[发明专利]一种垃圾邮件过滤方法及系统

说明书

技术领域

本发明涉及垃圾邮件处理技术领域，特别是涉及一种垃圾邮件过滤方法及系统。

背景技术

当今，随着计算机技术以及互联网的飞速发展，电子邮件(E-mail)早已成为人们日常工作、生活中不可或缺的沟通方式。

实际上，电子邮件在给人们带来极大便利的同时也带来了一些负面影响，即我们每天收到的邮件有很大一部分是不请自来的，其中，有些是商业广告，有些是政治宣传，有些是色情广告，还有一些甚至是病毒，我们俗称这些邮件为垃圾邮件。垃圾邮件的发布者为了大面积散布信息，通常采用多台机器同时巨量发送的方式攻击邮件服务器，导致被攻击邮件服务器大量带宽的损失，并影响人们正常的工作与生活。因此，寻找一种切实可行的垃圾邮件过滤方法显得尤为重要。

现有的垃圾邮件过滤方法主要有IP过滤技术、用户黑白名单技术、基于规则的关键字过滤、规则评分等，然而，这些技术都存在共同的缺点：由于垃圾邮件的多源性、不确定性、多变性，使得垃圾邮件过滤方法的设计复杂度高，并且垃圾邮件过滤的准确率低，已无法满足当前形势下垃圾邮件过滤的需求。

发明内容

有鉴于此，本发明提供了一种垃圾邮件过滤方法及系统，以降低垃圾邮件过滤方法的设计复杂度，提高垃圾邮件过滤的准确性。

为解决上述技术问题，本发明提供一种垃圾邮件过滤方法，包括：

接收电子邮件，并提取所述电子邮件的基因序列；

对比所述电子邮件的基因序列与预设的邮件DNA库中的基因序列，确定所述电子邮件的基因序列与每个所述邮件DNA库中的基因序列的相似度；

将所述相似度超过预设阈值的所述邮件DNA库中的基因序列对应的邮件属性作为所述电子邮件的邮件属性；

其中，所述邮件属性包括垃圾邮件或者非垃圾邮件。

上述方法中，优选的，所述提取所述电子邮件的基因序列包括：

对所述电子邮件进行分词，得到分词结果；

利用贝叶斯统计模型，计算所述分词结果中词语序列对应的先验概率；

利用所述词语序列和所述词语序列对应的先验概率，构成所述电子邮件的基因序列。

上述方法中，优选的，在所述对所述电子邮件进行分词，得到分词结果之前，还包括：

将编码格式的所述电子邮件转换为可处理文本格式的电子邮件。

上述方法中，优选的，在所述对比所述电子邮件的基因序列与预设的邮件DNA库中的基因序列之前，还包括：

获取作为训练样本的电子邮件，并提取所述训练样本的基因序列；

确定所述训练样本的基因序列对应的邮件属性；

利用所述训练样本的基因序列、所述训练样本的基因序列对应的邮件属性及两者之间的对应关系，构建得到所述邮件DNA库。

上述方法中，优选的，在所述将所述相似度超过预设阈值的所述邮件DNA库中的基因序列对应的邮件属性作为所述电子邮件的邮件属性之后，还包括：

将所述电子邮件的基因序列和所述电子邮件的基因序列对应的邮件属性更新至所述邮件NDA库。

本发明还提供了一种垃圾邮件过滤系统，包括：

提取单元，用于接收电子邮件，并提取所述电子邮件的基因序列；

比对单元，用于对比所述电子邮件的基因序列与预设的邮件DNA库中的基因序列，确定所述电子邮件的基因序列与每个所述邮件DNA库中的基因序列的相似度；

属性确定单元，用于将所述相似度超过预设阈值的所述邮件DNA库中的基因序列对应的邮件属性作为所述电子邮件的邮件属性；

其中，所述邮件属性包括垃圾邮件或者非垃圾邮件。

上述系统中，优选的，所述提取单元包括：

分词子单元，用于对所述电子邮件进行分词，得到分词结果；

先验概率计算子单元，用于利用贝叶斯统计模型，计算所述分词结果中词语序列对应的先验概率；

基因序列构建子单元，用于利用所述词语序列和所述词语序列对应的先验概率，构成所述电子邮件的基因序列。

上述系统中，优选的，还包括：

预处理模块，用于在所述对所述电子邮件进行分词，得到分词结果之前，将编码格式的所述电子邮件转换为可处理文本格式的电子邮件。

上述系统中，优选的，还包括：