·198 智能系统学报 第5卷 RP。 适应性). FB=(1+B) BP。+R。 Z1数据集是中文邮件数据集「66]，其中的邮 式中：β表示精确度的权重，反映精确度相对召回率 件已进行过中文分词处理，处理后的单词被映射为 的重要性.在大多数研究中B取值1，该情况下，称该 整数，以保护邮件所有者的隐私.该数据集包含 标准为F度量. 1633封邮件，其中正常邮件428封，垃圾邮件比例 4.2标准数据集 为73.79%.数据集中正常邮件平均长度为819.06 2000年，Androutsopoulos等人[4s]整理发布了 个单词 LingSpam数据集4]，该数据集是早期的经典邮件分 类数据集之一：该数据集共包含2893封邮件，其中 5总结及展望 正常邮件2412封，垃圾邮件比例为16.63%.该数 在现有的反垃圾电子邮件技术方法中，智能型反 据集中的邮件都经过了预处理，所有头信息（标题 垃圾邮件技术方法仍然是最有效、最有前景的方法.法 除外)、HTML标记均已被去除.该数据集的不足是， 律手段和简单方法只能对部分符合定义特征的垃圾电 正常邮件的内容大多与语言学话题有关.用该数据 子邮件起一定作用，且这2种方法不具备自适应性，不 集评估邮件检测系统会带来过于乐观的估计. 能有效过滤垃圾邮件的变种.在智能型反垃圾邮件技 2004年，Androutsopoulos等人I4经过收集、整 术方法中，邮件特征提取方法起着至关重要的作用，将 理又发布了PU系列经典数据集，该数据集被广泛 直接影响反垃圾邮件系统的各项性能. 应用于现今各种垃圾邮件过滤系统的性能评估.PU 邮件特征提取是反垃圾邮件系统的核心部分， 系列数据集中包含着4个独立的数据集： 对系统的分类性能起着决定性作用.目前，绝大多数 1)PU1:该数据包含1099封邮件，其中垃圾邮 邮件集中于文本、图片类型.基于文本、图片的邮件 件481封.该数据集中的正常邮件和垃圾邮件均为 特征提取方法有着良好的应用前景，是当今的研究 英语书写的邮件.正常邮件是文中的第1位作者4] 热点.基于行为的邮件特征提取方法，是一种与邮件 在36个月的时间里收集到的，而垃圾邮件是他在 类型无关的特征提取方法，该方法通过区分垃圾邮 22个月的时间内收集的. 件、正常邮件发送过程中表现出的不同行为，过滤垃 2)PU2:该数据集包含721封邮件，其中有142 圾邮件，是一种有效、鲁棒性强的方法，非常值得进 封垃圾邮件.与PU1相似，该数据集中的邮件也都 一步地研究与探讨.新的邮件特征提取方法的研究， 是英语邮件.文中作者的一位同事在22个月的时间 将极大地推进反垃圾邮件系统的发展 内收集保存了这些邮件， 现有的反垃圾邮件相关法律，对垃圾邮件发送行 3)PU3:该数据集包含4139封邮件，其中有 为进行了一定的限制.然而，现有的相关法律，并不能 1826封垃圾邮件.与PU1、PU2不同，该数据集同时 从根本上解决垃圾邮件问题，需要反垃圾邮件技术的 包含英语邮件和非英语邮件.数据集中的正常邮件 协同支持.现有的相关法案也急需进一步完善 是文中的第2位作者收集的，而垃圾邮件来自其他 智能型反垃圾邮件技术是在简单反垃圾邮件方 邮件数据集， 法的基础上，发展出的新型反垃圾邮件技术.该技术 4)PUA:该数据集包含1142封邮件，其中572 在提取邮件特征的基础上，运用现代机器学习方法 封垃圾邮件.与PU3相似，该数据集也包含部分非 等各种智能方法对邮件类型（是否为垃圾邮件）进 英语邮件，垃圾邮件同样来自其他数据集，数据集中 行分类，以过滤垃圾邮件.新的智能型方法的提出及 的正常邮件是文中作者的另一位同事收集提供的. 其在反垃圾邮件领域的应用将是未来的研究方向， 另外，Medlock[6a]也整理发布了一个大规模邮 具有很大的发展前景 件数据集GenSpam[64]:该数据集由3部分组成：训 练集（包含8018封正常邮件，31235封垃圾邮件）、 参考文献： 测试集（包含754封正常邮件，797封垃圾邮件）、自 [1]CRANOR L F,LAMACCHIA B A.Spam![J].Communi 适应集（包含300封正常邮件，300封垃圾邮件，该 cations of the ACM,1998,41(8):74-83. 部分集合用于测试垃圾邮件过滤系统的动态性、自 [2]GANSTERER W,ILGER M,LECHNER P,et al.Anti-