邮件分类方法和装置制造方法及图纸

本发明专利技术公开了一种邮件分类方法和装置，所述方法包括：对于每个邮件类别，计算出待分类邮件属于该邮件类别的概率，将计算出的概率作为对应该邮件类别的概率；将计算出的对应各邮件类别的概率进行排序，并判断待分类邮件的特征词中是否包括最大的概率所对应的邮件类别的至少一个关键词；若是，则将待分类邮件划分到最大的概率所对应的邮件类别中；否则计算最大的概率和排序第二的概率的差值、以及该差值与最大的概率的比值，若该比值小于设定差率阈值，且待分类邮件的特征词中包括有排序第二的概率所对应的邮件类别的至少一个关键词，则将待分类邮件划分到排序第二的概率所对应的邮件类别中。从而通过设定邮件类别的关键词可使得邮件分类更为准确。

【技术实现步骤摘要】
邮件分类方法和装置
本专利技术涉及互联网领域，尤其涉及一种邮件分类方法和装置。
技术介绍
电子邮件采用储存-转发方式在网络上逐步传递信息，具有传播速度快、交流对象广泛、成本低廉等特点。在当前的互联网信息化时代中，人们通过电子邮件进行交流或通信的行为越来越普遍。通常，电子邮件用户的邮箱中包含多种类型的邮件，比如，商讯、社交、订单、招聘、培训机构、银行理财等类邮件，以及普通的对话邮件(如朋友间相互问候的邮件)等。若用户的收件箱中商讯推广等类邮件过多，则会造成用户投诉过多的问题，而且将邮件无差别的投递到用户的收件箱中，可能会导致用户的收件箱中各种类型的邮件混杂在一起，从而给用户查看阅读所需邮件造成困扰。因此，邮件系统往往会对邮件进行分类，将邮件划分为多种类别，以使用户获得更好地邮箱体验。例如，gmail邮箱在普通的收件箱之外有广告邮件、网站动态信息邮件等，qq邮箱在普通的收件箱之外有订阅邮件等。目前，现有的一种邮件分类方法主要是基于聚类算法：根据训练样本邮件的邮件数据进行分词后得到的特征词，将训练样本邮件划分为若干邮件类别，并分别组成若干邮件类别的邮件数据样本集；之后，根据待分类邮件的邮件本文档来自技高网...

【技术保护点】
一种邮件分类方法，其特征在于，包括：对于预先确定的每个邮件类别，根据待分类邮件的特征词，计算出所述待分类邮件属于该邮件类别的概率后，将计算出的概率作为对应该邮件类别的概率；将计算出的对应各邮件类别的概率进行排序，并判断所述待分类邮件的特征词中是否包括最大的概率所对应的邮件类别的至少一个关键词；若是，则将所述待分类邮件划分到最大的概率所对应的邮件类别中；否则：计算出最大的概率和排序第二的概率的差值，并计算该差值与最大的概率的比值；若判定计算出的比值小于设定差率阈值，且所述待分类邮件的特征词中包括有排序第二的概率所对应的邮件类别的至少一个关键词，则将所述待分类邮件划分到排序第二的概率所对应的邮件类...

【技术特征摘要】
1.一种邮件分类方法，其特征在于，包括：对于预先确定的每个邮件类别，根据待分类邮件的特征词，计算出所述待分类邮件属于该邮件类别的概率后，将计算出的概率作为对应该邮件类别的概率；将计算出的对应各邮件类别的概率进行排序，并判断所述待分类邮件的特征词中是否包括最大的概率所对应的邮件类别的至少一个关键词；若是，则将所述待分类邮件划分到最大的概率所对应的邮件类别中；否则：计算出最大的概率和排序第二的概率的差值，并计算该差值与最大的概率的比值；若判定计算出的比值小于设定差率阈值，且所述待分类邮件的特征词中包括有排序第二的概率所对应的邮件类别的至少一个关键词，则将所述待分类邮件划分到排序第二的概率所对应的邮件类别中。2.如权利要求1所述的方法，其特征在于，所述计算出所述待分类邮件属于该邮件类别的概率之前，还包括：确定出所述待分类邮件的特征词中包含于该邮件类别的特征词典中的特征词的个数，计算确定出的个数与所述待分类邮件的特征词的总数的比值，作为所述待分类邮件在该邮件类别下的特征词出现比率；并确认所述待分类邮件在该邮件类别下的特征词出现比率大于设定的比率阈值。3.如权利要求2所述的方法，其特征在于，所述邮件类别的关键词是预先确定的：针对每个邮件类别，对于该邮件类别的特征词典中的每个特征词，预先统计出该邮件类别中包含该特征词的样本邮件的数量并进行由大到小排序；将排序靠前的设定个数的特征词作为该邮件类别的关键词。4.如权利要求3所述的方法，其特征在于，对于预先确定的每个邮件类别，根据待分类邮件的特征词，计算出所述待分类邮件属于该邮件类别的概率，具体包括：记第i个邮件类别为Ci，所述待分类邮件的n个特征词分别为F1,F2,...,Fn，计算出如下式1的值，将其作为所述待分类邮件属于第i个邮件类别的概率：P(Ci)P(F1|Ci)P(F2|Ci)...P(Fn|Ci)(式1)式1中，其中，k取1～n之间的自然数；为特征词Fk在邮件类别Ci的邮件数据样本集中出现的次数；为邮件类别Ci的特征词典中的各特征词在邮件类别Ci的邮件数据样本集中出现的次数之和；为邮件类别Ci的邮件数据样本集中的样本邮件的数量；S为各邮件类别的邮件数据样本集中的样本邮件的数量之和。5.如权利要求4所述的方法，其特征在于，所述邮件类别的特征词典是根据如下方法得到的：对于每个邮件类别，对该邮件类别的邮件数据样本集中的样本邮件进行分词，并统计出分词后的每个词语在该邮件类别的邮件数据样本集中出现的次数作为该词语的词频；去除分词后的各词语中的生僻词和停用词后，将词频大于设定下限阈值、小于设定上限阈值的词语确定为该邮件类别的备选词；将该邮件类别的备选词中词性信息与词性信息表中记录的词性信息相匹配的备选词，确定为该邮件类别的特征词，该邮件类别的各特征词组成该邮件类别的特征词典；其中，各邮件类别的邮件数据样本集是根据样本邮件的特征向量之间的相似度，基于聚类算法划分出来的。6.如权利要求4或5所述的方法，其特征在于，所述待分类邮件的特征词具体包括：从所述待分类邮件的邮件标题中提取出的标题特征词，以及从所述待分类邮件的邮件内容中提取出的内容特征词；以及所述根据待分类邮件的特征词，计算出所述待分类邮件属于该邮件类别的概率，具体包括：根据所述待分类邮件的标题特征词，计算出所述待分类邮件的邮件标题属于该邮件类别的概率后，将该概率作为对应该邮件类别的标题概率；并根据所述待分类邮件的内容特征词，计算出所述待分类邮件的邮件内容属于该邮件类别的概率后，将该概率作为对应该邮件类别的内容概率；以及所述将计算出的对应各邮件类别的概率进行排序，并判断所述待分类邮件的特征词中是...

【专利技术属性】
技术研发人员：陈玉焓，
申请(专利权)人：新浪网技术中国有限公司，
类型：发明
国别省市：北京;11