SEWM2008垃圾邮件过滤系统评测说明.pdfVIP

SEWM 2008垃圾邮件过滤系统评测说明 华南理工大学信息网络工程研究中心 2007年12月 1．评测目的 • 希望为致力于垃圾邮件处理的国内外研究组织提供一个交流的平台； • 建立并完善一个以中文为主的大规模邮件数据集。数据集包含正常邮件和垃 圾邮件，可作为评测垃圾邮件过滤系统的数据集，该测试数据集能反映必威体育精装版 垃圾邮件特征； • 提供一个标准的开放垃圾邮件测试工具。该工具可自动向垃圾邮件过滤器发 送数据集中的邮件，并且反馈给过滤器该邮件是否是垃圾邮件。 2．数据集说明 2 ．1 概述 数据集主要分为两个部分，一部分为公开数据集（Public Corpus ），提供给测 评参与单位作为训练、测试并提交公开集测试结果；另一部分为不公开数据集 （Private Corpus ）作为测评参与单位提交的过滤器的私有评测标准集。两个数据集 都是由数据文件（data ）和索引文件（index ）组成。 公开数据集以压缩包的方式提供，压缩包文件名为sewm08-spam.zip 。压缩包可 以用gzip, Winzip 以及其他任何可以识别gzip格式的工具解开。 2 ．2 数据文件 数据文件将正常邮件文件混杂在垃圾邮件文件中，文件名无明显特征。文件目 录格式为： ../data/000/065 ../data/000/068 ../data/124/077 ../data/124/078 ../data/xxx/yyy 其中xxx为目录名；yyy为邮件文件名，都是以数字命名。 每个数据文件都是从现实环境中收集的邮件样本，为RFC 2822格式： Received: from ****** Fri, 29 Jun 2004 17:40:22 -0500 content-class: urn:content-classes:message Subject: ****** Date: ****** Message-ID: ****** MIME-Version: 1.0 Content-Type: text/plain; Content-Transfer-Encoding: binary X-MS-Has-Attach: yes X-MS-TNEF-Correlator: ****** Thread-Topic: ****** X-MimeOLE: Produced By Microsoft Exchange V6.0.4418.65 Thread-Index: ****** From: ****** To: ****** Return-Path: ****** 邮件正文 格式参考：（/rfc2822.html ） 2 ．3 索引文件（Index ） 索引文件标注了数据文件中的每封邮件文件是否为垃圾邮件。其文件内容格式 如下： ham ../data/000/065 ham ../data/000/068 spam ../data/124/077 spam ../data/124/078