樸素貝葉斯算法在垃圾郵件過濾中的應用

由於近期在寫一篇關於大數據分類的論文（吐槽一下：導師每天催），因此在圖書館借了幾本有關大數據的書籍。今天看《New Internet 大數據挖掘》（感興趣的可以看一下）中提到垃圾郵件過濾，讓我聯想到昨天在1280社區看到一道名企面試題，「在遊戲實時交流中，怎麼過濾那些廣告？」。當時想到的是關鍵詞過濾。也沒細想。

事實上垃圾郵件過濾跟廣告過濾是一種，使用最多的是樸素貝葉斯算法。

貝葉斯定理是關於隨機事件A和B的條件機率（或邊緣機率）的一則定理。

（參見維基百科http://zh.wikipedia.org/wiki/%E8%B4%9D%E5%8F%B6%E6%96%AF%E5%AE%9A%E7%90%86）

經過對大量已經斷定的垃圾郵件和正常郵件進行學習，依據兩種郵件中一樣詞語出現的機率對照來肯定垃圾郵件的可能性。

長處是準確率高。缺點是需要大量的歷史數據。