[发明专利]基于Logistic回归的中文垃圾邮件过滤方法

权利要求书

1.一种基于Logistic回归的中文垃圾邮件过滤方法，包括如下步骤：

1)利用JavaMail和HTMLParser的应用程序接口对邮件进行解析，提取邮件标题、邮件文本、邮件字符集、邮件附件标题的文本信息；

2)对提取的文本信息进行分词；

3)统计文本信息中的词条的词频，利用TF-IDF公式计算词的权重，将邮件文本信息表示成加权特征向量，重复步骤1)～步骤3)得到加权特征向量集；

4)利用LIBLINEAR工具包对邮件样本的加权特征向量集进行训练得到Logistic回归模型；

5)利用得到的Logistic回归模型对邮件进行分类，得到邮件是否为垃圾邮件的概率值。

2.根据权利要求1所述的一种基于Logistic回归的中文垃圾邮件过滤方法，其特征在于所述的对邮件进行解析，提取邮件标题、邮件文本、邮件字符集、邮件附件标题的文本信息：利用RFC2822，RFC2045，RFC2046邮件标准和MIME格式标准，对邮件进行解码、解析，提取邮件标题、邮件文本、邮件字符集、邮件附件标题的文本信息，若提取的文本信息已通过Base64和Quoted Printable编码方式进行过编码，则采用与其对应的解码方式进行解码，对html格式的邮件主体进行解析。

3.根据权利要求1所述的一种基于Logistic回归的中文垃圾邮件过滤方法，其特征在于所述的对提取的文本信息进行分词：对于解码后的文本信息进行分词，以得到经过分词后的文本信息。

4.根据权利要求1所述的一种基于Logistic回归的中文垃圾邮件过滤方法，其特征在于所述的统计文本信息中的词条的词频，利用TF-IDF公式计算词的权重，将邮件文本信息表示成加权特征向量，重复步骤1)～步骤3)得到加权特征向量集：对于经过分词后的文本信息，首先统计其中每个词的词频和邮件样本集中该词出现的词频，使用TF-IDF公式计算词的权重，将邮件样本集中所有的词组成一个特征空间，每封邮件可以映射成该特征空间的一个加权特征向量，重复步骤1)～步骤3)，得到加权特征向量集。