စာရင်းဇယားစင်ကြယ်သောသင်၏အစာပုံးကိုစောင့်ရှောက်ကူညီဘယ်လိုထွက်ရှာမည်
Bayesian spam များကို filter များသူ့ရဲ့အကြောင်းအရာတွေကိုအပေါ်အခြေခံပြီးသတင်းစကားတစ်ခုဖြစ်ခြင်းစပမ်းများ၏ဖြစ်နိုင်ခြေတွက်ချက်။ ရိုးရှင်းအကြောင်းအရာ-based filter များနှင့်မတူဘဲ Bayesian spam များကို filtering ကိုပြုပြင်ရေးဆွဲပြီး, အလွန်အားကောင်းတဲ့အတွက်ရရှိလာတဲ့, spam များကိုထံမှနှင့်ကောင်းမွန်သောမေးလ်ကနေသိရှိလာများနှင့်ထိရောက်စွာ Anti-spam များကိုချဉ်းကပ်ခဲမဆိုမမှန်သောလက္ခဏာကို return, လူအပေါင်းတို့၏အကောင်းဆုံးဖြစ်သည်။
သင်မည်သို့ Junk အီးမေးလ်အသိအမှတ်ပြုပါသလား
သငျသညျ detect ဘယ်လိုစဉျးစားကွညျ့ စပမ်း ။ တစ်ဦးကမြန်မြန်ဆန်ဆန်တစ်ချက်မကြာခဏလုံလောက်ပါတယ်။ သငျသညျကိုစပမ်တူအရာကိုသိလျက်ကောင်းမကောင်းကိုမေးလ်တူအဘယ်အရာကိုငါသိ၏။
ကောင်းသောမေးလ်များကဲ့သို့ရှာဖွေနေ spam များကိုများ၏ဖြစ်နိုင်ခြေန်းကျင် ... သုညသည်။
အကြောင်းအရာ-အခြေခံပြီးစိစစ်မှုများသွင်းယူ Adapt မ
အလိုအလျှောက် spam များကို filter များလွန်းလိုအလုပ်လုပ်ခဲ့လျှင်အကြီးအဖြစ်လိမ့်မည်မဟုတ်လော
သွင်းယူအကြောင်းအရာ-based ကို spam filter များ့စမ်းပါ။ သူတို့ကစကားများနှင့် spam များကိုများ၏ပုံမှန်နဲ့အခြားဝိသေသလက္ခဏာများကိုရှာပါ။ တိုင်းဝိသေသဒြပ်စင်တစ်ခုရမှတ်တာဝန်ပေးသည်နှင့်တပြင်လုံးကိုမက်ဆေ့ခ်ျကိုများအတွက် spam များကိုရမှတ်တစ်ဦးချင်းစီရမှတ်ထဲကနေတွက်ချက်ထားသည်။ တချို့ကအမှတ်ပေး filter များကိုလည်းမက်ဆေ့ခ်ျကိုဖွင့်နောက်ဆုံးရမှတ်လျှော့ချ, တရားဝင်မေးလ်၏ဝိသေသလက္ခဏာများကိုရှာပါ။
အဆိုပါအမှတ်ပေး filter များချဉ်းကပ်အလုပ်မ, ဒါပေမယ့်လည်းအများအပြားအားနည်းချက်များရှိပြီး:
- ဝိသေသလက္ခဏာများများ၏စာရင်း filter ကိုရဲ့အင်ဂျင်နီယာများမှရရှိနိုင်သောစပမ်း (နှင့်ကောင်းမွန်သောမေးလ်) မှတည်ဆောက်ထားသည်။ ဘယ်သူ့ကိုမှရစေခြင်းငှါ, ပုံမှန် spam များကိုကောင်းတစ်ခုဆုပ်ကိုင်ရရှိရန်မေးလ်အီးမေးလ်လိပ်စာများရာပေါင်းများစွာမှာကောက်ယူရမည်ဖြစ်သည်။ ကောင်းမွန်သောဤ mail ကို၏ဝိသေသလက္ခဏာများလူတစ်ဦးချင်းစီအတွက်မတူညီသောဖြစ်လိမ့်မည်ကိုအထူးသဖြင့်အဘယ်ကြောင့်ဆိုသော်ထားသော filters ၏ထိရောက်မှုအားနည်းနေခြင်း, ဒါပေမယ့်ဤအကောင့်ထဲသို့ခေါ်ဆောင်သွားသည်မဟုတ်။
- ရှာဝိသေသလက္ခဏာများကျောက်ပိုပြီးသို့မဟုတ်ထိုထက်နည်းအစုံရှိပါတယ်။ ယင်း Spam တွေကိုလိုက်လျောညီထွေဖြစ်အောင် (နှင့်သူတို့၏ spam များကိုထားသော filters ကောင်းမေးလ်များကဲ့သို့ကြည့်ရှုစေ) ဖို့ကြိုးစားအားထုတ်မှုစေလျှင်, filtering ကိုဝိသေသလက္ခဏာများကို manually မြှခံရဖို့ရှိသည် - တစ်ပင်ပိုကြီးအားထုတ်မှု။
- တစ်ခုချင်းစီကိုစကားလုံးဖို့တာဝန်ရမှတ်ဖြစ်ကောင်းကောင်းတစ်ဦးခန့်မှန်းချက်အပေါ်အခြေခံပေမယ့်နေဆဲမင်းထက်ဖြစ်ပါတယ်။ နှင့်ဝိသေသလက္ခဏာများများ၏စာရင်းနဲ့တူပါကယေဘုယျအားဖြင့် spam များကိုများ၏ပြောင်းလဲနေတဲ့ကမ္ဘာမဟုတ်သလိုတစ်ဦးချင်းအသုံးပြုသူရဲ့လိုအပ်ချက်ကိုလည်းမလိုက်လျောညီထွေဖြစ်အောင်ပါဘူး။
Bayesian ပမ်စိစစ်မှုများ သာ. ကောင်း၏နှင့် သာ. ကောင်း၏ရယူခြင်း, မိမိတို့ကိုယ် tweaks
Bayesian spam များကို filter များလွန်းအကြောင်းအရာ-based filter များသွင်းယူတစ်ဦးကြင်ကြင်နာနာဖြစ်ကြသည်။ သူတို့ရဲ့ချဉ်းကပ်သော်လည်း, ရိုးရှင်းသောအမှတ်ပေး spam များကို filter များ၏ပြဿနာများနှင့်အတူကွယ်ပျောက်ပါဘူး, ဒါဒါအခြေခံကျကျပါပဲ။ အမှတ်ပေး filter များ၏အားနည်းချက်ဝိသေသလက္ခဏာများနှင့်၎င်းတို့၏ရမှတ်များကိုယ်တိုင်တည်ဆောက်ထားစာရင်းထဲတွင်ဖြစ်ပါတယ်ကတည်းကဒီစာရင်းကိုဖယ်ထုတ်ပစ်သည်။
အဲဒီအစား, Bayesian spam များကို filter များစာရင်းကိုသူတို့ကိုယ်သူတို့တည်ဆောက်။ အကောင်းဆုံးကတော့သင် spam အဖြစ်သတ်မှတ်ကြပြီအီးမေးလ်များကိုတစ်ဦး (ကြီးကြီး) စည်း, ကောင်းသောမေးလ်၏အခြားစည်းနှင့်အတူစတင်ပါ။ အဆိုပါ filter များနှစ်မျိုးလုံးကိုကြည့်ခြင်းနှင့် spam များကို၌၎င်း, ကောင်းသောမေးလ်ထဲမှာပေါ်ထွန်းအမျိုးမျိုးသောဝိသေသလက္ခဏာများများ၏ဖြစ်နိုင်ခြေတွက်ချက်ဖို့တရားဝင်မေးလ်အဖြစ် spam များကိုခွဲခြမ်းစိတ်ဖြာ။
ဘယ်လို Bayesian ပမ် Filter ကိုအီးမေးလ်ကို examine
တစ်ဦး Bayesian spam များကို filter ကိုကြည့်ရှုနိုင်ပါသည်ဝိသေသလက္ခဏာများဖြစ်နိုင်သည်
- ထိုအတွက်စကားလုံးများ ခန္ဓာကိုယ် သင်တန်း၏မက်ဆေ့ခ်ျကို၏, နှင့်
- ၎င်း၏ ခေါင်းစီး (ပေးပို့သူနှင့် မက်ဆေ့ခ်ျကိုလမ်းကြောင်း ဥပမာအားဖြင့်,!), ဒါပေမယ့်လည်း
- ထိုကဲ့သို့သောပင် HTML ကို (အရောင်အဆင်းနဲ့တခြား format နဲ့တူ) / CSS ကိုကုဒ်, ဒါမှမဟုတ်တခြားရှုထောင့်
- စကားလုံးအားလုံး, စာပိုဒ်တိုများနှင့်
- meta သတင်းအချက်အလက် (ကအထူးသထားသောစာပိုဒ်တိုများဥပမာအားဖြင့်ပေါ်လာသောရှိရာ) ။
စကားလုံးတစ်လုံးလျှင်, ဥပမာ "Cartesian" သင်ရရှိတရားဝင်အီးမေးလ်, "Cartesian" စပမ်သုညကနီးသည်ကိုဖော်ပြသောဖြစ်နိုင်ခြေအတွက်မကြာခဏ spam များကိုထဲမှာပေါ်လာလိမ့်မယ်ဒါပေမယ့်ဘယ်တော့မှမ။ "Toner" အခြားတစ်ဖက်တွင်, စပမ်းအတွက်မကြာခဏသီးသန့်ပေါ်လာပါနှင့်။ "Toner" မအများကြီး 1 (100%) ကိုအောက်တွင် spam များကိုတှငျတှေ့ခံတစ်ဦးအလွန်မြင့်မားဖြစ်နိုင်ခြေရှိပါတယ်။
အသစ်တစ်ခုကိုမက်ဆေ့ခ်ျကိုရောက်ရှိသည့်အခါက Bayesian တွင် spam filter များကသုံးသပ်သည်နှင့်ပြည့်စုံသတင်းစကားဖြစ်ခြင်းစပမ်းများ၏ဖြစ်နိုင်ခြေတစ်ဦးချင်းစီဝိသေသလက္ခဏာများကို အသုံးပြု. တွက်ချက်သည်။
သတင်းစကားတစ်ခု "Cartesian" နှင့် "ဆိုးဆေး" နှစ်ဦးစလုံးပါရှိသည်ယူဆ။ တစ်ဦးတည်းသည်ဤစကားကနေကျနော်တို့ကိုစပမ်သို့မဟုတ် legit မေးလ်ရှိမရှိသေးရှင်းရှင်းလင်းလင်းမဟုတ်ဘူး။ သည်အခြားဝိသေသလက္ခဏာများ (မျှော်လင့်ဆုံးနဲ့ဖြစ်ကောင်း) က filter ကို spam များကိုသို့မဟုတ်ကောင်းသောမေးလ်တစ်ခုခုအဖြစ်မက်ဆေ့ခ်ျကိုခွဲခြားရန်ခွင့်ပြုသည်တစ်ခုဖြစ်နိုင်ခြေညွှန်ပြပါလိမ့်မယ်။
Bayesian ပမ်စိစစ်မှုများအလိုအလျောက်သင်ယူနိုင်
အခုတော့ကျွန်တော်တစ်ဦးခွဲခြားရှိသည်, ထိုသတင်းစကားကိုနောက်ထပ် filter ကိုသူ့ဟာသူလေ့ကျင့်ဖို့အသုံးပြုနိုင်ပါသည်။ ဤကိစ္စတွင်ခုနှစ်, (နှစ်ဦးစလုံး "Cartesian" နှင့် "ဆိုးဆေး" ်မက်ဆေ့ခ်ျကိုစပမ်ဖြစ်တွေ့ရှိလျှင်) ကောင်းသောမေးလ်ညွှန်ပြ "Cartesian" ၏ဖြစ်နိုင်ခြေသော်လည်းကောင်းလျှော့ချသည်, သို့မဟုတ် spam များကိုညွှန်ပြ "ဆိုးဆေး" ၏ဖြစ်နိုင်ခြေပြန်လည်စဉ်းစားရမည်ဖြစ်သည်။
(သူမကိုယ်တိုင် filter များက misjudgment အလျောက်လျှင်) ဒီ Auto-သပ္ပါယ် technique ကိုသုံးပြီး Bayesian filter များမိမိတို့ကိုယ်ပိုင်နှင့်အသုံးပြုသူရဲ့ဆုံးဖြတ်ချက်တွေနှစ်ဦးစလုံးထံမှသင်ယူနိုင်ပါတယ်။ Bayesian filtering ကို၏အလိုက်အထိုက်နေတတ်လည်းသူတို့တစ်ဦးချင်းစီကိုအီးမေးလ်အသုံးပြုသူများအတွက်အထိရောက်ဆုံးဖြစ်ကြောင်းသေချာစေသည်။ လူအများစုရဲ့ spam များကိုဆင်တူဝိသေသလက္ခဏာများရှိစေခြင်းငှါနေစဉ်, တရားဝင်စာပို့လူတိုင်းအဘို့တွေကတော့ကွဲပြားခြားနားသည်။
ဘယ်လို Spam ဖြ Bayesian စိစစ်မှုများအတိတ်မှ Get နိုင်သလား?
တရားဝင်မေးလ်၏ဝိသေသလက္ခဏာများဟာ spam များကိုဖြစ်ပါသည်အဖြစ် Bayesian spam များကိုစစ်ထုတ်ခြင်းလုပ်ငန်းစဉ်များအတွက်နည်းတူအရေးကြီးလှသည်။ ထားသော filters တိုင်းအသုံးပြုသူများအတွက်အထူးလေ့ကျင့်သင်ကြားနေတယ်ဆိုရင်, Spam တွေကိုလူတိုင်းရဲ့ (သို့မဟုတ်ပင်လူအများစုရဲ့) ဝန်းကျင်အလုပ်လုပ်တစ်ခုပင်ခက်ခဲအချိန်ရှိသည် spam များကို filter များ, နှင့် filter များ Spam တွေကိုကြိုးစားပြီးနီးပါးအရာအားလုံးလိုက်လျောညီထွေဖြစ်အောင်နိုင်ပါတယ်။ ပါလိမ့်မယ်
သူတို့ကသာမန်အီးမေးလ်ကိုလူတိုင်းရစေခြင်းငှါကဲ့သို့မိမိတို့ spam များကိုမက်ဆေ့ခ်ျဿုံကြည့်ရှုစေလျှင် Spam တွေကိုသာအတိတ်ကောင်းမွန်စွာလေ့ကျင့်သင်ကြား Bayesian filter များစေမည်။
Spam တွေကိုများသောအားဖြင့်ထိုကဲ့သို့သောသာမန်အီးမေးလ်များကိုပေးပို့ကြပါဘူး။ ကျွန်တော်တို့ကိုဤအအီးမေးလ်များကို Junk အီးမေးလ်အဖြစ်အလုပ်မလုပ်ပါဘူးဘာဖြစ်လို့လဲဆိုတော့ဒီယူဆကြပါစို့။ သာမန်, boring အီးမေးလ်များကြောင့်အတိတ် spam များကို filter များစေရန်တစ်ခုတည်းသောနည်းလမ်းဖြစ်သည့်အခါဒီတော့အခွင့်အလမ်းတွေကိုသူတို့ကလုပ်နေတာမည်မဟုတ်ပါနေကြသည်။
Spam တွေကိုအများအားဖြင့်သာမန်-ရှာဖွေနေအီးမေးလ်များသို့ပြောင်းရန်ပြုလျှင်, သို့သော်, ကျနော်တို့ကိုတဖန်ကျွန်တော်တို့ရဲ့ Inbox ထဲတွင် spam များကိုတွေအများကြီးမြင်ရပါလိမ့်မည်, အီးမေးလ်ကဲ့သို့ဖွစျစခွေငျးငှါ စိတ်ပျက်စရာ က Pre-Bayesian နေ့ရက်ကာလ၌ဖြစ်သကဲ့သို့ (သို့မဟုတ်တောင်မှပိုဆိုး) ။ ဒါဟာအစသျောလညျး, spam များကိုအများစုမျိုးများအတွက်စျေးကွက်ပျက်စီးကြမည်, ဤသို့ရှည်လျားဘို့ကြာရှည်လိမ့်မည်မဟုတ်ပါ။
ခိုင်မာတဲ့ညွှန်းကိန်းတစ်ခု Bayesian ပမ် Filter ကို & # 39 ဖြစ်နိုင်သလား; s ကို Achilles & # 39; ခွေဖနောငျ့
တဦးတည်းခြွင်းချက်ပင်၎င်းတို့၏ပုံမှန်အကြောင်းအရာနှင့် Bayesian filter များမှတဆင့်၎င်းတို့၏လမ်းအလုပ်လုပ် Spam တွေကိုအဘို့ရိပ်မိနိုင်ပါတယ်။ ဒါဟာစစ်ထုတ်ခြင်းဖြင့်ဝက်ပေါင်ခြောက်အဖြစ် rated ခံရရန် spam များကိုတူသောရှာဖွေနေထံမှမည်သည့်မက်ဆေ့ခ်ျကိုဖွင့်ဖို့အဖြစ်ကအရမ်းမကြာခဏကောင်းသောမေးလ်ထဲမှာပေါ်လာလိမ့်မယ်တစကားလုံးသို့မဟုတ်ဝိသေသဒါသိသာစေနိုင်ပါတယ်ကြောင်း Bayesian စာရင်းဇယား၏သဘောသဘာဝ၌တည်ရှိ၏။
Spam တွေကိုသင့်ရဲ့သေချာ-မီးကောင်းသော-mail ကိုစကားများဖြင့် အသုံးပြု. ဆုံးဖြတ်ရန်နည်းလမ်းရှာပါလျှင် HTML ကိုပြန်လာလက်ခံဖြတ်ပိုင်းများ example- များအတွက်, သငျသညျဖွင့်လှစ်ခဲ့ရာမက်ဆေ့ခ်ျများကိုကြည့်ရှုရန်, သူတို့တစ်တွေ junk mail ကိုအတွက်သူတို့ထဲကတစ်ဦးပါဝင်သည်နှင့်ပင် well- အားဖြင့်သင်တို့ကိုရောက်ရှိနိုင်ပါတယ် Bayesian filter ကိုလေ့ကျင့်သင်ကြား။
ယောဟနျသဂရေဟမ်-Cumming နှစ်ခု Bayesian filter များတစ်ဦးချင်းစီကတခြားဆန့်ကျင်အလုပ်လုပ်ခွင့်အားဖြင့်မက်ဆေ့ခ်ျက "ကောင်းသော" filter ကိုကတဆင့်ရတွေ့ရှိထားတဲ့လိုက်လျောညီထွေက "မကောင်းတဲ့" တဦးတည်းကဒီကြိုးစားခဲ့သိရသည်။ သူကလုပ်ငန်းစဉ်ကိုအချိန်-စားသုံးခြင်းနှင့်ရှုပ်ထွေးသော်လည်းကအလုပ်လုပ်တယ်ကပြောပါတယ်။ ကျနော်တို့ကအနည်းဆုံးမအကြီးစားပေါ်, ဒီလိုအများကြီးမြင်ရပါလိမ့်မည်မထင်နှင့်တစ်ဦးချင်းစီ '' အီးမေးလ်ကဝိသေသလက္ခဏာများ လိုက်. မရကြဘူး။ Spam တွေကိုအစား (ဖို့ကြိုးစား) အဖွဲ့အစည်းများအဘို့အအချို့သောသော့ချက်စာလုံးများကိုထုတ်တွက်ဆ (ဒါနဲ့ပတ်သက်ပြီးက IBM မှာအချို့သောလူများအတွက် "Almaden" နဲ့တူတစ်ခုခု?) may ။
အများအားဖြင့်, spam များကိုအစဉ်အမြဲ (သိသိသာသာ) ပုံမှန်မေးလ်ကနေမတူညီတဲ့ဖြစ်လိမ့်မည်သို့မဟုတ်ပါကသော်လည်း, spam များကိုလိမ့်မည်မဟုတ်ပေ။
The Bottom Line: Bayesian Filtering & # 39; s ကိုခွန်အားင်း၏အားနည်းချက် Be နိုင်သလား
Bayesian spam များကို filter များအကြောင်းအရာကို-based filter များနေသောခေါင်းစဉ်:
- အထူးသ Spam တွေကိုအဘို့လိုက်လျောညီထွေဖြစ်အောင်သူတို့ကိုအလွန်အမင်းထိရောက်သောနှင့်ခက်ခဲအောင်, တစ်ဦးချင်းစီကိုအီးမေးလ်အသုံးပြုသူရဲ့ spam များကိုနှင့်ကောင်းမွန်သောမေးလ်အသိအမှတ်ပြုရန်လေ့ကျင့်သင်ကြားလျက်ရှိသည်။
- အစဉ်မပြတ်အများကြီးကြိုးစားအားထုတ်မှုသို့မဟုတ်လက်စွဲစာအုပ်ခွဲခြမ်းစိတ်ဖြာမရှိဘဲ Spam တွေကို '' နောက်ဆုံးပေါ်လှည့်ကွက်လိုက်လျောညီထွေဖြစ်အောင်နိုင်ပါတယ်။
- အကောင့်ထဲသို့တဦးချင်းအသုံးပြုသူရဲ့ကောင်းသောမေးလ် ယူ. မမှန်သောလက္ခဏာတစ်ခုအလွန်နိမ့်မှုနှုန်းရှိသည်။
- ဒီ Bayesian Anti-spam များကို filter များအတွက်မျက်စိကန်းယုံကြည်မှုကိုဖြစ်ပေါ်စေလျှင်ကံမကောင်းစွာပဲ, က ပို. ပင်လေးနက်သည့်ရံဖန်ရံခါအမှားပြန်ဆို။ မှားယွင်းသောဆိုးကျိုး (အတိအကျပုံမှန်မေးလ်တူကြောင်းစပမ်း) ၏ဆန့်ကျင်ဘက်အကျိုးသက်ရောက်မှုကိုအသုံးပြုသူများအနှောင့်ယှက်ခြင်းနှင့်ဖျက်ဖို့အလားအလာရှိပါတယ်။