| 中文摘要 | 第1-3页 |
| 英文摘要 | 第3-6页 |
| 第一章 引言 | 第6-13页 |
| 1． 1 邮件自动过滤的必要性 | 第6页 |
| 1． 2 邮件过滤器的研究概况 | 第6-10页 |
| 1． 2． 1 基于规则的邮件过滤器 | 第7页 |
| 1． 2． 2 基于概率的邮件过滤器 | 第7-9页 |
| 1． 2． 3 其它邮件过滤器 | 第9-10页 |
| 1． 3 邮件过滤器的基本模型 | 第10-11页 |
| 1． 4 本文的研究内容 | 第11-13页 |
| 第二章 邮件文本信息处理 | 第13-19页 |
| 2． 1 引言 | 第13页 |
| 2． 2 向量空间模型 | 第13-14页 |
| 2． 3 特征项 | 第14-16页 |
| 2． 3． 1 特征项的定义 | 第14页 |
| 2． 3． 2 特征项的权值 | 第14-16页 |
| 2． 3． 3 特征项的选择与抽取 | 第16页 |
| 2． 4 向量空间模型的降维处理 | 第16-19页 |
| 2． 4． 1 建立禁用词库 | 第17-18页 |
| 2． 4． 2 Zipf法则 | 第18-19页 |
| 第三章 文本分类器的设计 | 第19-30页 |
| 3． 1 引言 | 第19页 |
| 3． 2 贝叶斯分类器 | 第19-26页 |
| 3． 2． 1 贝叶斯分类器的研究概况 | 第20页 |
| 3． 2． 2 一般贝叶斯模型 | 第20-21页 |
| 3． 2． 3 朴素贝叶斯模型 | 第21-24页 |
| 3． 2． 4 基于最小风险贝叶斯算法 | 第24-26页 |
| 3． 3 其它分类器的概况 | 第26-29页 |
| 3． 3． 1 神经网络分类器 | 第26-27页 |
| 3． 3． 2 K近邻法 | 第27-28页 |
| 3． 3． 3 支持向量机 | 第28-29页 |
| 3． 4 小结 | 第29-30页 |
| 第四章 基于最小风险贝叶斯邮件过滤算法 | 第30-46页 |
| 4． 1 引言 | 第30页 |
| 4． 2 邮件过滤器 | 第30-31页 |
| 4． 3 基于最小风险贝叶斯的邮件过滤算法 | 第31-33页 |
| 4． 3． 1 朴素贝叶斯邮件过滤算法 | 第31-32页 |
| 4． 3． 2 基于最小风险贝叶斯邮件过滤算法 | 第32-33页 |
| 4． 4 实验与性能分析 | 第33-44页 |
| 4． 4． 1 性能评价准则 | 第34页 |
| 4． 4． 2 训练集与测试集的选择 | 第34-38页 |
| 4． 5． 3 特征项的选择与抽取 | 第38-41页 |
| 4． 5． 4 基于最小风险贝叶斯邮件过滤算法的阀值选择 | 第41-44页 |
| 4． 5 小结 | 第44-46页 |
| 第五章 基于最小风险贝叶斯邮件过滤器的设计与实现 | 第46-55页 |
| 5． 1 引言 | 第46页 |
| 5． 2 基于最小风险贝叶斯邮件过滤器的系统设计 | 第46-51页 |
| 5． 2． 1 PB中邮件控件的相关知识 | 第46-48页 |
| 5． 2． 2 邮件过滤器的软件流程 | 第48-50页 |
| 5． 2． 3 主要数据结构 | 第50-51页 |
| 5． 3 基于最小风险贝叶斯的邮件过滤器的实现 | 第51-54页 |
| 5． 4 小结 | 第54-55页 |
| 第六章 结论 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-61页 |