Abstract
Spam ist ein Problem, welches es seit der Kommunikation über das Internet gibt. Es beschreibt das Erhalten unerwünschter Nachrichten in oftmals hoher Menge. Spam macht heutzutage einen großen Teil des weltweiten E-Mail-Verkehrs aus. Unternehmen und Privatpersonen können geschadet werden, indem enthaltene Links Personen fehlleiten und sie finanziell schaden oder private Informationen stehlen können.
Diese Thesis behandelt das Problem von Spam im E-Mail-Kontext. Dabei werden verschiedene Verfahren analysiert, die basierend auf dem Nachrichteninhalt E-Mails als Spam detektieren können. Dabei werden Bayes-Klassifikatoren näher betrachtet und in einem Test bewertet. Es wird ein Datensatz an Spam und Nicht-Spam angelegt, welcher genutzt wird, um Bayes-Verfahren (welche auf maschinellem Lernen aufbauen) anzulernen. Außerdem werden verschiedene Optimierungsansätze eingebaut, deren Einfluss auf den Spamfilter untersucht werden. Als Ansätze wird die Stoppwort-Filterung, die Floating Point Underflow (FPU)-Anpassung und die Tokenisierung gewählt.
Nach Durchführung der Tests zeigt sich, dass sowohl die Stoppwort-Filterung, als auch die FPU-Anpassung einen positiven Einfluss auf die Qualität der Klassifikation haben. Ihr Einsatz erhöht die Rate an richtig als Spam erkannten Nachrichten und erhöht die Wahrscheinlichkeit, dass als Nicht-Spam identifizierte Nachrichten auch tatsächlich nicht Spam sind, signifikant. Die Tokenisierung hingegen kann keine zufriedenstellende Leistungssteigerung hervorbringen, wobei dies auf die Definition der Tokenisierungsregeln zurückzuführen und nicht für alle Regeln allgemeingültig ist.
Es zeigt sich, wie wichtig ein gut gewählter Datensatz für die Leistung des Spamfilters ist. Ein großer Datensatz mit hoher Informationsdichte und einer Vielzahl an Datenquellen ist wichtig für den produktiven Einsatz eines Bayesschen Spamfilters.