[发明专利]邮件分类方法和装置

说明书

技术领域

本发明涉及互联网领域，尤其涉及一种邮件分类方法和装置。

背景技术

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数据的特征词，计算待分类邮件属于每个邮件类别的邮件数据样本集的概率，将最大的概率所对应的邮件类别作为待分类邮件的邮件类别，并将待分类邮件划分到该邮件类别的邮件数据样本集中。其中，邮件数据通常为邮件内容。

然而，本发明的发明人发现，现有技术的邮件分类方法准确度较低，会出现一些邮件类别误判的现象，而使得用户不能及时查看到所需要的邮件：比如，用户在求职期间可能较为关心招聘类邮件，现有技术的方法却可能将招聘类邮件划分到培训机构类邮件中，使得用户不能及时得到招聘类邮件的信息；再如，将普通的对话邮件划分为商讯类邮件，可能使得用户无法及时查看这些误判的普通的对话邮件，给用户带来极大不便。因此，有必要提供一种能够更为准确的对邮件进行分类的邮件分类方法。

发明内容

针对上述现有技术存在的缺陷，本发明提供了一种邮件分类方法和装置，用以提高邮件分类的准确性。

根据本发明的一个方面，提供了一种邮件分类方法，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。

较佳地，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。

其中，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。

较佳地，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C_i，所述待分类邮件的n个特征词分别为F₁,F₂,...,F_n，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(C_i)P(F₁|C_i)P(F₂|C_i)...P(F_n|C_i)   (式1)