[发明专利]基于聚类的邮件分类方法和系统

说明书

技术领域

本发明涉及互联网领域，尤其涉及一种基于聚类的邮件分类方法和系统。

背景技术

随着社会信息化程度的提高，使用邮件的用户越来越多，用户经常会收到大量的邮件，这些邮件通常是各种种类的邮件，比如，商讯、订单、社交、培训、招聘和投资理财等种类的邮件。

目前的邮件系统进行邮件分类的方法着重于将邮件划分成垃圾邮件或非垃圾邮件，通常采用基于邮件内容的分类方法。具体地，在多样本邮件构成的训练集中，对已分类为垃圾邮件或非垃圾邮件的样本邮件的内容进行处理，根据处理后的样本邮件的内容，利用各种机器学习算法，例如贝叶斯（Bayes）算法、支持向量机（Suppot Vector Machine，SVM）算法等，训练出分类模型，再根据该分类模型将未分类的邮件划分成垃圾邮件或非垃圾邮件。

然而，本发明的发明人发现，现有技术的邮件分类方法已经无法满足用户对邮件的分类需求：用户为便于对接收到的邮件进行查询，通常希望邮件系统具备多种类的邮件分类的功能，可以将收到的邮件分成商讯、社交、培训、招聘、和投资理财等种类的邮件；因此，有必要提供一种对邮件进行多种类分类的方法。

发明内容

针对上述现有技术存在的缺陷，本发明提供了一种基于聚类的邮件分类方法和系统，可以将邮件按照邮件内容进行多种类的邮件分类。

根据本发明的一个方面，提供了一种基于聚类的邮件分类方法，包括：

对待分类邮件集合中的每个邮件，将该邮件的邮件内容进行分词，得到该邮件的词语集合；根据得到的各邮件的词语集合确定出所述待分类邮件集合的词语集合；

对于所述待分类邮件集合中的每个邮件，根据该邮件的词语集合以及所述待分类邮件集合的词语集合，确定出该邮件的词语特征向量；

将所述待分类邮件集合中的所有邮件的词语特征向量组成词语特征向量集合后，对于所述词语特征向量集合中的每个词语特征向量，创建一个包含该词语特征向量的向量簇，并将该词语特征向量作为代表该向量簇的簇中心；

根据所述词语特征向量集合中的词语特征向量之间的相似度，对得到的向量簇进行至少一次聚类合并，得到数目达到设定的簇数目阈值的向量簇后，对于当前的每个向量簇，将该向量簇中所包含的词语特征向量所对应的邮件划分为同一类邮件。

较佳地，所述根据所述词语特征向量集合中的词语特征向量之间的相似度，对得到的向量簇进行至少一次聚类合并，得到数目达到设定的簇数目阈值的向量簇，具体包括：

计算所述词语特征向量集合中任意两个词语特征向量之间的相似度；

对于所述词语特征向量集合中的每个词语特征向量，将该词语特征向量与其它词语特征向量之间的相似度进行排序，得到该词语特征向量的相似度排序结果；将所述相似度排序结果中的最大相似度，以及与该最大相似度相关联的两个词语特征向量放入到优先级队列后，将该最大相似度从所述相似度排序结果中删除；

对得到的向量簇进行至少一次聚类合并，在一次聚类合并过程中，包括如下步骤：

确定出所述优先级队列中最大的相似度，以及与该相似度相关联的两个词语特征向量；将确定出的两个词语特征向量所分别代表的向量簇合并为同一个向量簇后，确定合并后的向量簇的簇中心；针对所述优先级队列中每个相似度，若判断出与该相似度相关联的两个词语特征向量包含于同一个向量簇中，则从所述优先级队列中删除该相似度以及与其相关联的两个词语特征向量；将确定出的簇中心的当前的相似度排序结果中的最大相似度，以及与该最大相似度相关联的两个词语特征向量放入到所述优先级队列后，将该最大相似度从该簇中心的相似度排序结果中删除；

在一次聚类合并后，若判断当前的向量簇的数目大于设定的簇数目阈值，则继续进行下一次聚类合并，否则，聚类合并结束，得到数目达到设定的簇数目阈值的向量簇。

根据本发明的另一个方面，还提供了一种基于聚类的邮件分类方法，包括：

对待分类邮件集合中的每个邮件，将该邮件的邮件内容进行分词，得到该邮件的词语集合；根据得到的各邮件的词语集合确定出所述待分类邮件集合的词语集合；

对于所述待分类邮件集合中的每个邮件，根据该邮件的词语集合以及所述待分类邮件集合的词语集合，确定出该邮件的词语特征向量；

将所述待分类邮件集合中的所有邮件的词语特征向量组成词语特征向量集合后，将所述词语特征向量集合划分为设定数目的子集；