摘 要： 將黑白名單技術(shù)與chinaaet.com/search/?q=Balanced Winnow" title="Balanced Winnow">Balanced Winnow算法相結(jié)合,，實(shí)現(xiàn)對(duì)垃圾短信的過濾。采用CHI特征提取算法并對(duì)權(quán)重計(jì)算方法進(jìn)行改進(jìn),，同時(shí)提出了去除訓(xùn)練樣本中野點(diǎn)的想法,，通過判定去除野點(diǎn)，減緩在訓(xùn)練過程中出現(xiàn)的抖動(dòng)現(xiàn)象,。實(shí)驗(yàn)表明這種改進(jìn)對(duì)于提高訓(xùn)練速度及提高短信過濾的性能均有很好的作用,。
關(guān)鍵詞： balanced Winnow；短信過濾,；CHI,；野點(diǎn)
手機(jī)短信以其短小、迅速,、簡(jiǎn)便,、價(jià)格低廉等優(yōu)點(diǎn)成為一種重要的通信和交流方式，受到眾多人士的青睞,。然而,，手機(jī)短信與郵件一樣存在著垃圾信息問題。
目前,，垃圾短信過濾主要有黑名單過濾,、關(guān)鍵詞過濾和基于文本分類的內(nèi)容過濾等方式。黑名單過濾和關(guān)鍵詞過濾方式能快速過濾垃圾短信,，但這兩種過濾方式實(shí)質(zhì)是基于規(guī)則的過濾,，雖然在一定程度上阻擋了一些垃圾短信,，但規(guī)則的方法需要更多的用戶自定義設(shè)置，很容易被反過濾,?；谖谋痉诸惖亩绦胚^濾采用常見的分類算法，如樸素貝葉斯,、SVM,、神經(jīng)網(wǎng)絡(luò)等。黎路[1]等人將貝葉斯分類應(yīng)用到J2ME模擬環(huán)境中成功地過濾了中獎(jiǎng)短信和祝福短信,。浙江大學(xué)的金展,、范晶等[2]將樸素貝葉斯和支持向量機(jī)結(jié)合，解決了傳統(tǒng)垃圾短信過濾系統(tǒng)短信特征和內(nèi)容未能得到及時(shí)更新而導(dǎo)致過濾性能降低的問題,。王忠軍[3]將基于樸素貝葉斯短信過濾算法與基于最小風(fēng)險(xiǎn)貝葉斯算法進(jìn)行了實(shí)驗(yàn)分析和比較,，結(jié)論是基于最小風(fēng)險(xiǎn)的短信過濾算法具有較好的性能。然而,，短信過濾的準(zhǔn)確率依賴于其訓(xùn)練樣本的數(shù)量及質(zhì)量,，這些分類算法需要經(jīng)過訓(xùn)練學(xué)習(xí)建立分類器模型，因此在速度上不能很好地滿足短信過濾實(shí)時(shí)性的要求,。從現(xiàn)有技術(shù)上來說,，垃圾短信的過濾在準(zhǔn)確率和效率方面仍然不能滿足現(xiàn)實(shí)需要。
本文針對(duì)現(xiàn)有短信過濾技術(shù)的不足,，設(shè)計(jì)了在手機(jī)終端的短信過濾系統(tǒng),，根據(jù)垃圾短信的特點(diǎn)將黑白名單和基于內(nèi)容過濾相結(jié)合。這種過濾方式要求能夠快速地對(duì)短信進(jìn)行分類,，并且能夠?qū)崿F(xiàn)用戶對(duì)短信過濾的個(gè)性化要求,，使垃圾短信過濾系統(tǒng)具有更好的過濾性能。
Winnow算法是在1987年由Nick Littlestone提出并對(duì)可行性做了嚴(yán)格證明的線性分類算法[4],。當(dāng)時(shí)的目標(biāo)是想找到一種時(shí)空復(fù)雜度僅僅與分類對(duì)象相關(guān)屬性相關(guān)的數(shù)量呈線性相關(guān)的算法,。平衡Winnow算法是對(duì)基本W(wǎng)innow算法的一種改進(jìn)，該算法具有過濾速度快,、性能好,、支持反饋更新的優(yōu)點(diǎn)，在信息過濾領(lǐng)域有很好的應(yīng)用前景,，尤其適合于對(duì)實(shí)時(shí)性要求較高的短信過濾系統(tǒng),。
本文設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)基于平衡Winnow算法的短信內(nèi)容過濾系統(tǒng)，對(duì)該算法在短信過濾系統(tǒng)上的應(yīng)用進(jìn)行了詳細(xì)分析,。分類器的訓(xùn)練過程分成預(yù)處理,、訓(xùn)練、分類和反饋四個(gè)部分,。
1 預(yù)處理模塊
預(yù)處理模塊包括中文分詞,、特征提取以及短信的向量表示子模塊,。
1.1 中文分詞
中文分詞是漢語所特有的研究課題。英語,、法語等印歐語種詞與詞之間存在著自然的分割,，一般不存在分詞的問題。本系統(tǒng)采用了目前國(guó)內(nèi)較多使用的中科院計(jì)算所開發(fā)的漢語詞法分析系統(tǒng)ICTCLAS[5](Institute of Computing Technology,，Chinese Lexical Analysis System),。ICTCLAS 3.0分詞速度單機(jī)996 Kb/s，分詞精度98.45%,，API不超過200 KB,，各種詞典數(shù)據(jù)壓縮后不到3 MB，是當(dāng)前相對(duì)較好的漢語詞法分析器,。
2 構(gòu)造分類器
訓(xùn)練分類器是研究的重點(diǎn),，采用Balanced Winnow算法并對(duì)其進(jìn)行改進(jìn)。
2.1 Winnow分類算法
Winnow算法是二值屬性數(shù)據(jù)集上的線性分類算
在平衡Winnow算法中,，一旦參數(shù)α、β和閾值θ確定下來后,，將在訓(xùn)練過程中不斷更新權(quán)重向量w+和w-至最適合這組參數(shù),。因此對(duì)參數(shù)的依賴較小，需要手工調(diào)整的參數(shù)不多,。
2.3 去除野點(diǎn)
在短信過濾中,，短信樣本是由手動(dòng)或自動(dòng)方式收集的，收集的過程中難免會(huì)出錯(cuò),，因此短信樣本集中可能存在一些被人為錯(cuò)分的樣本點(diǎn),，即野點(diǎn)。這些野點(diǎn)在訓(xùn)練時(shí),，會(huì)使得分類器產(chǎn)生嚴(yán)重的抖動(dòng)現(xiàn)象,，降低分類器的性能。因此,，好的分類器應(yīng)具有識(shí)別野點(diǎn)的能力[11],。
對(duì)于Winnow算法，若樣本中存在野點(diǎn),，則野點(diǎn)在訓(xùn)練時(shí)以較大的概率出現(xiàn)在兩分類線之外,，且分類錯(cuò)誤。這些野點(diǎn)對(duì)分類器的訓(xùn)練過程產(chǎn)生很大的影響,，可能會(huì)造成分類器的“過度學(xué)習(xí)”,。因此引入損失函數(shù)，按照損失函數(shù)的定義,，這些野點(diǎn)損失較大,，因此可以通過給損失函數(shù)設(shè)置一個(gè)上界函數(shù)來處理線性分類器中的野點(diǎn)問題,，如圖1所示。
圖1所示為兩類線性可分情況,，圖中實(shí)心點(diǎn)和空心點(diǎn)分別表示兩類訓(xùn)練樣本,，H為兩類樣本沒有被錯(cuò)誤地分開的分類線，H1和H2分別為平行于分類線H且與分類線H的距離為單位距離的兩條直線,。直線G(t)為平衡Winnow算法中第t輪迭代后損失函數(shù)的上界線,。該上界線是關(guān)于迭代次數(shù)t的函數(shù)，因此可以將該上界線G(t)對(duì)應(yīng)的上界函數(shù)記為g(t),。從圖1可知,，在直線G(t)左下側(cè)誤分樣本的損失較少，可以認(rèn)為這些誤分樣本是由于當(dāng)前分類器的性能較低而誤分的,；在直線G(t)右上側(cè)誤分的樣本由于在第t輪迭代后損失仍較大,，則可以認(rèn)為這些誤分的樣本是野點(diǎn)。根據(jù)線性分類器和野點(diǎn)的性質(zhì)可知,，上界函數(shù)g(t)具有以下性質(zhì)：
(1)隨著Winnow算法中迭代次數(shù)t的增加,，上界函數(shù)g(t)單調(diào)遞減，并且遞減的速率也隨著t的增加而遞減,，即上界函數(shù)的導(dǎo)數(shù)g(t)為單調(diào)遞減函數(shù),；
在每一輪訓(xùn)練中，若該樣本的G(t)值大于分類線的值,，并且超過一定的閾值,，且不屬于該類，則判定該樣本具有野點(diǎn)的性質(zhì),，應(yīng)當(dāng)在訓(xùn)練集中將該樣本去除,，以便提高下一輪訓(xùn)練的準(zhǔn)確性。這樣不僅有效削弱了分類器的抖動(dòng)現(xiàn)象,，而且提高了分類器的性能,。
3 系統(tǒng)反饋
Winnow是一種在線學(xué)習(xí)的、以錯(cuò)誤為驅(qū)動(dòng)的分類器,，適于結(jié)合增量式學(xué)習(xí)來解決自適應(yīng)問題,，實(shí)現(xiàn)用戶的個(gè)性化要求。平衡Winnow算法是基本W(wǎng)innow算法的另外一種形式,，同樣具有在線更新能力,。在分類器訓(xùn)練過程中，對(duì)錯(cuò)分的短信通過α和β更新類別權(quán)重向量,，實(shí)現(xiàn)對(duì)分類器的更新,，平衡Winnow算法中w+和w-的雙向調(diào)節(jié)，使算法的訓(xùn)練速度更快,，適合于對(duì)分類實(shí)時(shí)性要求較高的短信過濾系統(tǒng),。
4 實(shí)驗(yàn)資源及分析與評(píng)價(jià)
本文在自建短信語料庫(kù)的基礎(chǔ)上完成對(duì)比實(shí)驗(yàn),，其中正常短信1 892條，垃圾短信270條,，將短信語料庫(kù)隨機(jī)分成5等份,，其中4份用于訓(xùn)練樣本，1份作為測(cè)試樣本,。
4.1 評(píng)價(jià)指標(biāo)
分類系統(tǒng)評(píng)價(jià)指標(biāo)如下,，包括兩類短信各自的準(zhǔn)確率(precision)和召回率(recall)，由于系統(tǒng)目標(biāo)是垃圾短信過濾,，于是增加了針對(duì)垃圾短信的綜合評(píng)價(jià)指標(biāo)(F1):F1=(2×準(zhǔn)確率×召回率)/(準(zhǔn)確率+召回率),。
4.2 實(shí)驗(yàn)結(jié)果分析
(1)實(shí)驗(yàn)1：探討改進(jìn)的特征權(quán)重計(jì)算方法對(duì)實(shí)驗(yàn)結(jié)果的影響。實(shí)驗(yàn)結(jié)果如表1所示,。
其中測(cè)試樣本中正常短信被誤分為垃圾短信條數(shù)為22條,，正常短信召回率為94.2%；垃圾短信被誤分為正常短信8條,，準(zhǔn)確率僅為67.7%,。
其中測(cè)試樣本中正常短信被誤分為垃圾短信條數(shù)為18條，正常短信召回率為96.1%,；而測(cè)試用的垃圾短信正確識(shí)別了44條,，準(zhǔn)確率為71.0%。由此可見,，參數(shù)對(duì)實(shí)驗(yàn)結(jié)果的影響不大。
(3)實(shí)驗(yàn)3：去除野點(diǎn)對(duì)實(shí)驗(yàn)結(jié)果的影響,。實(shí)驗(yàn)結(jié)果如表3所示,。
從實(shí)驗(yàn)結(jié)果分析，僅有12條正常短信和8條垃圾短信被錯(cuò)誤分類,。通過去除野點(diǎn),，發(fā)現(xiàn)不僅緩減了抖動(dòng)現(xiàn)象，而且提高了分類器的分類性能及正常短信的召回率,。
Balanced Winnow在訓(xùn)練速度和分類速度上具有較大優(yōu)勢(shì),，所以具有更高的實(shí)用價(jià)值，非常適合短信過濾的要求,。另外,，Winnow作為一種在線學(xué)習(xí)方法，在訓(xùn)練集合不斷擴(kuò)大的情況下能夠快速對(duì)分類器進(jìn)行更新,。正是基于Winnow不斷學(xué)習(xí),、不斷調(diào)整的機(jī)制，使其非常適合用戶自己定制需要的分類標(biāo)準(zhǔn),。隨著用戶不斷地反饋調(diào)整,，整個(gè)系統(tǒng)會(huì)表現(xiàn)出越來越好的效果,。
參考文獻(xiàn)
[1] 黎路，秦衛(wèi)平．淺析貝葉斯分類方法在手機(jī)垃圾短信過濾系統(tǒng)中的應(yīng)用[J]．科技廣場(chǎng),，2007(7):76-78．
[2] 金展,，范晶．基于樸素貝葉斯和支持向量機(jī)的自適應(yīng)垃圾短信過濾系[J]．計(jì)算機(jī)應(yīng)用，2008,，28(3):714-718．
[3] 王忠軍．文本分類在短信過濾中的應(yīng)用[D]．遼寧:大連理工大學(xué),，2006．
[4] LITTLESTONE N. Learning quickly when irrelevant attributes abound: a new linear threshold algorithm. Machine Learning， 1988(2):285-318．
[5] YANG YI MING,， PEDERSEN JAN． A comparative study on feature selection in text categorization proceedings of the 14th international conference on machine learning[C]． Nashville： Morgan Kaufmann,， 1997:412-420．
[6] 周志軍．中文郵件分類系統(tǒng)的研究及其實(shí)現(xiàn)[D]．蘇州:蘇州大學(xué)，2005．
[7] 潘文峰,，王斌．Winnow算法在垃圾郵件過濾中的應(yīng)用[C]．第一屆全國(guó)信息檢索與內(nèi)容安全學(xué)術(shù)會(huì)議論文集,，上海，2004．