易用且有效的中文垃圾信息过滤工具

用途

可为帖子、邮件、博客等提供中文垃圾信息过滤服务，开发人员提供训练数据即可生成自己所需的过滤模型，已被业界多个公司使用

特点

• 准确性高 ：离线测试真实垃圾帖，垃圾信息过滤准确率在90%以上；在线测试真实垃圾帖，指标在80%以上；
• 实时性好 ：可提供实时的垃圾信息过滤服务；
• 模型可自动更新：支持自动更新模型，增加模型的有效性。

依赖

使用前需安装必要的python库，包括 jieba，flask

pip install -r requirements.txt

使用方法

1. 准备两份垃圾信息的文档，一份为正常的信息，一份为垃圾信息，每一行为一条数据，如本项目内的 ham.txt 与 spam.txt

   注: 正负样本数量最好各大于1000

2. 运行数据准备程序 createTrainAndTestData.py，生成训练与测试数据 示例: python createTrainAndTestData.py 运行完毕后，会生成 trainPos.txt、trainNeg.txt、testPos.txt、testNeg.txt,分别对应训练正样本、训练负样本、测试正样本、测试负样本

3. 运行训练测试程序 filter.py 示例: python filter.py 该程序首先会利用上步得到的训练样本训练出垃圾信息过滤的模型，然后对上步得到的测试样本进行测试并打印测试结果 其中tar为正确接受率，及正样本测试正确率，trr为错误拒绝率，即负样本测试正确率，accuracy为整体正确率 运行一次后，程序将模型保存为pickle文件，下次会直接从该文件中读取模型

   特别提示: filter.py程序最后的single judge为调用示例

4. 运行 restful api 主程序 mainApi.py 示例: python mainApi.py 该程序首先会调用 filterApi.py 程序，为垃圾信息过滤提供网络接口服务，采用默认的网络接口时，会开启 resuful api 服务，此时调用示例为：

   curl 'http://0.0.0.0:5060/api/spamfilter?query=赚钱test宝妈tes日赚学生兼职*.@打字员'

   当 query 的信息为垃圾信息时，返回 {"spam": "True"}；反之，返回 {"spam": "False"}

5. 考虑到实际使用过程中，需要模型进行自动更新，因此 autorefresh.py 为垃圾信息的自动更新示例 示例: python autorefresh.py

   1. 当模型错误的将某个正常信息当做垃圾信息时，对于大多数垃圾信息过滤服务而言，问题较为严重，因此，示例中分两步

      f.Algorithm.discover(FalseRejectstr, True) --- 将该信息从垃圾信息的统计分布取出
      f.Algorithm.cover(FalseRejectstr, False) --- 将该信息加入正常信息的统计分布

   2. 当模型错误的将某个垃圾信息当做正常信时，问题严重性较低，因此，只做一步

      f.Algorithm.cover(FalseAcceptstr, True) --- 将该信息加入垃圾信息的统计分布

   注: True表示信息为垃圾信息，False则相反 实际使用过程中，上述两个步骤可根据实际需求自由修改，开发人员可设计程序与数据库对接，实现模型的自动更新

6. config.py 中存放了若干程序参数，使用过程中可自由配置，各参数说明如下：

   'bind_addr': '0.0.0.0',   #服务绑定地址
   'bind_port': 5080,        #服务绑定端口
   'threshold': 83,                          #过滤阈值
   'stopwords_file':'stopwords_common.txt',  #停止词文件
   'classify_model':'filter.pickle',         #过滤模型
   'ham_file':'ham.txt',                     #正常信息
   'spam_file':'spam.txt',                   #垃圾信息
   'train_rate':0.5                          #正常、垃圾信息中用于训练的信息比例（范围0到1）

效果统计

1. 测试效果: tar = 99.49%, trr = 93.48%, accuracy = 97.61%
2. 线上效果: 经有赞线上效果统计，10.10 - 10.16日一个星期内，对于有赞bbs后台拦截统计，共拦截到垃圾帖子289，其中误拦截为9，漏拦截为43

声明

本工具内所有数据与指标统计皆基于有赞BBS后台真实数据