基于Winnow的中文邮件分类器的设计

1背景：

电子邮件的广泛应用，垃圾邮件泛滥，垃圾邮件具有危害性，适合英文邮件的分类算法并不一定都适合中文的环境

2邮件语料的特征：

半结构化，词汇更生活化，需要个人隐私保护

3Winnow分类器：

线性分类器，错误驱动的反馈机制，训练和分类过程比较简单，易于计算，可以在线学习

4分类过程：

接受邮件后，解码，提取有效信息，分词处理，得到该邮件的特征集合。假设每个类别特征空间的大小相等并且都是n，邮件类别数为k，该邮件就表示为k个n维向量x=(x1，x2,…,xn ) ,  xi∈{0，1}，(1≤i≤n)，如果对应类别特征空间中的特征在该邮件的特征集合中则xi =1，如果不在则xi =0．

每类有一个训练好的权重向量w=(w1,w2,…wn)，被分类邮件先要计算其相应的∑wi∗xi 值。如果∑wi∗xi> θ，则表明该邮件属于该类。反之则表明该邮件不属于该类。（θ为阈值）

Winnow是错误驱动的反馈机制，只有当实际结果与预测结果矛盾时才调整类别的权重向量wi 。
（a）如果∑wi∗xi > θ ，但样本不属于该类，则要降低权重， wi =α* wi 。(0<α<1)

（b）如果∑wi∗xi  <θ ，但样本属于该类，则要增加权重，wi =β* wi 。(β>1)

5Balanced winnow

用w+和w-代替w，允许出现负的权值（w+和w-的值可能为负）

（a）如果∑（wi+-wi-)∗xi > θ ，但样本不属于该类，则要降低权重， wi+=α* wi ,wi-=wi-*β。(0<α<1)(β>1)

（b）如果∑(wi+-wi-)∗xi  <θ ，但样本属于该类，则要增加权重，wi+ =β* wi+,wi-=wi-*α 。(β>1)(0<α<1)

6系统设计流程：

（a）对能凭借某些特定词语或句子判定类别的邮件，合理的运用特征精确匹配规则．建立“特征--类别”精确匹配库，提高分类的速度和精度。例如将标题中含有“特卖”邮件归入广告类。

（b）针对太过短小的邮件，根据历史记录中该发信人的历史记录情况确定类别。
（b）针对有一定长度但还是不够内容分析的邮件，采用“同义词库”的方法来扩充特征．这里的同义词典是一个简单的文本文件，比如“计算机、电脑、手提、台式机”。

（d）针对群发邮件和标题中含有“Re：”的邮件等，进行加权处理，具体做法是在判断条件是否成立时，有选择地乘以一个合适的系数λ，形如λ ∑wi∗xi ；(λ >0)，加强权重时取λ >l，削减权重时取0<λ <1。群发邮件一般不属于私人信件范畴，当与私人信件的权重向量组合时有意地削减权重；而标题中含“Re：”的邮件一般属于工作信件或私人邮件，所以当与对应权重向量组合时则加强权重。

 (e) 系统在匹配了上述所有规则，使用Winnow时确保∑wi∗xi> θ后，依然没有确定类别的邮件，都归入召回率高的类。

7流程图：

8总结：

中文邮件语料库存在不足

Winnow算法时空复杂度低

距离实用还有一些差距，提高实用性

需要提供多语言支持