[发明专利]一种基于机器学习的英文邮件签名提取方法及系统

权利要求书

1.一种基于机器学习的英文邮件签名提取方法，包括以下步骤：

通过正则切分方式，对待处理的英文邮件进行签名提取，获取一部分签名数据；

提取样本签名数据的行特征，将所述行特征输入SVM进行训练获得训练模型；其中，以邮件正文中的行为单位，对每行提取行特征，以每次提取针对的行为目标行；所述行特征包括sender比对特征、目标行的特征、目标行以上的行的特征及目标行以下的行的特征；所述目标行的特征包括：该行是否带有指定关键字，该行是否为最后一行，该行是否为倒数第二行；所述目标行以上的行的特征包括：该行是否为标点符号开始，该行的内容是否为空；所述目标行以下的行的特征包括：该行是否为最后一行，该行是否为标点符号开始；

对于通过正则切分方式无法提取获得签名数据的英文邮件数据，通过训练模型，识别英文邮件中的签名行，对签名行进行合并后获得另一部分签名数据。

2.如权利要求1所述的基于机器学习的英文邮件签名提取方法，其特征在于，所述待处理的英文邮件的文件格式为.eml，文字编码为UTF-8。

3.如权利要求1或2所述的基于机器学习的英文邮件签名提取方法，其特征在于，所述正则包括以下模式：

模式1：由多个-组成的行；

模式2：由多个*组成的行。

4.如权利要求1所述的基于机器学习的英文邮件签名提取方法，其特征在于，所述一部分签名数据为标准格式邮件的签名信息。

5.如权利要求1所述的基于机器学习的英文邮件签名提取方法，其特征在于，所述训练模型选用LibSVM包来对待识别数据进行分类；训练模型的参数选择为线性，训练模型的验证方式选择为5交叉验证。

6.一种存储计算机程序的可读存储介质，所述计算机程序包括指令，所述指令用以执行权利要求1至5任一项所述方法中的各个步骤。

7.一种基于机器学习的英文邮件签名提取系统，其特征在于，包括：

正则提取模块，用以通过正则切分方式，对待处理的英文邮件进行签名提取，获取一部分签名数据；

样本特征提取模块，用以提取样本签名数据的行特征；其中，以邮件正文中的行为单位，对每行提取行特征，以每次提取针对的行为目标行；所述行特征包括sender比对特征、目标行的特征、目标行以上的行的特征及目标行以下的行的特征；所述目标行的特征包括：该行是否带有指定关键字，该行是否为最后一行，该行是否为倒数第二行；所述目标行以上的行的特征包括：该行是否为标点符号开始，该行的内容是否为空；所述目标行以下的行的特征包括：该行是否为最后一行，该行是否为标点符号开始；

SVM训练模块，以行特征作为输入进行训练获得训练模型；对于通过正则切分方式无法提取获得签名数据的英文邮件数据，通过训练模型，识别英文邮件中的签名行，对签名行进行合并后获得另一部分签名数据。