[发明专利]一种垃圾邮件识别方法及装置、计算机可读存储介质

权利要求书

1.一种垃圾邮件识别方法，其特征在于，包括：

提取邮件中的样式数据和第一文本数据；

将第一文本数据按类别进行拆分，得到多个类别的第一文本数据；

对样式数据以及多个类别的第一文本数据分别进行特征提取，得到样式特征向量和各个类别的文本特征向量，将各个类别的文本特征向量拼接为总文本特征向量；

将样式特征向量和总文本特征向量进行多模态融合，得到多模态融合向量；

将多模态融合向量输入训练好的多模态融合神经网络模型，以识别所述邮件是否为垃圾邮件，

其中，所述将样式特征向量和总文本特征向量进行多模态融合，得到多模态融合向量，包括：

分别基于样式特征向量和总文本特征向量，计算各模态映射激活结果；

基于样式特征向量和总文本特征向量，计算多模态映射激活信息；

根据各模态映射激活结果和多模态映射激活信息，计算多模态融合向量。

2.根据权利要求1所述的垃圾邮件识别方法，其特征在于，所述样式数据包括字符格式和段落格式，其中，字符格式包括字体、字号和文字颜色，段落格式包括文字对齐方式、段落缩进格式和段落间距。

3.根据权利要求1所述的垃圾邮件识别方法，其特征在于，所述类别包括以下任意一个或多个：邮件别名、邮件主题、邮件正文、发件人、邮件附件。

4.根据权利要求1所述的垃圾邮件识别方法，其特征在于，所述对样式数据以及多个类别的第一文本数据分别进行特征提取，包括：通过多视角表示学习的方式对样式数据以及多个类别的第一文本数据分别进行特征提取。

5.根据权利要求1所述的垃圾邮件识别方法，其中，

分别基于样式特征向量和总文本特征向量，计算各模态映射激活结果Hv包括：Hv＝tanh(Wv)，Ht＝tanh(Wt)，其中，tanh表示双曲正切函数，用作各模态激活函数，v为样式特征向量，t为总文本特征向量，Wv为样式特征向量对应的权重矩阵，Wt为总文本特征向量对应的权重矩阵，Hv为样式特征向量对应的映射激活结果，Ht为总文本特征向量对应的映射激活结果；

基于样式特征向量和总文本特征向量，计算多模态映射激活信息z包括：z＝Sigmoid(W[v,t])，W[v,t]为样式特征向量和总文本特征向量拼接后的总特征向量对应的权重矩阵，Sigmoid为多模态激活函数；

根据各模态映射激活结果和多模态映射激活信息，计算多模态融合向量H包括：H＝z*Hv+(1-z)Ht。

6.根据权利要求1所述的垃圾邮件识别方法，其特征在于，在所述提取邮件中的样式数据和第一文本数据的步骤之前，所述方法还包括：

提取邮件中的第二文本数据，将所述第二文本数据输入预先训练的自编码器模型中，得到所述第二文本数据的重构误差，比较所述重构误差与预设阈值的大小；

如果所述重构误差大于预设阈值，判断出所述邮件为异常邮件，确定所述异常邮件是否为垃圾邮件，如果确定出所述异常邮件为垃圾邮件，对所述垃圾邮件进行标注，并使用已标注的垃圾邮件对所述自编码器模型进行迭代更新；

如果所述重构误差小于或等于预设阈值，触发所述提取邮件中的样式数据和第一文本数据的步骤。

7.根据权利要求6所述的垃圾邮件识别方法，其特征在于，所述第二文本数据包括邮件主题和邮件正文；

所述自编码器模型的训练过程，包括：

获取多个第二文本数据，根据获取的多个第二文本数据建立训练数据集及测试数据集；

构建自编码器模型，所述自编码器模型为包含输入层、至少一个隐藏层以及输出层的深度神经网络模型；

用训练数据集对所述自编码器模型进行训练，在所述训练过程中采用误差反向传播算法优化更新自编码器模型中的权重及偏置参数直至模型收敛；

用测试数据集验证所述训练后的自编码器是否有效，并在确认有效后存储该自编码器模型。

8.一种垃圾邮件识别装置，其特征在于，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至7任意一项所述的垃圾邮件识别方法的步骤。