[发明专利]一种电子邮件的信息提取系统

说明书

本发明公开了一种电子邮件的信息提取系统，包括邮件信息提取引擎，邮件信息提取引擎通过训练集对分类模型进行训练，然后利用分词工具对邮件内容进行分词，最后用训练好的分类模型对分词后的邮件内容进行分类，得到邮件内容的类别；当用户给邮件手动打上类别标签后，邮件自动放回到对应类别的训练集中。本发明能够对邮件内容进行分类，用户可通过查看类别来决定是否要阅读邮件内容，有效节省了用户的时间。此外，用户参与对邮件手动打类别标签，然后邮件会自动放回到对应类别的训练集中，通过此过程不断的迭代优化训练集，最后的分类结果也会越来越满足用户的需求。

技术领域

本发明涉及电子邮件信息提取，特别是涉及一种电子邮件的信息提取系统。

背景技术

随着互联网技术的发展，网络上的信息浩如烟海。如何快速准确地识别出信息如何在互联网上的传播，成为人们关注的焦点。电子邮件，是一种通过电子通信系统进行信息交换的通信方式，现在往往与互联网联系在一起，成为了最受欢迎的互联网应用服务之一。电子邮件证据在涉网案件侦办中的作用越来越重要。面对海量的电子邮件，如何快速、有效地分析邮件证据成为大数据时代海量电子邮件分析的一个焦点。目前现有的邮件分析系统无法对邮件内容进行分类，使办案人员需要花费更多的时间人为的分析邮件内容。

发明内容

发明目的：本发明的目的是提供一种电子邮件的信息提取系统，能够对邮件内容进行合理分类，从而节省办案人员的时间和精力。

技术方案：本发明所述的电子邮件的信息提取系统，包括邮件信息提取引擎，邮件信息提取引擎通过训练集对分类模型进行训练，然后利用分词工具对邮件内容进行分词，最后用训练好的分类模型对分词后的邮件内容进行分类，得到邮件内容的类别；当用户给邮件手动打上类别标签后，邮件自动放回到对应类别的训练集中。

进一步，所述邮件信息提取引擎还包括附件解析模块和解压缩模块，能够对加密附件进行识别：当附件不是压缩文件时，通过附件解析模块解析附件，如果附件能够被正常解析，则判定附件没有加密，如果附件不能被正常解析，则判定附件已加密；当附件是压缩文件时，通过解压缩模块对附件进行解压，如果附件能够被正常解压，则判定附件没有加密，如果附件不能被正常解压，则判定附件已加密。这样能够对附件是否加密进行有效判断。

进一步，所述邮件信息提取引擎还包括邮件解析模块，邮件解析模块能够对邮件进行解析，从解析结果中直接提取出邮件正文、邮件主题、收件人、发件人、抄送人及密送人的账号和昵称、邮件发送时间、收件人是否查收、语言编码、附件名和附件个数。这样能够提取出邮件的基本信息。

进一步，所述邮件信息提取引擎还能够对邮件摘要进行提取：先拟定一个权重评分标准，然后给每个句子打分，最后给出排名靠前的若干个句子作为提取结果。这样不用通过阅读邮件内容就可以了解邮件表达的主要信息，省时便捷。

进一步，所述邮件信息提取引擎还通过ngram对邮件正文内容进行语种识别。这样方便用户定向查看某一语种的邮件，无需对每个邮件进行筛查，节省大量时间。

进一步，所述邮件信息提取引擎还通过层叠马尔可夫模型和角色标注的中文命名实体识别方法对邮件内容中的实体信息进行抽取。

进一步，所述信息提取系统还包括邮件附件信息提取引擎，邮件附件信息提取引擎包括附件解析模块，所述附件解析模块能够提取出附件的内容。

进一步，所述信息提取系统还包括隐性信息提取引擎，隐性信息提取引擎包括邮件解析模块，所述隐性信息提取引擎能够提取转发关系：利用邮件解析模块对邮件进行解析，然后提取出发件人、收件人字段内容和时间字段内容。这样用户可以通过隐性信息提取引擎分析得到邮件时序的传播过程和邮件中的转发关系，能够提高用户发现邮件中有用信息的效率。