吉小鹏

（南京理工大学自动化学院，江苏 南京 210094）

0 引言

工业互联网快速发展的今天，在信息传递上起到关键作用的电子邮件深刻改变了工作方式，与此同时大量无效的垃圾邮件却成了工业互联网界难以解决的问题，对邮箱存储和网络传输都造成了巨大困扰[1]。到目前为止，垃圾邮件过滤的方法主要包括基于黑名单过滤、基于行为识别过滤以及基于内容过滤等手段。由于从邮件文本中提取互信息特征，并通过朴素贝叶斯分类的方法简便、快捷，基于此方法的内容过滤逐渐成为了垃圾邮件的主流上应用技术[2]。

实际上，传统互信息方法并未计算出词频度，导致词频对互信息的偏置影响较大[3]。另外，多个垃圾邮件类别的样本差异性对朴素贝叶斯方法也较为敏感，造成传统方法对于样本差异较大的情况出现较高的误检率或漏检率。因此，在文本中，通过引入词频率因子和类别间差异因子来改进互信息计算，并将计算结果作为朴素贝叶斯分类的属性权重，建立基于IMI-WNB的垃圾邮件过滤算法，完成对垃圾邮件过滤的鲁棒性，降低垃圾邮件过滤时的误检率和漏检率。

1 基于IMI-WNB算法的工业互联网垃圾邮件过滤算法

1.1 改进的IMI互信息算法

传统互信息算法在计算过程中仅考虑文本频率，并未统计词出现的频率，在词频率不均衡的工业互联网垃圾邮件文本中过滤效果较差[4]。例如，文本频率相同的两个词，但是词频率的特征差距较大，在传统方法中认为词频率特征更大的词具有与类别更高的相关程度。……