基于改進(jìn)平衡Winnow算法的短信過濾系統(tǒng)

摘要： 將黑白名單技術(shù)與Balanced Winnow 算法相結(jié)合，實(shí)現(xiàn)對垃圾短信的過濾。采用CHI 特征提取算法并對權(quán)重計算方法進(jìn)行改進(jìn)， 同時提出了去除訓(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)的抖動現(xiàn)象。實(shí)驗(yàn)表明這種改進(jìn)對于提高訓(xùn)練速度及提高短信過濾的性能均有很好的作用。

手機(jī)短信以其短小、迅速、簡便、價格低廉等優(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。基于文本分類的短信過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 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短信和祝福短信。浙江大學(xué)的金展、范晶等 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)容未能得到及時更新而導(dǎo)致過濾性能降低的問題。王忠軍將基于樸素貝葉斯短信過濾算法與基于最小風(fēng)險貝葉斯算法進(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。

本文針對現(xiàn)有短信過濾技術(shù)的不足， 設(shè)計了在手機(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短信進(jìn)行分類， 并且能夠?qū)崿F(xiàn)用戶對短信過濾的個性化要求， 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 提出并對可行性做了嚴(yán)格證明的線性分類算法。當(dāng)時的目標(biāo)是想找到一種時空復(fù)雜度僅僅與分類對象相關(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， 尤其適合于對實(shí)時性要求較高的短信過濾系統(tǒng)。

本文設(shè)計并實(shí)現(xiàn)了一個基于平衡Winnow 算法的短信內(nèi)容過濾系統(tǒng)， 對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)采用了目前國內(nèi)較多使用的中科院計算所開發(fā)的漢語詞法分析系統(tǒng)ICTCLAS ( Institute ofComputing 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)前相對較好的漢語詞法分析器。

1.2 特征提取

特征提取的方法目前也有很多， 常用的特征選取方法有： 文檔頻率DF(Document Frequency) 、信息增益IG(Information Gain) 、互信息MI(Mutual Information) 、χ2統(tǒng)計等。

本文將分詞后的詞作為候選特征， 然后使用特征提取算法從中提取出對分類最有用的一些特征， 去除對分類貢獻(xiàn)不大的候選特征， 以降低特征的維數(shù)。其中χ2的主要思想是認(rèn)為詞條與類別之間符合χ2分布。χ2 統(tǒng)計量的值越高， 特征項(xiàng)和類別之間的獨(dú)立性越小、相關(guān)性越強(qiáng)， 即特征項(xiàng)對此類別的貢獻(xiàn)越大。χ2 是一個歸一化的值， 該方法比其他方法能減少50％左右的詞匯， 具有分類效果好的優(yōu)點(diǎn)。本文中采用χ2統(tǒng)計進(jìn)行特征提取。

但不是簡單地令特征項(xiàng)的權(quán)重xi=1 或0 ， 而是令xi=f(χ2)或0 ， 這里χ2 特指特征對應(yīng)的χ2 統(tǒng)計值， 對應(yīng)關(guān)系f 根據(jù)實(shí)際情況而定。實(shí)驗(yàn)中(n 是一個正整數(shù)， 取n=4) 。實(shí)驗(yàn)表明比用布爾權(quán)重表示效果要好。

1.3 文本向量表示目前應(yīng)用較多的是向量空間模型VSM (VectorSpace Model) ， 文中用VSM 將一條短信表示為(W1，W2，…，Wk，…，Wn)的向量形式。其中：Wk(k=1 ，2 ，…，n)為第k 個特征的權(quán)重，n 為選定的特征數(shù)。