已閱讀1頁，還剩45頁未讀， 繼續(xù)免費閱讀
版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進(jìn)行舉報或認(rèn)領(lǐng)
文檔簡介
1、高精度的垃圾郵件過濾技術(shù)是最近自然語言處理的研究熱點、在這篇論文中我們在與指導(dǎo)機器學(xué)習(xí)（Supervised Machine Learning）的框架下使用統(tǒng)計的方法研究垃圾郵件過濾問題、本文系統(tǒng)地研究了不同統(tǒng)計特征選取的方法和特征集大小對常用分類算注性能的影晌。特別地，本文觀察到特征選取函數(shù)的重要性隨分類器的不同差別很大。以常用的樸素貝時斯（Naive BayeS）分類器為例，我們觀察到其性能在小特征集上受特征選取函數(shù)影響很大。支撐向
2、量機（SuPPort VeCtor Machine），AdaBoost和最大嫡模型在郵件分類上取得了很好的效果：對特征選取函數(shù)不敏感，很容易擴展到高維特征空間，在不同測試集上的分類效果穩(wěn)定。此外，試驗還表明簡單的“bag of words”過濾模型對垃圾郵件過濾有很好的效果，尤其擁有與語言無關(guān)的特性。我們對中文語料進(jìn)行了簡單的預(yù)處理（分詞）之后就取得了很好的分類效果。試驗中還發(fā)現(xiàn)郵件信頭中的特征對分類效果有顯著影晌。在僅使用郵件信頭中的
溫馨提示
- 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽，若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容，請與我們聯(lián)系，我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于內(nèi)容的垃圾郵件過濾方法研究
- 基于內(nèi)容的垃圾郵件過濾方法研究.pdf
- 基于內(nèi)容的垃圾郵件過濾研究.pdf
- 基于內(nèi)容挖掘的垃圾郵件過濾技術(shù).pdf
- 基于內(nèi)容特征的垃圾郵件過濾問題研究.pdf
- 基于內(nèi)容的垃圾郵件過濾系統(tǒng)研究.pdf
- 基于內(nèi)容的中文垃圾郵件過濾算法研究.pdf
- 基于內(nèi)容的垃圾郵件過濾研究與實現(xiàn).pdf
- 基于內(nèi)容的多級垃圾郵件過濾系統(tǒng)研究.pdf
- 基于內(nèi)容解析的垃圾郵件過濾技術(shù)研究.pdf
- 基于內(nèi)容過濾的反垃圾郵件技術(shù)研究.pdf
- 基于內(nèi)容的垃圾郵件過濾技術(shù)的若干研究.pdf
- 基于內(nèi)容的垃圾郵件檢測方法研究.pdf
- 基于惰性學(xué)習(xí)的垃圾郵件過濾技術(shù)研究.pdf
- 基于內(nèi)容的垃圾郵件過濾技術(shù)的研究與實現(xiàn).pdf
- 基于機器學(xué)習(xí)理論的垃圾郵件過濾系統(tǒng)的研究與改進(jìn).pdf
- 基于SVM的垃圾郵件過濾的研究.pdf
- 基于內(nèi)容的中文垃圾郵件過濾系統(tǒng)的研究與實現(xiàn).pdf
- 基于在線學(xué)習(xí)的垃圾郵件過濾技術(shù)研究.pdf
- 基于SVM的中文垃圾郵件過濾.pdf
評論
0/150
提交評論