بررسی کارایی سیستم فیلترینگ هرزنامه مبتنی بر یادگیری ماشین با کاهش ابعاد خصیصه
Publish place: The First National Conference on Computer Engineering and Information Technology of Payame Noor University
Publish Year: 1393
Type: Conference paper
Language: Persian
View: 824
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
FNCEITPNU01_066
Index date: 8 March 2015
بررسی کارایی سیستم فیلترینگ هرزنامه مبتنی بر یادگیری ماشین با کاهش ابعاد خصیصه abstract
محبوبیت روزافزون و کم هزینه بودن نامههای الکترونیکی سبب افزایش سواستفاده از این وسیله ارتباطی شده است. هرزنامه ها باعث مشکلاتی از قبیل اتلاف وقت، اشغال منابع و اتلاف پهنای باند میشوند. تاکنون روش های زیادی ارائه شده است که تا حدودی موفق بوده اند. در این روش ها برای تشخیص بین هرزنامه بودن و نبودن آن، کلمات نامهها، به عنوان خصیصههایی برای تمایز بین نامهها به کار گرفته میشود. افزایش تعداد خصیصهها باعث افزایش زمان اجرای کلاسه بندی و کاهش کارایی میشود. برای رفع این مشکل محققین از الگوریتم های کاهش خصیصه استفاده می کنند تا همزمان با کاهش ابعاد مساله جهت افزایش کارایی، کمترین مقدار ممکن از اطلاعات مفید از دست برود. در این تحقیق یک روش ترکیبی جدید جهت انتخاب خصیصه ها ارائه شده است به طوری که توانسته است به درصد قابل قبولی از دقت و کارایی در کلاس بندی نامه های الکترونیکی دست یابد. این روش ترکیبی از روش های فیلتری و روکشی می باشد، که در مجموع نتایج تحقیق نشان از کارایی 99.8 درصدی الگوریتم یادگیری ماشین بیزین دارد.
بررسی کارایی سیستم فیلترینگ هرزنامه مبتنی بر یادگیری ماشین با کاهش ابعاد خصیصه Keywords:
بررسی کارایی سیستم فیلترینگ هرزنامه مبتنی بر یادگیری ماشین با کاهش ابعاد خصیصه authors
رضوان یوسفی حاجی آباد
دانشجوی کارشناسی ارشد، دانشگاه آزاد اسلامی اهواز
سیدجواد میرعابدینی
استادیار گروه کامپیوتر، دانشگاه آزاد اسلامی واحد تهران
علی هارون آبادی
استادیار گروه کامپیوتر، دانشگاه آزاد اسلامی واحد تهران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :