文本处理
基于朴素贝叶斯算法的垃圾邮件识别系统~文章
创建于 2026年6月21日 21:44
基于朴素贝叶斯算法的垃圾邮件识别系统～Python+机器学习+模型训练+网页界面
项目介绍
本项目面向电子邮件内容安全场景，设计并实现了一套基于朴素贝叶斯算法的垃圾邮件检测系统。系统以中文邮件主题和正文作为分析对象，将二者合并后通过字符级 TF-IDF 方法完成文本向量化，再利用多项式朴素贝叶斯分类器判断邮件属于正常邮件（ham）还是垃圾邮件（spam）。项目采用离线训练与在线预测相分离的设计：训练端使用 Jupyter Notebook 完成数据读取、文本清洗、特征提取、模型训练和效果评估，并将完整分类流水线持久化为 Joblib 模型文件；应用端基于 Flask 搭建 Web 服务。
选题背景与意义
随着互联网通信和电子商务快速发展，电子邮件已成为工作协同、信息通知和业务往来的重要工具，但广告推销、虚假中奖、钓鱼链接及恶意附件等垃圾邮件也持续增长。此类邮件不仅占用网络与存储资源，还可能诱导用户泄露账号、密码和财务信息，给个人隐私及组织信息安全带来风险。传统的关键词或黑名单过滤方法依赖人工维护，面对内容变形、新词出现和发送策略变化时，容易产生漏判或误判。因此，研究能够从历史标注邮件中自动学习文本规律的分类方法具有现实意义。
关键技术栈
| 层次 | 技术 | 主要作用 |
|---|---|---|
| Web 应用层 | Flask | 提供页面渲染、模型加载、预测接口及评估图片访问服务 |
| 前端交互层 | HTML、CSS、Bootstrap、jQuery | 实现邮件输入、Ajax 请求、概率展示和识别建议展示 |
| 特征工程 | TF-IDF | 将邮件主题与正文转换为可供分类器处理的高维稀疏向量 |
| 分类算法 | MultinomialNB（多项式朴素贝叶斯） | 根据文本特征计算邮件所属类别，实现 ham/spam 二分类 |
| 模型训练 | scikit-learn、Pandas、NumPy | 完成数据清洗、数据集划分、流水线训练和指标计算 |
| 模型持久化 | Joblib | 保存和加载包含 TF-IDF 与分类器的完整 Pipeline |
| 实验与可视化 | Jupyter Notebook、Matplotlib | 记录训练过程并生成分类报告和混淆矩阵 |
系统功能模块图
