三维复合型垃圾邮件过滤技术的研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1 引言 | 第11-15页 |
| 1.1 垃圾邮件背景 | 第11-13页 |
| 1.2 反垃圾邮件技术 | 第13-14页 |
| 1.3 本文内容安排 | 第14-15页 |
| 2 垃圾邮件过滤技术现状 | 第15-27页 |
| 2.1 非机器学习的过滤技术 | 第15-17页 |
| 2.1.1 启发式过滤 | 第15页 |
| 2.1.2 质询应答 | 第15-16页 |
| 2.1.3 黑名单白名单 | 第16-17页 |
| 2.1.4 流量分析 | 第17页 |
| 2.2 机器学习的过滤技术 | 第17-20页 |
| 2.2.1 支持向量机 | 第17页 |
| 2.2.2 近邻分类法 | 第17-18页 |
| 2.2.3 加权组合分类器 | 第18页 |
| 2.2.4 线性分类法 | 第18-19页 |
| 2.2.5 贝叶斯过滤 | 第19-20页 |
| 2.3 协同过滤技术 | 第20-22页 |
| 2.4 其它过滤方法 | 第22-23页 |
| 2.4.1 服务器端过滤 | 第22-23页 |
| 2.4.2 基于硬件的过滤 | 第23页 |
| 2.5 对比实验 | 第23-24页 |
| 2.6 相关研究领域 | 第24-25页 |
| 2.7 发展趋势 | 第25-26页 |
| 2.8 本章小结 | 第26-27页 |
| 3 三维复合邮件过滤模型 | 第27-45页 |
| 3.1 模型层次图 | 第28-29页 |
| 3.2 基于用户反馈的协同过滤技术 | 第29-33页 |
| 3.2.1 邮件摘要 | 第30-31页 |
| 3.2.2 反馈收集 | 第31-32页 |
| 3.2.3 协同库 | 第32-33页 |
| 3.3 基于个人邮件网络的白名单过滤技术 | 第33-36页 |
| 3.3.1 社会网络 | 第33页 |
| 3.3.2 个人邮件网络 | 第33-35页 |
| 3.3.3 白名单自动生成 | 第35-36页 |
| 3.4 自适应贝叶斯过滤技术 | 第36-43页 |
| 3.4.1 特征提取方法 | 第37-38页 |
| 3.4.2 多次迭代训练方法 | 第38-39页 |
| 3.4.3 过滤器的自适应过程 | 第39-40页 |
| 3.4.4 修正值的计算 | 第40-43页 |
| 3.5 模型特点 | 第43-44页 |
| 3.5.1 误报率低 | 第43页 |
| 3.5.2 过滤过程自动化 | 第43页 |
| 3.5.3 训练时间短 | 第43-44页 |
| 3.5.4 针对群发邮件 | 第44页 |
| 3.6 本章小结 | 第44-45页 |
| 4 系统设计与实现 | 第45-59页 |
| 4.1 设计目标 | 第45页 |
| 4.2 系统架构 | 第45-46页 |
| 4.3 详细工作流程 | 第46-57页 |
| 4.3.1 协同库管理 | 第47-49页 |
| 4.3.2 协同过滤 | 第49页 |
| 4.3.3 白名单过滤 | 第49-50页 |
| 4.3.4 贝叶斯过滤 | 第50-54页 |
| 4.3.5 反馈收集 | 第54-55页 |
| 4.3.6 贝叶斯训练 | 第55-57页 |
| 4.4 系统环境 | 第57-58页 |
| 4.5 本章小结 | 第58-59页 |
| 5 实验及结果分析 | 第59-69页 |
| 5.1 实验语料库 | 第59-61页 |
| 5.2 评价指标 | 第61-63页 |
| 5.3 实验结果分析 | 第63-68页 |
| 5.4 本章小结 | 第68-69页 |
| 6 全文总结 | 第69-70页 |
| 6.1 主要结论 | 第69页 |
| 6.2 研究展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士学位期间已发表的论文 | 第71-72页 |
| 参考文献 | 第72-75页 |
