随着电子邮件应用越来越普遍,垃圾邮件问题已经有愈演愈烈之势,严重地影响了电子邮件的正常使用。因此,垃圾邮件过滤技术的研究有着十分重要的实用价值。近年来,基于机器学习方法自动构建个性化的过滤模型已经成为垃圾邮件过滤研究重点之一。运用机器学习方法,也就是预先人工判定邮件的类别,将垃圾邮件过滤当作文本分类的一个分支来处理。因为训练过程中同时使用了正常邮件和垃圾邮件的特征,所以最终生成的过滤器可以自适应不同用户的邮件分布。许多机器学习方法已经应用到了垃圾邮件过滤领域,取得了较为满意的结果,但由于每封邮件中的词很少,对大量邮件进行处理时很容易产生高维的特征空间,而其中大部分词出现的次数很少,从而会产生严重的数据稀疏性;同时,邮件中经常出现同义词或者近义词,而且很多邮件的内容非常类似,因此在邮件的内容之间容易出现严重的多重相关性。针对这些问题,本文提出一种基于偏最小二乘(PLS)的特征抽取方法。新方法的基本思想是:通过分析邮件原始特征与对应类别之间的关系求解二者之间协方差的最大化问题。对高维的原始特征进行多次线性组合的迭代处理,并用偏最小二乘回归函数进行拟合,分别提取出最能反映原高维数据的特征向量组合,从而达到降低特征维数和克服多重相关性的目的。然后应用交叉有效性算法得到最佳的特征维数后用提取出的向量构造新的向量空间。本文采用CEAS 2006的基准数据集——Enron-Spam数据集进行了过滤实验,并与目前常用的χ2特征选择方法进行了对比实验,实验结果表明,新方法在较低维数上可以获得良好的邮件过滤性能,是一个可行而有效的邮件过滤方法。本文的主要创新点如下:1.将偏最小二乘特征抽取方法应用于邮件过滤领域,有效地解决了邮件数据中普遍存在的高维数、数据稀疏性和多重相关性问题;2.采用交叉有效性算法来确定抽取出的特征维数,提高了模型效率。