[发明专利]垃圾邮件的检测方法及装置、存储介质和电子设备

说明书

本申请公开了一种垃圾邮件的检测方法及装置、存储介质和电子设备，涉及人工智能技术领域。该方法包括：获取N个目标邮件，其中，N个目标邮件为待检测的邮件，目标邮件中至少包括图像数据和文本数据，N为正整数；将N个目标邮件输入目标检测模型进行检测处理，得到对N个目标邮件进行检测的目标检测结果，其中，目标检测模型是基于残差网络和第一神经网络模型构建的模型，残差网络用于检测邮件中的图像数据，第一神经网络模型用于检测邮件中的文本数据，目标检测结果表示N个目标邮件中是否存在垃圾邮件。通过本申请，解决了相关技术中检测文本和图像混合的垃圾邮件的效率较低的问题。

技术领域

本申请涉及人工智能技术领域，具体而言，涉及一种垃圾邮件的检测方法及装置、存储介质和电子设备。

背景技术

由于电子邮件在日常商业交易和一般通信中的使用增加，垃圾邮件或不受欢迎的大量商业电子邮件已成为近年来网络安全的主要问题。截止到目前为止，全球平均每天发送1223.3亿条邮件，其中近85％的电子邮件是垃圾邮件。此外，垃圾邮件攻击造成的经济损失是惊人的，垃圾邮件每年给企业造成很大的损失。而相关技术中的垃圾邮件过滤融合模型不能用于处理和过滤日益复杂的问题和图像混合垃圾邮件，且不能满足用户对垃圾邮件进行过滤的需求。

而且，相关技术中的垃圾邮件过滤系统仅能针对文本或图像垃圾邮件，对于一些文本和图像混合的垃圾邮件仍处于较低的过滤精度，这些现象突出了开发更加实时垃圾邮件检测和分类系统的必要，目前急需通过一些稳定可靠的垃圾邮件过滤服务用于满足用户的需求。

另外，目前垃圾邮件发送者试图通过引入结合图像和文本部分的混合垃圾邮件来混淆垃圾邮件过滤系统，这与仅包含文本或图像的电子邮件相比，对网络安全更具破坏性和复杂性。而且，相关技术中的光学字符识别(OCR)技术是通过将图像转换为文本来消除垃圾邮件中的图像部分。尽管OCR扫描是处理文本和图像混合垃圾邮件的一种非常成功的技术，但由于扫描电子邮件文件所需的CPU功率和执行时间，它并不是处理大量垃圾邮件的有效解决方案，也即，会导致处理大量文本和图像混合的垃圾邮件的效率较低。

针对相关技术中检测文本和图像混合的垃圾邮件的效率较低的问题，目前尚未提出有效的解决方案。

发明内容

本申请的主要目的在于提供一种垃圾邮件的检测方法及装置、存储介质和电子设备，以解决相关技术中检测文本和图像混合的垃圾邮件的效率较低的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种垃圾邮件的检测方法。该方法包括：获取N个目标邮件，其中，所述N个目标邮件为待检测的邮件，所述目标邮件中至少包括图像数据和文本数据，N为正整数；将所述N个目标邮件输入目标检测模型进行检测处理，得到对所述N个目标邮件进行检测的目标检测结果，其中，所述目标检测模型是基于残差网络和第一神经网络模型构建的模型，所述残差网络用于检测邮件中的图像数据，所述第一神经网络模型用于检测邮件中的文本数据，所述目标检测结果表示所述N个目标邮件中是否存在垃圾邮件。

进一步地，所述目标检测模型中至少包括所述残差网络和所述第一神经网络模型，将所述N个目标邮件输入目标检测模型进行检测处理，得到对所述N个目标邮件进行检测的目标检测结果包括：通过所述残差网络检测每个目标邮件中的图像数据，得到第一检测结果；通过所述第一神经网络模型检测每个目标邮件中的文本数据，得到第二检测结果；依据所述第一检测结果和所述第二检测结果，得到所述目标检测结果。

进一步地，所述第一神经网络模型中至少包括决策模型和用于检测词语的第二神经网络模型，通过所述第一神经网络模型检测每个目标邮件中的文本数据，得到第二检测结果包括：依据每个目标邮件中的文本数据，得到词向量集合，其中，所述词向量集合中至少包括T个词向量，T为正整数；利用所述第二神经网络模型对所述T个词向量进行累加处理，得到累加后的T个词向量；将所述累加后的T个词向量输入所述第二神经网络模型的目标层进行检测处理，得到对所述T个词向量进行检测的第三检测结果，其中，所述目标层的结构至少包括哈夫曼树结构；利用所述决策模型，结合所述第三检测结果，得到所述第二检测结果。