法 | 第45-46页 |
| 4.3.4 提升在线顺序逻辑回归模型 | 第46-47页 |
| 4.4 实验及讨论 | 第47-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第5章 噪声数据对邮件过滤器的影响研究 | 第51-56页 |
| 5.1 噪声邮件分析 | 第51-52页 |
| 5.2 过滤器模型 | 第52页 |
| 5.3 噪声数据对过滤器性能影响 | 第52-53页 |
| 5.4 实验结果及讨论 | 第53-55页 |
| 5.5 本章结论 | 第55-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-61页 |
| 攻读硕士学位期间发表的学术论文 | 第61-62页 |
| 致谢 | 第62页 |
