ارائه روش انتخاب ویژگی مبتنی بر خوشه بندی در مسئله تشخیص هرزنامه

یکی از راه های تشخیص هرزنامه، دسته بندی ایمیل ها به دو دسته هرزنامه و غیرهرزنامه است. کارایی بالای روش های یادگیری ماشین در مسایل گوناگون، باعث توسعه وسیع آنها در دسته بندی متون شده است. استفاده از یک سازوکار کاهش ویژگی کارآمد در الگوریتم های یادگیری ماشین مبتنی بر محتوا به‎‏منظور استخراج یک بردار ویژگی کارآمد از میان تعداد بسیار زیادی ایمیل نقش مهمی دارد. برخلاف روش های پیشین که فقط ویژگی های برتر را انتخاب کرده و باقی ویژگی ها را نادیده می گیرند، در روش پیشنهادی در این مقاله سعی شده است از ویژگی های انتخاب نشده نیز استفاده شود. روش کار به این صورت است که ابتدا یک انتخاب ویژگی اولیه اعمال شده و تعدادی ویژگی انتخاب می شود. سپس، ویژگی های انتخاب‎نشده خوشه بندی شده و هر خوشه به یک ویژگی جدید نگاشت می شود و بردار ویژگی نهایی شامل ویژگی های انتخاب‎شده و ویژگی های نگاشت‎شده از هر خوشه خواهد بود. در پژوهش حاضر، با اعمال دو روش انتخاب ویژگی اولیه و همچنین دو تابع نگاشت ویژگی های خوشه، در مجموع، چهار روش ارایه شد و نتایج با استفاده از دو پایگاه داده PU2 و PU3 تجزیه و تحلیل شدند. نتایج حاصل از تجزیه و تحلیل انجام‎شده نشان داد که روش مبتنی بر انتخاب ویژگی اولیه DF و تابع نگاشت پیشرفته، در بین کلیه روش های پیشنهادی، دارای بالاترین کارایی است. همچنین، روش‏های پیشنهادی در مقایسه با انتخاب ویژگی اولیه (بدون خوشه بندی) دارای کارایی بهتری هستند.