[发明专利]用于使用主题信息识别垃圾消息的系统和方法

权利要求书

1.一种用于识别垃圾电子邮件消息的系统，所述系统包括：

计算平台，所述计算平台包括至少一个处理器的计算硬件、可操作地耦连至所述至少一个处理器并且配置为存储由所述至少一个处理器调用的指令的存储器、在所述计算硬件上实现的操作系统、以及输入/输出设备；

规则数据库，所述规则数据库配置为存储多个比例确定规则，所述比例确定规则包括用于文本串的一组条件，针对所述条件所述规则被用于确定在输入文本中语法模型gram中单词的n值以及在输入文本中要跳过的单词的k值；

矢量数据库，所述矢量数据库配置为存储多个已知矢量，其中所述多个已知矢量按照主题类别而被分类；

指令，当所述指令在所述计算平台上执行时，使所述计算平台实现：

消息处理工具，所述消息处理工具配置为经由所述输入/输出设备接收电子邮件消息，所述电子邮件消息包含主题字段，所述消息处理工具还配置为确定所述主题字段的至少一个文本参数；

比例确定工具，所述比例确定工具配置为基于所述文本参数和所述多个比例确定规则来确定所述主题字段中语法模型gram中单词的n值和要跳过的单词的k值；

gram建立工具，所述gram建立工具配置为根据所述k值和所述n值来为所述主题字段建立k-跳过-n元语法k-skip-n-gram词组集合，其中所述k-skip-n-gram词组集合是一个词组序列，所述词组序列中的每个词组包括n个单词，在每个词组的n个单词的两两单词之间最多k个单词被跳过，

矢量建立工具，所述矢量建立工具配置为从所述gram建立工具接收所述k-skip-n-gram词组集合、并为每个k-skip-n-gram词组建立矢量，以及

垃圾消息识别工具，所述垃圾消息识别工具配置为根据每个k-skip-n-gram词组与特定电子邮件消息主题字段主题类别的多个已知矢量的余弦相似性来确定垃圾消息存在比例的极限值，至少基于所有建立的矢量之间的余弦相似性的比例计算垃圾消息存在比例的当前值，并在所述垃圾消息存在比例的当前值超过所述垃圾消息存在比例的极限值时确定所述电子邮件消息包含垃圾消息。

2.权利要求1所述的用于识别垃圾电子邮件消息的系统，所述至少一个文本参数包括：

所述主题字段的语言；

所述主题字段中的单词的数量；

所述主题字段中的冠词的数量；

所述主题字段中的标点符号的数量；

所述主题字段中的代词的数量；以及

所述主题字段中的介词的数量。

3.权利要求1所述的用于识别垃圾电子邮件消息的系统，其中所述k-skip-n-gram词组集合由所述gram建立工具根据下述公式建立：

其中，n为所述词组集合中的每个词组包括的单词的个数，k为所述主题字段中要跳过的单词的个数的最大值，w表示单词。

4.权利要求1所述的用于识别垃圾电子邮件消息的系统，其中所述矢量建立工具配置为通过使所述多个已知矢量中的至少一个与为每个k-skip-n-gram词组建立的矢量中的至少一个之间的高余弦相似性与所述多个已知矢量中的至少一个的主题类别相等来确定特定电子邮件消息主题字段的主题类别。

5.权利要求1所述的用于识别垃圾电子邮件消息的系统，其中所述电子邮件消息包含垃圾消息的确定至少包括对所有建立的矢量的余弦相似性的算术平均。

6.权利要求1所述的用于识别垃圾电子邮件消息的系统，其中所述垃圾消息存在比例的极限值是通过对文本消息集合的回归分析来确定的。

7.权利要求6所述的用于识别垃圾电子邮件消息的系统，其中所述垃圾消息存在比例的极限值是基于由所述gram建立工具建立的k-skip-n-gram词组的数量以及与所建立矢量中的至少一个具有高余弦相似性的多个已知矢量的数量来调整的。

8.权利要求1所述的用于识别垃圾电子邮件消息的系统，其中所述主题字段包括三个或三个以上的单词的文本。