[发明专利]一种垃圾邮件的特征选择方法及其检测方法

摘要

本发明涉及一种垃圾邮件的特征选择方法及其检测方法，包括基于字节的N‑grams方法进行邮件的特征提取；根据提取的特征与预设邮件类别的相关度进行特征排序生成初始特征子集；根据近似马尔科夫毯算法删除所述初始特征子集中的冗余特征得到候选特征子集；通过在线逻辑回归分类器对所述候选特征子集进行预测并根据预测结果对所述候选特征子集进行评价选择最优特征子集；根据所述最优特征子集利用在线逻辑回归分类器对垃圾邮件进行检测。采用本发明提出的垃圾邮件的特征选择方法及其检测方法，使得垃圾邮件的特征选择及垃圾邮件检测的计算过程简单，时间复杂度低，而且使得垃圾邮件检测的准确率大大提高。

主权项

一种垃圾邮件的特征选择方法，其特征在于，包括：基于字节的N‑grams方法进行邮件的特征提取；根据提取的特征与预设邮件类别的相关度进行特征排序生成初始特征子集；根据近似马尔科夫毯算法删除所述初始特征子集中的冗余特征得到候选特征子集；通过在线逻辑回归分类器对所述候选特征子集进行预测并根据预测结果对所述候选特征子集进行评价选择最优特征子集；所述基于字节的N‑grams方法进行邮件的特征提取具体包括：将邮件按照字节流进行预设长度的字节切分得到所述邮件的hash字典；将预设样本与所述hash字典进行特征对比得到与所述hash字典对应的特征集；所述将预设样本与所述hash字典进行特征对比得到与所述hash字典对应的特征集具体为：所述hash字典中的特征在所述预设样本中出现则所述hash字典对应位置的特征值设为1，若未出现，则所述hash字典对应位置的特征值设为0，得到一个稀疏的二值特征数据集；所述根据提取的特征与预设邮件类别的相关度进行特征排序生成初始特征子集具体包括：计算提取的特征与预设邮件类别的相对密度，具体如下：其中，F为特征集，Fi为特征集中的第i个特征，C为预设邮件类别集，Cl为类别集中的第l个类别，为类别Cl所含样本数，L为 类别总数，M为特征总数，表示第i个特征数值为1时相对于类别Cl的相对密度，且根据所述相对密度判断所述提取的特征与预设邮件类别的相关度；根据所述相关度进行特征排序生成初始特征子集。