فیلتر کردن ایمیل های اسپم با استفاده از یک الگوریتم منفرد و روش وزن دهی TF-IDF

امروزه هرزنامه ها مانند سیلی عظیم، و با کپی های فراوان از پیامهای مشابه اینترنت را فرا گرفته اند. و تلاش دارند که پیام خود رابه مردمی که به هیچ طریق دیگری حاضر به دریافت آن پیامها نیستند تحمیل کنند. بیشتر اسپم ها حاوی تبلیغات تجاری هستند کهاین تبلیغات بیشتر به تبلیغ محصولات شبهه برانگیز یا سرویس های شبه قانونی می پردازند و یا ادعاهایی را مبنی بر پولدار کردن شمامطرح می سازند. هزینه ارسال هرزنامه ها برای فرستنده بسیار ناچیز است و بیشتر هزینه ها توسط دریافت کنندگان اسپم یا واسطه هاپرداخت می شود. اسپم اثری بیش از مزاحمت برای استفاده کنندگان اینترنت دارد و بطور جدی بازدهی شبکه و سرویس دهندگانایمیل را تحت تاثیر قرار می دهد. و این به این دلیل است که فرستندگان اسپم از هزینه بسیار پایین ایمیل استفاده می کنند و صدهاهزار یا حتی میلیون ها ایمیل را در یک زمان ارسال می کنند. حمل ههای اسپم پهنای باند زیادی را می گیرد، صندوق های پستی را پرمی کند و زمان خوانندگان ایمیل را تلف می کند. امروزه دیدگاه تکنولوژیکی و فناوری موضوع بسیار مهمی بنام هرزنامه را مطرح نمودهکه از نظر قانونی باید نسبت به آن جلوگیری شود. اگر چه سال های اخیر معرفی تعداد زیادی از الگوریتم های دسته بندی متنیمطرح شده است ولی متن کاوی نیازمند یک سری مراحل پیش پردازش، الگوریتم موثرکارآمد و یادگیرنده سریع می باشند. در اینمقاله با آزمایش های که بر روی مجموعه داده اسپم انجام شده یک روش با قابلیت اعتماد بالا و نرخ خطای پایین را ارایه نموده ایم.

کلیدواژه ها:

اسپم ، هرزنامه ، تشخیص هرزنامه ، یادگیری ماشین ، داده کاوی