基于 Skip-gram 的 CNNs 文本邮件分类模型

来源：计算机技术与发展杂志2019年第06期北京时间：

作者：黄鹤;荆晓远;董西伟;吴飞

摘要：随着互联网广告技术的发展和电子邮件的普及,越来越多的垃圾广告邮件充斥生活,而对如何高效区分垃圾邮件的研究也逐渐成为了热门课题。 自然语言在结构上具有很强的前后相关性,而且对于中文邮件直接转化成向量会有过高的维度产生,影响最后分类的准确性。 对此,首先对邮件文本进行分词,再利用 skip-gram 模型训练出数据集中每个词的word embedding,引入的词嵌入(word embedding) 是为了将邮件文本转化成低维度特征向量;然后将每个词的 word embedding 组合为二维特征矩阵作为网络的输入,此外在每一次的迭代过程中,输入特征也作为参数进行更新;最后送入提出的 CNN-HIGHWAY 混合模型中进行邮件分类。 将该混合模型在 CCERT 中文邮件样本集上进行实验,并与传统的机器学习方法和标准的卷积神经网络模型进行对比,结果表明该模型不仅解决了维度过高的问题,而且提高了邮件分类的准确率。

关键词：自然语言处理;词嵌入;邮件分类;卷积神经网络;深度学习