机器学习在垃圾邮件过滤中的实现

冯军军 李力

摘要：随着通信技术的发展，垃圾邮件越来越多，对个人和中小企业危害也越来越大。该文介绍垃圾邮件识别使用的数据集以及特征提取方法，包括词袋模型和词汇表模型，然后介绍朴素贝叶斯、支持向量机、多层感知机、卷积神经网络和循环神经网络在垃圾邮件过滤的实现，经过对比发现多层感知机和卷积神经网络效果最好。

关键词：垃圾邮件;特征提取;NB;SVM;MLP;CNN;RNN

中图分类号：TP393        文献标识码：A

文章编号：1009-3044（2021）08-0154-02

1 引言

垃圾邮件是指收件人拒绝接收或者不同意接收但是仍然收到的邮件[1]，主要包含商业类、广告类、培训类、推广类、报价类等邮件。如2020年护网爆出的案例，就是攻击方通过信息收集获取防守方用户的邮箱，通过群发邮件，引诱用户更新钓鱼flash，从而实现权限获取进而内网渗透获取关键信息。为避免垃圾邮件影响人们的正常工作和生活，垃圾邮件检测技术随之产生。传统的垃圾邮件检测方法有关键词、黑白名单、校验码法等[2]。这些传统的垃圾邮件检测方法通常存在检测效果差、易被逃避等缺陷，为此本文引入机器学习方法解决这一问题。

垃圾邮件检测的关键在于识别哪些邮件是垃圾邮件，可以将该问题归结于机器学习中的文本分类任务。关于此类任务的数据通常是高维数据，本文选择常见的机器学习算法来进行垃圾邮件过滤的实现。

2 数据集和工具介绍

数据集采用开源的Enron-Spam[3]数据集，实现过程中，采用python语言。主要采用的模块为TFLearn，该模块可以直接在GitHub上面进行下载。……