Algoritmy třídění e-mail korespondence ve velkých informačních systémech

Bc. Mikhail Zverev

Bachelor's thesis

Sorting e-mail messages algorithms in bulk email informaiton systems

Abstract:

Bakalářská práce je venovaná algoritmum třídění e-mailové korespondence a třídění textových zpráv. V textu bakalařského projektu jsou popsané různé metody, které umožnují podle obsahu textu správně identifikovat a klasifikovat zprávu, což umožnujě zvolit správné nástroje pro další práci. Hlavním nástrojem je Bayesův naivní klasifikátor, který je adaptovan pro textové zprávý. Jsou popsané alternativní způsoby a nástroje pro třídění e-mailových zpráv jako e-mailová autentifikace a programovací jazyk Sieve. Zároveň bakalářská práce obsahuje ukázkový program a pokus pochopit složitější metodiky třídění textu. Základem je matematická báze statistických metod, což výrazně usnadňuje pochopení celkového mechanizmu práce třídících aplikaci.

Abstract:

The bachelor project is dedicated to the algorithms of e-mail sorting and classification of text messages. Within the scope of the bachelor project diverse methods have been described, which makes it possible according to the content of a message correctly identify and classify the text. This may lead to the selection of the correct instruments to work on the message. The main instrument is the Bayes naïve classifier, which has been adapted for text filtering. As well the alternative methods have been mentioned such as e-mail authentication plus programming language Sieve. Also the bachelor project contains demo-program plus attempt to understand the further and more complicated technologies. The project is based on mathematical statistics what makes it easier to understand the entire mechanism the sorting applications work.

Keywords

Třídění, zprává, filtrace, algoritmus, Bayesov klasifikátor, Sieve, POPFile, statistika, IP adresa, pravděpodobnost, spam, Ada Boost, χ2 (chí kvadrát), CRM114, token, Unicode, fronta, porozumění textu, e-mail, skupina, Classification, message, filtration, algorithm, Bayes classifier, statistics, IP address, probability, χ2 (chi square distribution), queue, text understanding, group.

Language used: Czech

Date on which the thesis was submitted / produced: 14. 4. 2011

Thesis defence

• Date of defence: 14. 6. 2011
• Supervisor: RNDr. Jan Lánský, Ph.D.
• Reader: doc. RNDr. Ondřej Čepek, Ph.D.

University of Finance and Administration

Bachelor programme / field:
Informatics / Applied Informatics