对电子邮件的优先级列表进行排名

Question

我正在尝试在Python中生成一个简单的电子邮件排名程序（类似于优先收件箱）。根据从发件人收到的电子邮件的频率，例如，有一个50％的培训集，其中发件人的频率被计算，然后是50％的测试集，根据培训排序顺序（所以电子邮件发送大量邮件的发件人排名很高。

我编写了一些Python代码来接收电子邮件并从每个地址中提取“发件人”地址。我已将此信息放在显示最常见电子邮件发件人的列表中（以下列表中的示例摘录）。

 //(Email address, frequency of emails received from this sender)//Not Code
 ('tester1@csmining.org', 244)
 ('tester2@csmining.org', 162)
 ('tester3@csmining.org', 154)
 ('tester4@csmining.org', 75)
 ('tester5@csmining.org', 50)

我知道可以有效地使用多种机器学习算法来训练和测试我的数据，以满足我的需求。但是，我不确定哪些可以用来给我最好的结果？

Answer 1

仅基于发件人的排名绝不是一个好主意。对于我自己，我订阅了来自github commit的电子邮件通知。每天，由于我的同事的代码提交，我收到了数百封电子邮件。

这绝不是一个简单的问题，即使Gmail优先收件箱也不能很好地完成我的体验。良好的电子邮件优先级排名或评分系统需要良好的功能。我将建议以下功能开始。见The Learning Behind Gmail Priority Inbox：

• 社交功能。发件人或发件人域名;
• 线程功能。这封电子邮件是否处于活动状态？线程中此电子邮件的序列号是多少？谁是cc'ed用户？
• 时间功能。收到这封电子邮件的时间是如果您可以访问所有者的回复，则可能需要跟踪所有者回复所需的时间。
• 内容功能。这是垃圾邮件过滤中使用的词袋模型。
• 行为。这是电子邮件帐户所有者对电子邮件的回复方式。它回复了吗？或者从未读过？或立即删除？或存档到不同的文件夹？标签？如果回复，您可能也想进行一些内容分析。答复的长度也可能是一个很好的功能。

对于回归模型，Gmail使用线性逻辑回归来保持学习和预测的可扩展性。

最后，与Gmail一样，您可以通过向用户提供标记重要电子邮件的选项，让用户帮助您改进系统。

进一步阅读：

• Understanding Email Use: Predicting Action on a Message
• The Learning Behind Gmail Priority Inbox

Answer 2

我的理解是，您希望将电子邮件归类为重要或不重要。因此，首先您必须手动将每个电子邮件标记为重要或不重要。然后，您需要定义每封电子邮件的功能并提取它们。在您的情况下，您要考虑的一个功能是发件人。所以你最终会获得如下数据：

('tester1@csmining.org', important)
('tester1@csmining.org', normal)
('tester1@csmining.org', important)
('tester1@csmining.org', normal)
('tester1@csmining.org', normal)
('tester2@csmining.org', normal)
('tester3@csmining.org', important)
('tester4@csmining.org', important)
('tester5@csmining.org', normal)
...

然后您可以应用学习算法（如线性回归，逻辑回归等），您将能够在测试集上测试结果。 问题是任何算法都会最终将来自发件人X的电子邮件分类为重要或正常（可能基于训练集中来自该发件人的重要/正常消息的比率）。为了获得更有意义的结果，您需要从数据中提取更多功能，例如消息中的特定单词，发送时间等等。