CN113132325A - 邮件分类模型训练方法、装置以及计算机设备 - Google Patents

邮件分类模型训练方法、装置以及计算机设备 Download PDF

Info

Publication number
CN113132325A
CN113132325A CN201911419019.9A CN201911419019A CN113132325A CN 113132325 A CN113132325 A CN 113132325A CN 201911419019 A CN201911419019 A CN 201911419019A CN 113132325 A CN113132325 A CN 113132325A
Authority
CN
China
Prior art keywords
mail
data set
mail data
sample
normal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911419019.9A
Other languages
English (en)
Inventor
汤良
吕考考
商清华
张卓
黄传明
刘凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qianxin Technology Group Co Ltd
Secworld Information Technology Beijing Co Ltd
Original Assignee
Qianxin Technology Group Co Ltd
Secworld Information Technology Beijing Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qianxin Technology Group Co Ltd, Secworld Information Technology Beijing Co Ltd filed Critical Qianxin Technology Group Co Ltd
Priority to CN201911419019.9A priority Critical patent/CN113132325A/zh
Publication of CN113132325A publication Critical patent/CN113132325A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/02—Network architectures or network communication protocols for network security for separating internal from external traffic, e.g. firewalls
    • H04L63/0227—Filtering policies
    • H04L63/0236—Filtering by address, protocol, port number or service, e.g. IP-address or URL
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L61/00—Network arrangements, protocols or services for addressing or naming
    • H04L61/45—Network directories; Name-to-address mapping
    • H04L61/4505—Network directories; Name-to-address mapping using standardised directories; using standardised directory access protocols
    • H04L61/4511—Network directories; Name-to-address mapping using standardised directories; using standardised directory access protocols using domain name system [DNS]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L63/00—Network architectures or network communication protocols for network security
    • H04L63/30—Network architectures or network communication protocols for network security for supporting lawful interception, monitoring or retaining of communications or communication related information
    • H04L63/308—Network architectures or network communication protocols for network security for supporting lawful interception, monitoring or retaining of communications or communication related information retaining data, e.g. retaining successful, unsuccessful communication attempts, internet access, or e-mail, internet telephony, intercept related information or call content

Abstract

本发明公开了一种邮件分类模型训练方法，该方法包括：获取样本邮件数据；通过分类规则标记出所述样本邮件数据中的第一垃圾邮件数据集和第一正常邮件数据集；利用所述第一垃圾邮件数据集和所述第一正常邮件数据集对初始邮件识别模型进行训练，得到第一邮件识别模型。本发明还提供一种邮件分类模型训练装置、计算机设备以及计算机可读存储介质。本发明通过对样本邮件数据进行正常邮件数据集和垃圾邮件数据集的分类，再分别对初始垃圾邮件识别模型进行训练，得到最终的垃圾邮件识别模型，从而能够提高训练出的垃圾邮件识别模型的适应性及准确度。

Description

邮件分类模型训练方法、装置以及计算机设备
技术领域
本发明涉及人工智能技术领域，尤其涉及一种邮件分类模型训练方法、装置、计算机设备及计算机可读存储介质。
背景技术
随着互联网技术的普及和高速发展，电子邮件以其快捷、方便和低成本的特点，成为了人们工作和生活的重要通信方式。但是，随之而来的却是垃圾邮件的泛滥。
现有技术中，一般都是通过邮件中的发件人信息、邮件主题或发件地址信息等进行分类，比如，通过构建垃圾邮件识别模型，然后将垃圾邮件库中的垃圾邮件作为样本数据对一个深度学习神经网络模型进行训练，从而得到一个垃圾邮件识别模型，能够通过收到的邮件的发件人地址或者邮件主题直接识别出垃圾邮件。
然而，通过这种方式训练出的垃圾邮件识别模型，往往适应性较差，而且识别精确度也并不高。
发明内容
有鉴于此，本发明提出一种邮件分类模型训练方法、装置、计算机设备及计算机可读存储介质，能够解决上述的训练出来的垃圾邮件识别模型的适应性差，识别精度不高的问题。
首先，为实现上述目的，本发明提供一种邮件分类模型训练方法，所述方法包括：
获取样本邮件数据；通过分类规则标记出所述样本邮件数据中的第一垃圾邮件数据集和第一正常邮件数据集，其中，所述分类规则是预先设置的用于根据邮件要素分类出邮件数据中的垃圾邮件和正常邮件；将所述样本邮件数据中的所述第一垃圾邮件数据集排除，得到第一正常邮件数据集；利用所述第一垃圾邮件数据集和所述第一正常邮件数据集对初始邮件识别模型进行训练，得到第一邮件识别模型。
优选地，所述分类规则包括：根据域名信息识别所述样本邮件数据中的域名型正常邮件，作为第一正常邮件数据集；根据邮件路由信息和文本信息识别所述样本邮件数据中所述域名型正常邮件之外的邮件数据中的路由型垃圾邮件和关键字型垃圾邮件，并将所述路由型垃圾邮件和所述关键字型垃圾邮件作为第一垃圾邮件数据集。
优选地，所述根据邮件路由信息和文本信息识别所述样本邮件数据中所述域名型正常邮件之外的邮件数据中的路由型垃圾邮件和关键字型垃圾邮件包括：将所述样本邮件数据中的每个样本邮件的邮件路由信息与预设的垃圾邮件路由信息库进行比对；对包括所述垃圾邮件路由信息库的路由信息的样本邮件标记为路由型垃圾邮件；将所述样本邮件数据中的每个样本邮件的文本信息与预设的垃圾邮件关键字进行比对；对包括所述垃圾邮件关键字的样本邮件标记为关键字型垃圾邮件。
优选地，所述方法还包括：将所述样本邮件数据输入到所述第一邮件识别模型进行识别，得到第二正常邮件数据集和第二垃圾邮件数据集；将包含在所述第一正常邮件数据集而未包含在所述第二正常邮件数据集的邮件数据标记为第三正常邮件数据集；以及将包含在所述第一垃圾邮件数据集而未包含在所述第二垃圾邮件数据集的邮件数据标记为第三垃圾邮件数据集；将所述第三正常邮件数据集和所述第三垃圾邮件数据集输入到第二邮件识别模型进行训练，得到第三邮件识别模型。
此外，为实现上述目的，本发明还提供一种邮件分类模型训练装置，所述装置包括：
获取模块，用于获取样本邮件数据；第一分类模块，用于通过分类规则标记出所述样本邮件数据中的第一垃圾邮件数据集和第一正常邮件数据集，其中，所述分类规则是预先设置的用于根据邮件要素分类出邮件数据中的垃圾邮件和正常邮件；所述第一分类模块，还用于将所述样本邮件数据中的所述第一垃圾邮件数据集排除，得到第一正常邮件数据集；训练模块，用于利用所述第一垃圾邮件数据集和所述第一正常邮件数据集对初始邮件识别模型进行训练，得到第一邮件识别模型。
优选地，所述第一分类模块还用于：根据域名信息识别所述样本邮件数据中的域名型正常邮件，作为第一正常邮件数据集；根据邮件路由信息和文本信息识别所述样本邮件数据中所述域名型正常邮件之外的邮件数据中的路由型垃圾邮件和关键字型垃圾邮件，并将所述路由型垃圾邮件和所述关键字型垃圾邮件作为第一垃圾邮件数据集。
优选地，所述第一分类模块还用于：将所述样本邮件数据中的每个样本邮件的邮件路由信息与预设的垃圾邮件路由信息库进行比对；对包括所述垃圾邮件路由信息库的路由信息的样本邮件标记为路由型垃圾邮件；将所述样本邮件数据中的每个样本邮件的文本信息与预设的垃圾邮件关键字进行比对；对包括所述垃圾邮件关键字的样本邮件标记为关键字型垃圾邮件。
优选地，所述装置还包括：识别模块，用于将所述样本邮件数据输入到所述第一邮件识别模型进行识别，得到第二正常邮件数据集和第二垃圾邮件数据集；第二分类模块，用于将包含在所述第一正常邮件数据集而未包含在所述第二正常邮件数据集的邮件数据标记为第三正常邮件数据集；以及将包含在所述第一垃圾邮件数据集而未包含在所述第二垃圾邮件数据集的邮件数据标记为第三垃圾邮件数据集；所述训练模块，还用于将所述第三正常邮件数据集和所述第三垃圾邮件数据集输入到第二邮件识别模型进行训练，得到第三邮件识别模型。
进一步地，本发明还提出一种计算机设备，所述计算机设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上述的邮件分类模型训练方法的步骤。
进一步地，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序可被至少一个处理器执行，以使所述至少一个处理器执行如上述的邮件分类模型训练方法的步骤。
相较于现有技术，本发明所提出的邮件分类模型训练方法、装置、计算机设备及计算机可读存储介质，能够获取样本邮件数据后通过分类规则标记出所述样本邮件数据中的第一垃圾邮件数据集，然后将所述样本邮件数据中的所述第一垃圾邮件数据集排除，得到第一正常邮件数据集；最后利用所述第一垃圾邮件数据集和所述第一正常邮件数据集对初始邮件识别模型进行训练，得到第一邮件识别模型。因此，通过对样本邮件数据进行正常邮件数据集和垃圾邮件数据集的分类，再分别对初始垃圾邮件识别模型进行训练，得到最终的垃圾邮件识别模型，从而能够提高训练出的垃圾邮件识别模型的适应性及准确度。
附图说明
图1是本发明一实施例的应用环境示意图；
图2是本发明邮件分类模型训练方法一具体实施例的流程示意图；
图3是基于图2的另一具体实施例的流程示意图；
图4是本发明计算机设备一可选的硬件架构的示意图；
图5是本发明邮件分类模型训练装置一实施例的程序模块示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
图1是本发明一实施例的应用环境示意图。参阅图1所示，所述计算机设备1与网络连接，然后可以接收其他计算机设备(图1未示出)通过所述网络发送过来的邮件。在本实施例中，所述计算机设备1可作为一个邮件服务器，也可以是独立的用户终端，比如PC端，用户便携设备，平板电脑，手机等。在其他实施例中，所述计算机设备1也可以作为独立的功能模块，然后附加到以上所述的邮件服务器，用户终端，比如PC端，用户便携设备，平板电脑，手机等，从而实现垃圾邮件识别模型的训练以及对接收到的邮件进行识别。
图2是本发明邮件分类模型训练方法一实施例的流程示意图。可以理解，本方法实施例中的流程图不用于对执行步骤的顺序进行限定。下面以计算机设备为执行主体进行示例性描述。
如图2所示，所述邮件分类模型训练方法可以包括步骤S200～S204，其中：
步骤S200，获取样本邮件数据。
具体地，所述计算机设备1连接到所述网络之后，可以通过所述网络接收其他计算机设备发送的邮件。其中，所述邮件可以是通过与所述计算机设备1相同局域网的内部网络，也可以是通过外部网络发送至所述计算机设备1。因此，所述计算机设备1可以获取到邮件，然后将接收到的邮件作为样本邮件数据，比如，每隔三天则将这三天收到的邮件作为样本邮件数据。
步骤S202，通过分类规则标记出所述样本邮件数据中的第一垃圾邮件数据集和第一正常邮件数据集，其中，所述分类规则是预先设置的用于根据邮件要素分类出邮件数据中的垃圾邮件和正常邮件。
所述计算机设备1在获取到样本邮件数据之后，然后通过分类规则对所述样本邮件数据进行标记，所述分类规则是预先设置的用于根据邮件要素分类出邮件数据中的垃圾邮件和正常邮件，所述邮件要素，包括域名信息，路由信息，文本信息，其中，所述文本信息包括主题，正文，收件人等文本字符串。在本实施例中，所述计算机设备1根据域名信息识别所述样本邮件数据中的域名型正常邮件，作为第一正常邮件数据集；然后根据邮件路由信息和文本信息识别所述样本邮件数据中所述域名型正常邮件之外的邮件数据中的路由型垃圾邮件和关键字型垃圾邮件，并将所述路由型垃圾邮件和所述关键字型垃圾邮件作为第一垃圾邮件数据集。
具体地，所述计算机设备1先将所述样本邮件数据中的每个邮件进行域名比对，从而识别出域名型正常邮件。在本实施例中，所述计算机设备1将样本邮件数据的每个邮件的域名信息与域名白名单进行比较，当邮件的域名信息存在于所述域名白名单则判断所述邮件为域名型正常邮件，并作为第一正常邮件数据集。比如，当所述计算机设备1将本公司及相关公司的邮件所对应的域名信息设置为域名白名单时，那么当所述样本邮件数据中的邮件的域名信息为域名白名单中的域名时，则可以判断为域名型正常邮件。
接着，所述计算机设备1再将所述样本邮件数据中所述域名型正常邮件之外的邮件数据中的每个样本邮件的邮件路由信息与预设的垃圾邮件路由信息库进行比对，然后对包括所述垃圾邮件路由信息库的路由信息的样本邮件标记为路由型垃圾邮件；以及将所述样本邮件数据中的每个样本邮件的文本信息与预设的垃圾邮件关键字进行比对，然后对包括所述垃圾邮件关键字的样本邮件标记为关键字型垃圾邮件。例如，对于路由型垃圾邮件，可以将与所述计算机设备1不是同一个局域网的外部网络中的其他计算机设备发送过来的邮件定义为垃圾邮件；而对于关键字型邮件，可以将邮件文本中包括特定关键字，比如“发票”、“培训”、“贷款”等的邮件定义为垃圾邮件。因此，所述计算机设备1可以分类出包括邮件型垃圾邮件和关键字型垃圾邮件，并作为第一垃圾邮件数据集。
当然，在其他实施例中，也可以再进一步根据域名信息对所述样本邮件数据中所述域名型正常邮件之外的邮件数据中的每个邮件进行域名判断，比如根据统计的垃圾邮件的域名数据获取一个域名黑名单，然后将所述样本邮件数据中所述域名型正常邮件之外的邮件数据中的每个邮件的域名与所述域名黑名单进行相似度比较，并将相似度高与一定阈值，比如99％，则判断为域名型垃圾邮件，然后将所述域名型垃圾邮件也添加在所述第一垃圾邮件数据集。
步骤S204，利用所述第一垃圾邮件数据集和所述第一正常邮件数据集对初始邮件识别模型进行训练，得到第一邮件识别模型。
具体地，所述计算机设备1将所述第一垃圾邮件数据集和所述第一正常邮件数据集对预设的初始邮件识别模型进行训练，从而得到第一邮件识别模型。在本实施例中，所述初始邮件识别模型是通过预设的垃圾邮件数据库进行训练得到的缺乏适应性及精确性的垃圾邮件识别模型，因此，可以通过将所述第一垃圾邮件数据集和所述第一正常邮件数据集对所述初始邮件是被模型进行再训练，从而得到一个相对精确的，适应性高的第一邮件识别模型。
当然，在另一具体实施例中，所述邮件分类模型训练方法，参阅图3所示，图3是基于图2的另一具体实施例的流程示意图，除了以上步骤S200～S204，还可以包括步骤S300～S304：
步骤S300，将所述样本邮件数据输入到所述第一邮件识别模型进行识别，得到第二正常邮件数据集和第二垃圾邮件数据集。
步骤S302，将包含在所述第一正常邮件数据集而未包含在所述第二正常邮件数据集的邮件数据标记为第三正常邮件数据集；以及将包含在所述第一垃圾邮件数据集而未包含在所述第二垃圾邮件数据集的邮件数据标记为第三垃圾邮件数据集。
步骤S304，将所述第三正常邮件数据集和所述第三垃圾邮件数据集输入到第二邮件识别模型进行训练，得到第三邮件识别模型。
具体地，步骤S204中，所述计算机设备1对所述初始垃圾邮件识别模型再训练后得到第一邮件识别模型之后，则可以将所述样本邮件数据输入到所述第一邮件识别模型中进行识别，然后得到第二垃圾邮件数据集以及第二正常邮件数据集。接着，所述计算机设备1将所述第一正常邮件数据集和所述第二正常邮件数据集进行比对，以及将所述第一垃圾邮件数据集与所述第二垃圾邮件数据集进行比对，从而得到所述第一邮件识别模型识别出错的邮件，也就是第三垃圾邮件数据集和第三正常邮件数据集。最后，所述计算机设备1再将所述第三垃圾邮件数据集和所述正常邮件数据集输入到所述第一邮件识别模型进行再训练，从而得到精确性更好的第二邮件识别模型。
从上文可知，本实施例所提出的邮件分类模型训练方法能够获取样本邮件数据后通过分类规则标记出所述样本邮件数据中的第一垃圾邮件数据集，然后将所述样本邮件数据中的所述第一垃圾邮件数据集排除，得到第一正常邮件数据集；最后利用所述第一垃圾邮件数据集和所述第一正常邮件数据集对初始邮件识别模型进行训练，得到第一邮件识别模型。因此，通过对样本邮件数据进行正常邮件数据集和垃圾邮件数据集的分类，再分别对初始垃圾邮件识别模型进行训练，得到最终的垃圾邮件识别模型，从而能够提高训练出的垃圾邮件识别模型的适应性及准确度。
此外，本发明还提供一种计算机设备，参阅图4所示，是本发明计算机设备一可选的硬件架构的示意图。
本实施例中，所述计算机设备1可包括，但不仅限于，可通过系统总线相互通信连接存储器11、处理器12、网络接口13。所述计算机设备1通过网络接口13连接网络(图4未标出)，通过网络连接到其他计算机设备比如用户终端，比如PC端，用户便携设备，平板电脑，手机等(图4未标出)进行邮件收发。所述网络可以是企业内部网(Intranet)、互联网(Internet)、全球移动通讯系统(Global System of Mobile communication，GSM)、宽带码分多址(Wideband Code Division MultIPle Access，WCDMA)、4G网络、5G网络、蓝牙(Bluetooth)、Wi-Fi、通话网络等无线或有线网络。
需要指出的是，图4仅示出了具有组件11-13的计算机设备1，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器11可以是所述计算机设备1的内部存储单元，例如该计算机设备1的硬盘或内存。在另一些实施例中，所述存储器11也可以是所述计算机设备1的外部存储设备，例如该计算机设备1配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器11还可以既包括所述计算机设备1的内部存储单元也包括其外部存储设备。本实施例中，所述存储器11通常用于存储安装于所述计算机设备1的操作系统和各类应用软件，例如挡板应用的程序代码，以及邮件分类模型训练装置200的程序代码等。此外，所述存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器12在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述计算机设备1的总体操作，例如执行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如运行所述邮件分类模型训练装置200的应用程序，这里不做限制。
所述网络接口13可包括无线网络接口或有线网络接口，该网络接口13通常用于在所述计算机设备1与网络上的其他计算机设备之间建立通信连接。
本实施例中，所述计算机设备1内安装并运行有邮件分类模型训练装置200时，当所述邮件分类模型训练装置200运行时，能够获取样本邮件数据后通过分类规则标记出所述样本邮件数据中的第一垃圾邮件数据集，然后将所述样本邮件数据中的所述第一垃圾邮件数据集排除，得到第一正常邮件数据集；最后利用所述第一垃圾邮件数据集和所述第一正常邮件数据集对初始邮件识别模型进行训练，得到第一邮件识别模型。因此，通过对样本邮件数据进行正常邮件数据集和垃圾邮件数据集的分类，再分别对初始垃圾邮件识别模型进行训练，得到最终的垃圾邮件识别模型，从而能够提高训练出的垃圾邮件识别模型的适应性及准确度。
至此，己经详细介绍了本发明计算机设备的硬件结构和功能。下面，将基于上述计算机设备，提出本发明的各个实施例。
参阅图5所示，是本发明邮件分类模型训练装置200一实施例的程序模块图。
本实施例中，所述邮件分类模型训练装置200包括一系列的存储于存储器11上的计算机程序指令，当该计算机程序指令被处理器12执行时，可以实现本发明实施例的邮件分类模型训练功能。在一些实施例中，基于该计算机程序指令各部分所实现的特定的操作，邮件分类模型训练装置200可以被划分为一个或多个模块。例如，在图5中，所述邮件分类模型训练装置200可以被分割成获取模块201、第一分类模块202、训练模块203、识别模块204和第二分类模块205。其中：
所述获取模块201，用于获取样本邮件数据。
具体地，所述计算机设备连接到所述网络之后，所述获取模块201可以通过所述网络接收其他计算机设备发送的邮件。其中，所述邮件可以是通过与所述计算机设备相同局域网的内部网络，也可以是通过外部网络发送至所述计算机设备。因此，所述获取模块201可以获取到邮件，然后将接收到的邮件作为样本邮件数据，比如，每隔三天则将这三天收到的邮件作为样本邮件数据。
所述第一分类模块202，用于通过分类规则标记出所述样本邮件数据中的第一垃圾邮件数据集和第一正常邮件数据集，其中，所述分类规则是预先设置的用于根据邮件要素分类出邮件数据中的垃圾邮件和正常邮件。
所述计算机设备在获取到样本邮件数据之后，然后所述第一分类模块202通过分类规则对所述样本邮件数据进行标记，所述分类规则是预先设置的用于根据邮件要素分类出邮件数据中的垃圾邮件和正常邮件，所述邮件要素，包括域名信息，路由信息，文本信息，其中，所述文本信息包括主题，正文，收件人等文本字符串。在本实施例中，所述第一分类模块202根据域名信息识别所述样本邮件数据中的域名型正常邮件，作为第一正常邮件数据集；然后根据邮件路由信息和文本信息识别所述样本邮件数据中所述域名型正常邮件之外的邮件数据中的路由型垃圾邮件和关键字型垃圾邮件，并将所述路由型垃圾邮件和所述关键字型垃圾邮件作为第一垃圾邮件数据集。
具体地，所述第一分类模块202先将所述样本邮件数据中的每个邮件进行域名比对，从而识别出域名型正常邮件。在本实施例中，所述第一分类模块202将样本邮件数据的每个邮件的域名信息与域名白名单进行比较，当邮件的域名信息存在于所述域名白名单则判断所述邮件为域名型正常邮件，并作为第一正常邮件数据集。比如，当所述计算机设备1将本公司及相关公司的邮件所对应的域名信息设置为域名白名单时，那么当所述样本邮件数据中的邮件的域名信息为域名白名单中的域名时，则可以判断为域名型正常邮件。
接着，所述第一分类模块202再将所述样本邮件数据中所述域名型正常邮件之外的邮件数据中的每个样本邮件的邮件路由信息与预设的垃圾邮件路由信息库进行比对，然后对包括所述垃圾邮件路由信息库的路由信息的样本邮件标记为路由型垃圾邮件；以及将所述样本邮件数据中的每个样本邮件的文本信息与预设的垃圾邮件关键字进行比对，然后对包括所述垃圾邮件关键字的样本邮件标记为关键字型垃圾邮件。例如，对于路由型垃圾邮件，可以将与所述计算机设备不是同一个局域网的外部网络中的其他计算机设备发送过来的邮件定义为垃圾邮件；而对于关键字型邮件，可以将邮件文本中包括特定关键字，比如“发票”、“培训”、“贷款”等的邮件定义为垃圾邮件。因此，所述第一分类模块202可以分类出包括邮件型垃圾邮件和关键字型垃圾邮件，并作为第一垃圾邮件数据集。
当然，在其他实施例中，所述分类模块202也可以再进一步根据域名信息对所述样本邮件数据中所述域名型正常邮件之外的邮件数据中的每个邮件进行域名判断，比如根据统计的垃圾邮件的域名数据获取一个域名黑名单，然后将所述样本邮件数据中所述域名型正常邮件之外的邮件数据中的每个邮件的域名与所述域名黑名单进行相似度比较，并将相似度高与一定阈值，比如99％，则判断为域名型垃圾邮件，然后将所述域名型垃圾邮件也添加在所述第一垃圾邮件数据集。
所述训练模块203，用于利用所述第一垃圾邮件数据集和所述第一正常邮件数据集对初始邮件识别模型进行训练，得到第一邮件识别模型。
具体地，所述训练模块203将所述第一垃圾邮件数据集和所述第一正常邮件数据集对预设的初始邮件识别模型进行训练，从而得到第一邮件识别模型。在本实施例中，所述初始邮件识别模型是通过预设的垃圾邮件数据库进行训练得到的缺乏适应性及精确性的垃圾邮件识别模型，因此，训练模块203可以通过将所述第一垃圾邮件数据集和所述第一正常邮件数据集对所述初始邮件是被模型进行再训练，从而得到一个相对精确的，适应性高的第一邮件识别模型。
所述识别模块204，用于将所述样本邮件数据输入到所述第一邮件识别模型进行识别，得到第二正常邮件数据集和第二垃圾邮件数据集。
所述第二分类模块205，用于将包含在所述第一正常邮件数据集而未包含在所述第二正常邮件数据集的邮件数据标记为第三正常邮件数据集；以及将包含在所述第一垃圾邮件数据集而未包含在所述第二垃圾邮件数据集的邮件数据标记为第三垃圾邮件数据集。
所述训练模块203，还用于将所述第三正常邮件数据集和所述第三垃圾邮件数据集输入到第二邮件识别模型进行训练，得到第三邮件识别模型。
具体地，在在另一具体实施例中，在所述训练模块203对所述初始垃圾邮件识别模型再训练后得到第一邮件识别模型之后，所述识别模块204则可以将所述样本邮件数据输入到所述第一邮件识别模型中进行识别，然后得到第二垃圾邮件数据集以及第二正常邮件数据集。接着，所述第二分类模块205将所述第一正常邮件数据集和所述第二正常邮件数据集进行比对，以及将所述第一垃圾邮件数据集与所述第二垃圾邮件数据集进行比对，从而得到所述第一邮件识别模型识别出错的邮件，也就是第三垃圾邮件数据集和第三正常邮件数据集。最后，所述训练模块203再将所述第三垃圾邮件数据集和所述正常邮件数据集输入到所述第一邮件识别模型进行再训练，从而得到精确性更好的第二邮件识别模型。
从上文可知，所述计算机设备能够获取样本邮件数据后通过分类规则标记出所述样本邮件数据中的第一垃圾邮件数据集，然后将所述样本邮件数据中的所述第一垃圾邮件数据集排除，得到第一正常邮件数据集；最后利用所述第一垃圾邮件数据集和所述第一正常邮件数据集对初始邮件识别模型进行训练，得到第一邮件识别模型。因此，通过对样本邮件数据进行正常邮件数据集和垃圾邮件数据集的分类，再分别对初始垃圾邮件识别模型进行训练，得到最终的垃圾邮件识别模型，从而能够提高训练出的垃圾邮件识别模型的适应性及准确度。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种邮件分类模型训练方法，其特征在于，所述方法包括：
获取样本邮件数据；
通过分类规则标记出所述样本邮件数据中的第一垃圾邮件数据集和第一正常邮件数据集，其中，所述分类规则是预先设置的用于根据邮件要素分类出邮件数据中的垃圾邮件和正常邮件；
利用所述第一垃圾邮件数据集和所述第一正常邮件数据集对初始邮件识别模型进行训练，得到第一邮件识别模型。
2.如权利要求1所述的邮件分类模型训练方法，其特征在于，所述分类规则包括：
根据域名信息识别所述样本邮件数据中的域名型正常邮件，作为第一正常邮件数据集；
根据邮件路由信息和文本信息识别所述样本邮件数据中所述域名型正常邮件之外的邮件数据中的路由型垃圾邮件和关键字型垃圾邮件，并将所述路由型垃圾邮件和所述关键字型垃圾邮件作为第一垃圾邮件数据集。
3.如权利要求2所述的邮件分类模型训练方法，其特征在于，所述根据邮件路由信息和文本信息识别所述样本邮件数据中所述域名型正常邮件之外的邮件数据中的路由型垃圾邮件和关键字型垃圾邮件包括：
将所述样本邮件数据中的每个样本邮件的邮件路由信息与预设的垃圾邮件路由信息库进行比对；
对包括所述垃圾邮件路由信息库的路由信息的样本邮件标记为路由型垃圾邮件；
将所述样本邮件数据中的每个样本邮件的文本信息与预设的垃圾邮件关键字进行比对；
对包括所述垃圾邮件关键字的样本邮件标记为关键字型垃圾邮件。
4.如权利要求1所述的邮件分类模型训练方法，其特征在于，所述方法还包括：
将所述样本邮件数据输入到所述第一邮件识别模型进行识别，得到第二正常邮件数据集和第二垃圾邮件数据集；
将包含在所述第一正常邮件数据集而未包含在所述第二正常邮件数据集的邮件数据标记为第三正常邮件数据集；以及
将包含在所述第一垃圾邮件数据集而未包含在所述第二垃圾邮件数据集的邮件数据标记为第三垃圾邮件数据集；
将所述第三正常邮件数据集和所述第三垃圾邮件数据集输入到第二邮件识别模型进行训练，得到第三邮件识别模型。
5.一种邮件分类模型训练装置，其特征在于，所述装置包括：
获取模块，用于获取样本邮件数据；
第一分类模块，用于通过分类规则标记出所述样本邮件数据中的第一垃圾邮件数据集和第一正常邮件数据集，其中，所述分类规则是预先设置的用于根据邮件要素分类出邮件数据中的垃圾邮件和正常邮件；
所述第一分类模块，还用于将所述样本邮件数据中的所述第一垃圾邮件数据集排除，得到第一正常邮件数据集；
训练模块，用于利用所述第一垃圾邮件数据集和所述第一正常邮件数据集对初始邮件识别模型进行训练，得到第一邮件识别模型。
6.如权利要求5所述的邮件分类模型训练装置，其特征在于，所述第一分类模块还用于：
根据域名信息识别所述样本邮件数据中的域名型正常邮件，作为第一正常邮件数据集；
根据邮件路由信息和文本信息识别所述样本邮件数据中所述域名型正常邮件之外的邮件数据中的路由型垃圾邮件和关键字型垃圾邮件，并将所述路由型垃圾邮件和所述关键字型垃圾邮件作为第一垃圾邮件数据集。
7.如权利要求6所述的邮件分类模型训练装置，其特征在于，所述第一分类模块还用于：
将所述样本邮件数据中的每个样本邮件的邮件路由信息与预设的垃圾邮件路由信息库进行比对；
对包括所述垃圾邮件路由信息库的路由信息的样本邮件标记为路由型垃圾邮件；
将所述样本邮件数据中的每个样本邮件的文本信息与预设的垃圾邮件关键字进行比对；
对包括所述垃圾邮件关键字的样本邮件标记为关键字型垃圾邮件。
8.如权利要求5所述的邮件分类模型训练装置，其特征在于，所述装置还包括：
识别模块，用于将所述样本邮件数据输入到所述第一邮件识别模型进行识别，得到第二正常邮件数据集和第二垃圾邮件数据集；
第二分类模块，用于将包含在所述第一正常邮件数据集而未包含在所述第二正常邮件数据集的邮件数据标记为第三正常邮件数据集；以及将包含在所述第一垃圾邮件数据集而未包含在所述第二垃圾邮件数据集的邮件数据标记为第三垃圾邮件数据集；
所述训练模块，还用于将所述第三正常邮件数据集和所述第三垃圾邮件数据集输入到第二邮件识别模型进行训练，得到第三邮件识别模型。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-4任一项所述的邮件分类模型训练方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序可被至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-4中任一项所述的邮件分类模型训练方法的步骤。
CN201911419019.9A 2019-12-31 2019-12-31 邮件分类模型训练方法、装置以及计算机设备 Pending CN113132325A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911419019.9A CN113132325A (zh) 2019-12-31 2019-12-31 邮件分类模型训练方法、装置以及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911419019.9A CN113132325A (zh) 2019-12-31 2019-12-31 邮件分类模型训练方法、装置以及计算机设备

Publications (1)

Publication Number Publication Date
CN113132325A true CN113132325A (zh) 2021-07-16

Family

ID=76769323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911419019.9A Pending CN113132325A (zh) 2019-12-31 2019-12-31 邮件分类模型训练方法、装置以及计算机设备

Country Status (1)

Country Link
CN (1) CN113132325A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060123083A1 (en) * 2004-12-03 2006-06-08 Xerox Corporation Adaptive spam message detector
CN101087259A (zh) * 2006-06-07 2007-12-12 深圳市都护网络科技有限公司 一种过滤国际互联网络中垃圾电子邮件的系统及其实现方法
CN110149266A (zh) * 2018-07-19 2019-08-20 腾讯科技（北京）有限公司 垃圾邮件识别方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060123083A1 (en) * 2004-12-03 2006-06-08 Xerox Corporation Adaptive spam message detector
CN101087259A (zh) * 2006-06-07 2007-12-12 深圳市都护网络科技有限公司 一种过滤国际互联网络中垃圾电子邮件的系统及其实现方法
CN110149266A (zh) * 2018-07-19 2019-08-20 腾讯科技（北京）有限公司 垃圾邮件识别方法及装置

Similar Documents

Publication Publication Date Title
US10361981B2 (en) Automatic extraction of commitments and requests from communications and content
US20200226510A1 (en) Method and System for Determining Risk Score for a Contract Document
WO2022156066A1 (zh) 文字识别方法、装置、电子设备及存储介质
CN112560453B (zh) 语音信息校验方法、装置、电子设备及介质
CN111695439A (zh) 图像结构化数据提取方法、电子装置及存储介质
CN110166522B (zh) 服务器识别方法、装置、可读存储介质和计算机设备
WO2019075967A1 (zh) 企业名称识别方法、电子设备及计算机可读存储介质
CN113157854B (zh) Api的敏感数据泄露检测方法及系统
CN113128536A (zh) 无监督学习方法、系统、计算机设备及可读存储介质
CN110706312A (zh) 一种表情包的文案确定方法、装置及电子设备
US8787681B1 (en) System and method for classifying documents
CN108921193B (zh) 图片录入方法、服务器及计算机存储介质
CN113704339A (zh) 已读信息状态的记录、装置、设备及存储介质
CN113706115A (zh) 一种邮件处理方法、装置及存储介质
CN113868419A (zh) 基于人工智能的文本分类方法、装置、设备及介质
CN113837113A (zh) 基于人工智能的文档校验方法、装置、设备及介质
CN116132527B (zh) 管理指示牌的系统、方法及数据处理服务器
CN113268665A (zh) 基于随机森林的信息推荐方法、装置、设备及存储介质
CN107943881A (zh) 题库生成方法、服务器及计算机可读存储介质
CN111177387A (zh) 用户名单信息处理方法、电子装置及计算机可读存储介质
CN112487138A (zh) 带格式文本的信息抽取方法和装置
CN113132325A (zh) 邮件分类模型训练方法、装置以及计算机设备
CN108170838B (zh) 话题演变的可视化展现方法、应用服务器及计算机可读存储介质
CN107977404B (zh) 用户信息筛选方法、服务器及计算机可读存储介质
CN115967549A (zh) 一种基于内外网信息传输的防泄密方法及其相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210716

RJ01 Rejection of invention patent application after publication