CN108199953A - 一种垃圾邮件识别方法及系统 - Google Patents

Abstract

本发明公开一种垃圾邮件识别方法及系统。该方法包括：获取邮件数据集；提取所述邮件数据集中邮件的特征；确定所述特征为烟花，利用训练的烟花算法寻优得到全局最优权值；将所述全局最优权值作为加权朴素贝叶斯算法的权值，利用所述加权朴素贝叶斯算法确定垃圾邮件。本发明提供的垃圾邮件识别方法及系统，可以提高垃圾邮件的识别准确度。

Description

一种垃圾邮件识别方法及系统

技术领域

本发明涉及邮件识别技术领域，特别是涉及一种垃圾邮件识别方法及系统。

背景技术

当今，电子邮件成为人们生活中越来越重要的一种通信手段。在使用电子邮件时，人们越来越关注垃圾邮件带来的问题。垃圾邮件不仅占用网络和系统资源，耗费用户精力，而且有可能携带不良信息甚至是病毒。针对这一问题，垃圾邮件过滤技术越来越引起人们的关注。

目前对电子邮件进行识别的方法多采用朴素贝叶斯模型(Naive BayesianModel，NBM)。但是，由于朴素贝叶斯模型在学习过程中假设全部特征值具有相同的重要性和独立性，这一假设与实际情况是不相符的，对垃圾邮件的识别准确度不高。

发明内容

本发明的目的是提供一种垃圾邮件识别方法及系统，提高垃圾邮件的识别准确度。

为实现上述目的，本发明提供了如下方案：

一种垃圾邮件识别方法，其特征在于，包括：

获取邮件数据集；

提取所述邮件数据集中邮件的特征；

确定所述特征为烟花，利用训练的烟花算法寻优得到全局最优权值；

将所述全局最优权值作为加权朴素贝叶斯算法的权值，利用所述加权朴素贝叶斯算法确定垃圾邮件。

可选的，对所述烟花算法进行训练的过程为：

获取训练样本集；所述训练样本集包括合法邮件和垃圾邮件；

获取所述训练样本集中的邮件特征；

以所述邮件特征作为烟花，以权值作为烟花的位置，计算每个所述特征所属的类别，得到类别计算结果；

判断所述类别计算结果的计算准确度，以所述准确度作为所述烟花算法的适应度值，对所述烟花算法进行迭代更新；

确定适应度值最高的所述特征的权值，得到最优训练权值。

可选的，所述确定所述特征为烟花，利用训练的烟花算法寻优得到全局最优权值，具体包括：

确定所述特征为烟花，将所述特征的数量作为所述烟花算法中烟花的初始数量，随机初始化每个所述烟花的位置；

对所述邮件进行分类，并计算分类的准确性，以所述准确性为烟花的适应度值，对所述烟花的位置进行迭代更新，得到全局最优权值；所述全局最优权值为适应度值最高的烟花的位置所对应的权值。

可选的，所述对所述邮件进行分类，并计算分类的准确性，以所述准确性为烟花的适应度值，对所述烟花的位置进行迭代更新，得到全局最优权值，具体包括：

根据所述特征对所述邮件进行分类，计算分类的准确性，得到每个烟花的当前适应度值；

对比每个烟花的当前适应度值和每个烟花之前计算得到的最优适应度值，如果所述当前适应度值大于所述最优适应度值，则用所述当前适应度值作为该烟花的最优适应度值，并确定当前适应度值所对应的烟花的位置为当前最优位置；

对比每个烟花的当前适应度值和全局最优适应度值，如果所述当前适应度值大于所述全局最优适应度值，则用所述当前适应度值作为全局最优适应度值，并确定当前适应度值所对应的烟花的位置为全局最优位置；所述全局最优适应度值为训练过程和当前寻优过程中得到的最高适应度值；

判断迭代是否收敛或烟花迭代到最大次数；如果不是，则计算当前最优位置处的烟花的适应度值重新迭代；如果是，则确定所述全局最优位置对应的权值为全局最优权值。

本发明还公开了一种垃圾邮件识别系统，包括：

数据获取模块，用于获取邮件数据集；

特征提取模块，用于提取所述邮件数据集中邮件的特征；

寻优模块，用于确定所述特征为烟花，利用训练的烟花算法寻优得到全局最优权值；

垃圾邮件确定模块，用于将所述全局最优权值作为加权朴素贝叶斯算法的权值，利用所述加权朴素贝叶斯算法确定垃圾邮件。

可选的，该系统还包括训练模块，所述训练模块用于对所述烟花算法进行训练；所述训练模块具体包括：

样本获取单元，用于获取训练样本集；所述训练样本集包括合法邮件和垃圾邮件；

样本特征提取单元，用于获取所述训练样本集中的邮件特征；

样本分类单元，用于以所述邮件特征作为烟花，以权值作为烟花的位置，计算每个所述特征所属的类别，得到类别计算结果；

迭代更新单元，用于判断所述类别计算结果的计算准确度，以所述准确度作为所述烟花算法的适应度值，对所述烟花算法进行迭代更新；

最优训练权值确定模块，用于确定适应度值最高的所述特征的权值，得到最优训练权值。

可选的，所述寻优模块，具体包括：

初始化单元，用于确定所述特征为烟花，将所述特征的数量作为所述烟花算法中烟花的初始数量，随机初始化每个所述烟花的位置；

全局最优权值确定单元，用于对所述邮件进行分类，并计算分类的准确性，以所述准确性为烟花的适应度值，对所述烟花的位置进行迭代更新，得到全局最优权值；所述全局最优权值为适应度值最高的烟花的位置所对应的权值。

可选的，所述全局最优权值确定单元，具体包括：

邮件分类子单元，用于根据所述特征对所述邮件进行分类，计算分类的准确性，得到每个烟花的当前适应度值；

第一适应度值对比子单元，用于对比每个烟花的当前适应度值和每个烟花之前计算得到的最优适应度值，如果所述当前适应度值大于所述最优适应度值，则用所述当前适应度值作为该烟花的最优适应度值，并确定当前适应度值所对应的烟花的位置为当前最优位置；

第二适应度值对比子单元，用于对比每个烟花的当前适应度值和全局最优适应度值，如果所述当前适应度值大于所述全局最优适应度值，则用所述当前适应度值作为全局最优适应度值，并确定当前适应度值所对应的烟花的位置为全局最优位置；所述全局最优适应度值为训练过程和当前寻优过程中得到的最高适应度值；

迭代终止判断子单元，用于判断迭代是否收敛或烟花迭代到最大次数；如果不是，则计算当前最优位置处的烟花的适应度值重新迭代；如果是，则确定所述全局最优位置对应的权值为全局最优权值。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明利用烟花算法确定加权朴素贝叶斯算法的权值，提高模型的准确性，改善了对垃圾邮件的辨识能力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明垃圾邮件识别方法实施例的方法流程图；

图2为本发明垃圾邮件识别方法实施例的对烟花算法进行训练的方法流程图；

图3为本发明垃圾邮件识别系统实施例的系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明垃圾邮件识别方法实施例的方法流程图。

参见图1，该垃圾邮件识别方法，其特征在于，包括：

步骤101：获取邮件数据集；

步骤102：提取所述邮件数据集中邮件的特征；

步骤103：确定所述特征为烟花，利用训练的烟花算法寻优得到全局最优权值；具体包括：

确定所述特征为烟花，将所述特征的数量作为所述烟花算法中烟花的初始数量，随机初始化每个所述烟花的位置；

对所述邮件进行分类，并计算分类的准确性，以所述准确性为烟花的适应度值，对所述烟花的位置进行迭代更新，得到全局最优权值；所述全局最优权值为适应度值最高的烟花的位置所对应的权值。即：

根据所述特征对所述邮件进行分类，计算分类的准确性，得到每个烟花的当前适应度值；

对比每个烟花的当前适应度值和每个烟花之前计算得到的最优适应度值，如果所述当前适应度值大于所述最优适应度值，则用所述当前适应度值作为该烟花的最优适应度值，并确定当前适应度值所对应的烟花的位置为当前最优位置；

对比每个烟花的当前适应度值和全局最优适应度值，如果所述当前适应度值大于所述全局最优适应度值，则用所述当前适应度值作为全局最优适应度值，并确定当前适应度值所对应的烟花的位置为全局最优位置；所述全局最优适应度值为训练过程和当前寻优过程中得到的最高适应度值；

判断迭代是否收敛或烟花迭代到最大次数；如果不是，则计算当前最优位置处的烟花的适应度值重新迭代；如果是，则确定所述全局最优位置对应的权值为全局最优权值。

步骤104：将所述全局最优权值作为加权朴素贝叶斯算法的权值，利用所述加权朴素贝叶斯算法确定垃圾邮件。

图2为本发明垃圾邮件识别方法实施例的对烟花算法进行训练的方法流程图。

参见图2，对所述烟花算法进行训练的过程为：

获取训练样本集；所述训练样本集包括合法邮件和垃圾邮件；

步骤201：获取所述训练样本集中的邮件特征；

步骤202：以所述邮件特征作为烟花，以权值作为烟花的位置，计算每个所述特征所属的类别，得到类别计算结果；

步骤203：判断所述类别计算结果的计算准确度，以所述准确度作为所述烟花算法的适应度值，对所述烟花算法进行迭代更新；

步骤204：确定适应度值最高的所述特征的权值，得到最优训练权值。

图3为本发明垃圾邮件识别系统实施例的系统结构图。

参见图3，该垃圾邮件识别系统，包括：

数据获取模块301，用于获取邮件数据集；

特征提取模块302，用于提取所述邮件数据集中邮件的特征；

寻优模块303，用于确定所述特征为烟花，利用训练的烟花算法寻优得到全局最优权值；该寻优模块303，具体包括：

初始化单元，用于确定所述特征为烟花，将所述特征的数量作为所述烟花算法中烟花的初始数量，随机初始化每个所述烟花的位置；

全局最优权值确定单元，用于对所述邮件进行分类，并计算分类的准确性，以所述准确性为烟花的适应度值，对所述烟花的位置进行迭代更新，得到全局最优权值；所述全局最优权值为适应度值最高的烟花的位置所对应的权值。

该全局最优权值确定单元，具体包括：

邮件分类子单元，用于根据所述特征对所述邮件进行分类，计算分类的准确性，得到每个烟花的当前适应度值；

第一适应度值对比子单元，用于对比每个烟花的当前适应度值和每个烟花之前计算得到的最优适应度值，如果所述当前适应度值大于所述最优适应度值，则用所述当前适应度值作为该烟花的最优适应度值，并确定当前适应度值所对应的烟花的位置为当前最优位置；

第二适应度值对比子单元，用于对比每个烟花的当前适应度值和全局最优适应度值，如果所述当前适应度值大于所述全局最优适应度值，则用所述当前适应度值作为全局最优适应度值，并确定当前适应度值所对应的烟花的位置为全局最优位置；所述全局最优适应度值为训练过程和当前寻优过程中得到的最高适应度值；

迭代终止判断子单元，用于判断迭代是否收敛或烟花迭代到最大次数；如果不是，则计算当前最优位置处的烟花的适应度值重新迭代；如果是，则确定所述全局最优位置对应的权值为全局最优权值。

垃圾邮件确定模块304，用于将所述全局最优权值作为加权朴素贝叶斯算法的权值，利用所述加权朴素贝叶斯算法确定垃圾邮件。

该系统还包括训练模块305，所述训练模块用于对所述烟花算法进行训练；所述训练模块305具体包括：

样本获取单元，用于获取训练样本集；所述训练样本集包括合法邮件和垃圾邮件；

样本特征提取单元，用于获取所述训练样本集中的邮件特征；

样本分类单元，用于以所述邮件特征作为烟花，以权值作为烟花的位置，计算每个所述特征所属的类别，得到类别计算结果；

迭代更新单元，用于判断所述类别计算结果的计算准确度，以所述准确度作为所述烟花算法的适应度值，对所述烟花算法进行迭代更新；

最优训练权值确定模块，用于确定适应度值最高的所述特征的权值，得到最优训练权值。

本发明利用烟花算法确定加权朴素贝叶斯算法的权值，提高模型的准确性，改善了对垃圾邮件的辨识能力。

对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种垃圾邮件识别方法，其特征在于，包括：

获取邮件数据集；

提取所述邮件数据集中邮件的特征；

确定所述特征为烟花，利用训练的烟花算法寻优得到全局最优权值；

将所述全局最优权值作为加权朴素贝叶斯算法的权值，利用所述加权朴素贝叶斯算法确定垃圾邮件。

2.根据权利要求1所述的一种垃圾邮件识别方法，其特征在于，对所述烟花算法进行训练的过程为：

获取训练样本集；所述训练样本集包括合法邮件和垃圾邮件；

获取所述训练样本集中的邮件特征；

以所述邮件特征作为烟花，以权值作为烟花的位置，计算每个所述特征所属的类别，得到类别计算结果；

判断所述类别计算结果的计算准确度，以所述准确度作为所述烟花算法的适应度值，对所述烟花算法进行迭代更新；

确定适应度值最高的所述特征的权值，得到最优训练权值。

3.根据权利要求2所述的一种垃圾邮件识别方法，其特征在于，所述确定所述特征为烟花，利用训练的烟花算法寻优得到全局最优权值，具体包括：

确定所述特征为烟花，将所述特征的数量作为所述烟花算法中烟花的初始数量，随机初始化每个所述烟花的位置；

对所述邮件进行分类，并计算分类的准确性，以所述准确性为烟花的适应度值，对所述烟花的位置进行迭代更新，得到全局最优权值；所述全局最优权值为适应度值最高的烟花的位置所对应的权值。

4.根据权利要求3所述的一种垃圾邮件识别方法，其特征在于，所述对所述邮件进行分类，并计算分类的准确性，以所述准确性为烟花的适应度值，对所述烟花的位置进行迭代更新，得到全局最优权值，具体包括：

根据所述特征对所述邮件进行分类，计算分类的准确性，得到每个烟花的当前适应度值；

对比每个烟花的当前适应度值和每个烟花之前计算得到的最优适应度值，如果所述当前适应度值大于所述最优适应度值，则用所述当前适应度值作为该烟花的最优适应度值，并确定当前适应度值所对应的烟花的位置为当前最优位置；

对比每个烟花的当前适应度值和全局最优适应度值，如果所述当前适应度值大于所述全局最优适应度值，则用所述当前适应度值作为全局最优适应度值，并确定当前适应度值所对应的烟花的位置为全局最优位置；所述全局最优适应度值为训练过程和当前寻优过程中得到的最高适应度值；

判断迭代是否收敛或烟花迭代到最大次数；如果不是，则计算当前最优位置处的烟花的适应度值重新迭代；如果是，则确定所述全局最优位置对应的权值为全局最优权值。

5.一种垃圾邮件识别系统，其特征在于，包括：

数据获取模块，用于获取邮件数据集；

特征提取模块，用于提取所述邮件数据集中邮件的特征；

寻优模块，用于确定所述特征为烟花，利用训练的烟花算法寻优得到全局最优权值；

垃圾邮件确定模块，用于将所述全局最优权值作为加权朴素贝叶斯算法的权值，利用所述加权朴素贝叶斯算法确定垃圾邮件。

6.根据权利要求5所述的一种垃圾邮件识别系统，其特征在于，还包括训练模块，所述训练模块用于对所述烟花算法进行训练；所述训练模块具体包括：

样本获取单元，用于获取训练样本集；所述训练样本集包括合法邮件和垃圾邮件；

样本特征提取单元，用于获取所述训练样本集中的邮件特征；

样本分类单元，用于以所述邮件特征作为烟花，以权值作为烟花的位置，计算每个所述特征所属的类别，得到类别计算结果；

迭代更新单元，用于判断所述类别计算结果的计算准确度，以所述准确度作为所述烟花算法的适应度值，对所述烟花算法进行迭代更新；

最优训练权值确定模块，用于确定适应度值最高的所述特征的权值，得到最优训练权值。

7.根据权利要求6所述的一种垃圾邮件识别系统，其特征在于，所述寻优模块，具体包括：

初始化单元，用于确定所述特征为烟花，将所述特征的数量作为所述烟花算法中烟花的初始数量，随机初始化每个所述烟花的位置；

全局最优权值确定单元，用于对所述邮件进行分类，并计算分类的准确性，以所述准确性为烟花的适应度值，对所述烟花的位置进行迭代更新，得到全局最优权值；所述全局最优权值为适应度值最高的烟花的位置所对应的权值。

8.根据权利要求7所述的一种垃圾邮件识别系统，其特征在于，所述全局最优权值确定单元，具体包括：

邮件分类子单元，用于根据所述特征对所述邮件进行分类，计算分类的准确性，得到每个烟花的当前适应度值；

第一适应度值对比子单元，用于对比每个烟花的当前适应度值和每个烟花之前计算得到的最优适应度值，如果所述当前适应度值大于所述最优适应度值，则用所述当前适应度值作为该烟花的最优适应度值，并确定当前适应度值所对应的烟花的位置为当前最优位置；

第二适应度值对比子单元，用于对比每个烟花的当前适应度值和全局最优适应度值，如果所述当前适应度值大于所述全局最优适应度值，则用所述当前适应度值作为全局最优适应度值，并确定当前适应度值所对应的烟花的位置为全局最优位置；所述全局最优适应度值为训练过程和当前寻优过程中得到的最高适应度值；

迭代终止判断子单元，用于判断迭代是否收敛或烟花迭代到最大次数；如果不是，则计算当前最优位置处的烟花的适应度值重新迭代；如果是，则确定所述全局最优位置对应的权值为全局最优权值。