如何创建自定义垃圾邮件数据库

Question

我正在开展一个项目，我需要创建一个垃圾邮件数据库并接受用户提交的内容。接受提交很容易，但我试图弄清楚如何对这些提交进行加权。

假设数据库由单词组成，我得到以下提交内容： * 137x“香蕉” * 22x“apple” * 1x“爆炸鼠标”

现在，“香蕉”很可能是一个垃圾邮件。 “苹果”可能是，但应该被列入灰名单，而“爆炸鼠标”可能只是一个恶作剧。

有人有什么好主意吗？

干杯！

Answer 1

标准方法是“贝叶斯”，您可以将垃圾邮件中的单词频率与非垃圾邮件中的单词频率（又名“ham”）进行比较。问题是，虽然人们非常愿意将所有垃圾邮件转发给你，但他们不太可能想把你的火腿转发给你。

一个已经执行此操作的程序称为“bogofilter”。有一个标准的Debian软件包。