邮件类型自动分类

题目确定时间：2016.5.16

成员

• 张霖 2120151063
• 杨冰 2120151052

数据集

• Enron Email Dataset

处理步骤

1. 在数据集上对数据进行类型标注，如个人邮件、公务邮件、垃圾邮件、广告邮件等，建立Groundtruth。
2. 对数据进行预处理。从数据中提取出元数据（发件、收件、抄送、主题）等。
3. 对数据进行分词处理。选取每个数据的关键词集合，去除无意义的词。
4. 利用关键词，基于某种算法建立每个数据的特征向量。
5. 设计分类算法。
6. 划分数据集为训练集和测试集。
7. 依据设计的分类算法，使用训练集对分类模型进行训练。
8. 使用测试集在分类模型上进行测试，并与Groundtruth进行比较，记录算法的准确度。
9. 重复训练和测试过程，对算法性能进行评价。

目标

1. 学习目前最新的文本分类及处理方法。
2. 实现邮件的自动分类，方便电子邮件用户的使用。
3. 辅助用户实现垃圾过滤和邮件整理。

分工

• 张霖 负责数据收集和算法设计与实现。
• 杨冰 负责数据预处理及实验和评估。