- 综合排序
- 最热优先
- 最新优先
- 来自专栏深蓝居
使用Outlook对邮件进行分类
我加入了公司的一个技术讨论组，结果每天差不多就有100来封邮件，相比以前我每天也就是几封而已。邮件太多了就有点看不过来，接下来遇到的问题就是我们部门的邮件些容易被淹没在讨论组100多封的邮件中。 所以我希望能够系统自动将邮件分组，所有收件人地址为讨论组的邮件自动转移到另外一个文件夹中。 我相信Outlook应该有这个功能，但是一直不知道怎么设，我也问过几个同事，他们都不知道。 直到前天在办公室看到梁振的邮件分成了很多个文件夹，我就知道他肯定知道怎么设置。果然，梁振就是强，对微软的产品十分熟悉，两三下帮我搞定了。 运行后邮件完全通过规则分开了，部门的邮件就不会被大量的讨论组的邮件给淹没了。如图：
3.1K10编辑于 2022-06-16 - 来自专栏图像处理与模式识别研究所
基于支持向量机的电子邮件垃圾邮件分类。
\n'); pause; %% ========== Part 5: Training SVM with RBF Kernel (Dataset 2) ========== % After you
79230编辑于 2022-05-28 - 来自专栏HHTjim'S 部落格
利用 LLM 自动分类Gmail邮件汇总
利用 LLM 自动分类Gmail邮件汇总 作者：matrix 被围观: 14 次 发布时间：2025-04-30 分类：零零星星 | 无评论 » 我邮箱订阅了很多博客或者 dev 相关的通知， 但又不想退订 咋整 有邮件汇总服务就完美了，能自动分类和汇总, 标记已读和label。 = "[script.google]AI汇总" //汇总的分类名 const MAX_EMAILS_PER_BATCH = 5; // 每次最多汇总邮件数 5 const MAX_EMAILS_BATCH Logger.log("无内容: " + matches); return ; } sendSummaryEmail(matches[1]); // 5. 标记邮件为特定分类（标签） limitedThreads.forEach(thread => { // 获取或创建标签 const labelName = LABEL_NAME
77000编辑于 2025-05-01 - 来自专栏Michael阿明学习之路
SpamHam Email Classification 垃圾邮件分类（BERT）
定义模型 5. 训练 6. 提交测试结果 练习地址：https://www.kaggle.com/c/ds100fa19 相关博文： [Kaggle] Spam/Ham Email Classification 垃圾邮件分类（ spacy） [Kaggle] Spam/Ham Email Classification 垃圾邮件分类（RNN/GRU/LSTM） 本文使用 huggingface 上的预训练模型，在预训练模型的基础上 ，使用垃圾邮件数据集，进行训练 finetune，在kaggle提交测试结果 本文代码参考了《自然语言处理动手学Bert文本分类》 1. decay = 0.01 num_epochs = 5 early_stop_time = 2000 batch_size = 32 save_path = ".
2.1K20发布于 2021-02-19 - 来自专栏Michael阿明学习之路
SpamHam Email Classification 垃圾邮件分类（RNNGRULSTM）
训练 5. 测试 练习地址：https://www.kaggle.com/c/ds100fa19 相关博文 [Kaggle] Spam/Ham Email Classification 垃圾邮件分类（spacy ） [Kaggle] Spam/Ham Email Classification 垃圾邮件分类（BERT） 1. ， 1 是垃圾邮件 print(train['spam'].unique()) [0 1] 2. 5.
99920发布于 2021-02-19 - 来自专栏foochane
词嵌入+神经网络进行邮件分类
1 问题描述 问题：邮件分类问题（Email classification） 任务：将邮件分为两类(spam or ham) 数据集：https://www.kaggle.com/uciml/sms-spam-collection-dataset 1") data.columns Index(['v1', 'v2', 'Unnamed: 2', 'Unnamed: 3', 'Unnamed: 4'], dtype='object') # 查看前5行数据 activation='relu')) model.add(MaxPooling1D(5)) model.add(Dropout(0.5)) model.add(BatchNormalization ()) model.add(Conv1D(128, 5, activation='relu')) model.add(MaxPooling1D(5)) model.add(Dropout(0.5)) 0.92 150 avg / total 0.98 0.98 0.98 1115 文章来源: foochane Blog：词嵌入+神经网络进行邮件分类
68920发布于 2019-05-23 - 来自专栏Michael阿明学习之路
SpamHam Email Classification 垃圾邮件分类（spacy）
训练 5. 预测 练习地址：https://www.kaggle.com/c/ds100fa19 相关博文： [Kaggle] Spam/Ham Email Classification 垃圾邮件分类（RNN/ GRU/LSTM） [Kaggle] Spam/Ham Email Classification 垃圾邮件分类（BERT） 1. 特征组合 对邮件的主题和内容进行组合 + 处理标签 train['all'] = train['subject']+train['email'] train['label'] = [{"spam": bool Accuracy: 0.987 Loss: 0.014 Accuracy: 0.990 Loss: 0.007 Accuracy: 0.990 Loss: 0.043 Accuracy: 0.990 5.
1.4K10发布于 2021-02-19 - 来自专栏米扑专栏
Python 学习入门（5）—— 发送邮件
邮件格式 (RFC 2822) 每封邮件都有两个部分：邮件头和邮件体，两者使用一个空行分隔。 邮件头每个字段 (Field) 包括两部分：字段名和字段值，两者使用冒号分隔。 From字段指明的是邮件的作者，Sender字段指明的是邮件的发送者。 邮件体包含邮件的内容，它的类型由邮件头的Content-Type字段指明。RFC 2822定义的邮件格式中，邮件体只是单纯的ASCII编码的字符序列。 我们知道邮件一般由标题，发信人，收件人，邮件内容，附件等构成，发送邮件的时候，要注意msg的格式。这个格式就是smtp协议中定义的格式。 . error: " + str(ex)) if __name__ == "__main__": attaches = [] for i in range(5)
94560发布于 2019-02-19 - 来自专栏人工智能头条
机器学习做中文邮件内容分类，准确识别垃圾邮件，真香！
但是不管是企业内部工作邮箱，还是个人邮箱，总是收到各种各样的垃圾邮件，包括商家的广告、打折促销信息、澳门博彩邮件、理财推广信息等等，不管如何进行垃圾邮件分类，总有漏网之鱼。 因此打算针对同一数据集，逐步尝试各种方法，来进行垃圾邮件的识别分类——希望假以时日，这种定制化的垃圾邮件识别工具能大幅提升用户的邮箱使用体验。 因此我们依次对上述要素进行分析： 垃圾邮件内容分类（通过提取垃圾邮件内容进行判断） 中文垃圾邮件分类 英文垃圾邮件分类 垃圾邮件标题分类 垃圾邮件发送方分类 最终，我们可以根据这三个维度进行综合评判，从而实现垃圾邮件的准确分类 本文将根据邮件内容进行垃圾邮件分类。 中文邮件内容分类实现步骤 1、数据集介绍首先我们选择TREC 2006 Spam Track Public Corpora这一个公开的垃圾邮件语料库。 writer.writerow([emlContent[0],emlContent[1],emlContent[2],emlContent[3],emlContent[4],emlContent[5]
2.1K20编辑于 2022-03-03 - 来自专栏云计算运维
zabbix 5系列之邮件告警
1.1 自动邮件报警： 1.1.1 设置报警邮箱： 设置报警邮箱媒介（邮件的发送者）。 image.png image.png image.png 1.1.2 为监控负责人绑定媒介： 点击管理-->用户-->报警媒介： image.png image.png image.png 至此邮件告警配置完毕 除了邮件告警还有微信告警，钉钉告警，都是非常方便的。
37920发布于 2021-08-24 - 来自专栏机器学习AI算法工程
python实现朴素贝叶斯模型:文本分类+垃圾邮件分类
三 实战1 -文本分类（应用过滤恶意留言等） 下面是二分类问题，文档只能属于0和1两个类别， 1 载入数据集：6条文本及它们各自的类别，这6条文本作为训练集。 ? 5 分类：根据计算后，哪个类别的概率大，则属于哪个类别。 ? 改进方法：采用词袋模型，见下面垃圾邮件分类实战。 四 实战2-垃圾邮件分类 1 对邮件的文本划分成词汇，长度小于2的默认为不是词汇，过滤掉即可。返回一串小写的拆分后的邮件信息。 3 输入为25封正常邮件和25封垃圾邮件。50封邮件中随机选取10封作为测试样本，剩余40封作为训练样本。 训练模型：40封训练样本，训练出先验概率和条件概率； 测试模型：遍历10个测试样本，计算垃圾邮件分类的正确率。 ?
2.8K71发布于 2018-03-14 - 来自专栏拓端tecdat
weka文本挖掘分析垃圾邮件分类模型
WEKA文本分词预处理 首先对于训练集文件夹中的两类邮件文档进行分析，可从不同角度自动化分析两类文件特征，编写算法，构建分类模型。 首先设置工作目录，并且读取分类后的文本文件 可以看到垃圾邮件和非垃圾邮件的频数直方图 ? ? 然后对得到的原始语料进行分词处理 得到词频矩阵文件 ? 得到各个词频的分类直方图 ? 得到词频矩阵后 对数据进行分类器的建模 2. 找出区分positive和negative的分类规则（即哪些词在一起出现的时候会导致分类器判断的结果为positive，哪些词在一起出现的时候会导致分类器判断的结果为negative） 从结果可以看出cell WEKA文本分词结果比较 下面得到每个分类器的准确度和混淆矩阵： NaiveBayes 结语 基于判别方法的垃圾邮件过滤在现代研究中引起比较少的关注 ，结果很清楚地表明,基于随机森林、SVM模型的分类方法相对于传统的方法
1K21发布于 2020-09-23 - 来自专栏简书专栏
基于jieba、TfidfVectorizer、LogisticRegression的垃圾邮件分类
0.打开jupyter 在桌面新建文件夹命名为基于TfidfVectorizer的垃圾分类，如下图所示: ? image.png 打开基于TfidfVectorizer的垃圾邮件分类文件夹，在按住Shift键的情况下，点击鼠标右键，出现如下图所示。 image.png 1.数据下载 数据文件下载链接: https://pan.baidu.com/s/1kqOFq8Ou_2D3fIKp0l62qQ 提取码: eu5x 压缩文件trec06c.zip cross_val_score from sklearn.model_selection import ShuffleSplit cv_split = ShuffleSplit(n_splits=5) 最后在全部样本的f1-score指标为0.98，总体来说这个分类模型较优秀，能够投入实际应用。
1.6K20发布于 2018-10-09 - 来自专栏小白程序猿
thinkphp5使用PHPMailer发送邮件
PHPMailer是一个用于发送电子邮件的PHP函数包。直接用PHP就可以发送，无需搭建复杂的Email服务。今天来说一下如何在thinkphp框架中使用此扩展类。 SMTP服务器 *.支持带附件的邮件和Html格式的邮件 *.自定义邮件头 *.支持在邮件中嵌入图片 *.调试灵活 *.经测试兼容的SMTP服务器包括：Sendmail,qmail,Postfix,Imail $mail->CharSet='utf-8'; //设置邮件编码 $mail->Subject ='*******'; //邮件主题 $mail->Body = '********'; //邮件内容 $mail->AltBody = ""; //邮件正文不支持HTML的备用显示 $res = $mail->Send(); /xy.zip'); 5、发送附件并且重命名 $mail->addAttachment('..
2.1K10发布于 2019-12-27 - 来自专栏玩转JavaEE
Spring Boot 邮件发送的 5 种姿势！
看看使用 Spring Boot 发送邮件的 5 中姿势。 邮件基础 我们经常会听到各种各样的邮件协议，比如 SMTP、POP3、IMAP ，那么这些协议有什么作用，有什么区别？ 这三个步骤可以分别对应我们的邮件发送过程，假设从 aaa@qq.com 发送邮件到 111@163.com ： aaa@qq.com 先将邮件投递到腾讯的邮件服务器 腾讯的邮件服务器将我们的邮件投递到网易的邮件服务器 当邮件到达网易的 SMTP 服务器之后， 111@163.com 用户需要登录服务器查看邮件，这个时候就该协议就用上了：邮件服务商都会为每一个用户提供专门的邮件存储空间，SMTP 服务器收到邮件之后，就将邮件保存到相应用户的邮件存储空间中 做完如上两步，邮件发送的准备工作就算是完成了，接下来就可以直接发送邮件了。 具体的发送，有 5 种不同的方式，我们一个一个来看。 好了，这就是我们今天说的 5 种邮件发送姿势，不知道你掌握了没有呢？ 本文案例已经上传到 GitHub：https://github.com/lenve/javaboy-code-samples。
78240发布于 2019-07-23 - 来自专栏岑志军的专栏
HTML5-css样式分类
行内样式 <body>
121221323231221121221323231221<div style="font-size: 30px; color: red; bac2.1K50发布于 2018-05-28 - 来自专栏简书专栏
基于tensorflow+CNN的垃圾邮件文本分类
文本分类是NLP（自然语言处理）的经典任务。 3.下载并解压数据集 数据集下载链接: https://pan.baidu.com/s/10QtokJ8_tkK6I3GifalxWg 提取码: uytb 压缩文件CNN垃圾邮件分类中有3个文件，如下图所示 数据集中共有2种分类：垃圾邮件用spam表示，正常邮件用ham表示。 垃圾邮件样本40000多条，正常邮件样本20000多条，样本总共60000多条。 5.编写类TextClassification 认为编写类有困难，可以先阅读本文作者的另外一篇文章《基于tensorflow+CNN的新浪新闻文本分类》，链接：https://www.jianshu.com 2.分类模型的评估指标F1score为0.994左右，总体来说这个分类模型很优秀，能够投入实际应用。
2.1K30发布于 2018-10-18 2026实战指南：怎么配置 OpenClaw 自动分类过滤垃圾邮件，并把重要邮件转成日历日程？
每天早上打开邮箱，几十封未读邮件扑面而来——客户询价、会议邀请、系统通知混在一起。光是分类就得花半小时，转头发现日历里三个会议时间冲突，又得挨个发邮件重新协调。 本文将手把手教你如何部署 OpenClaw，实现自动清洗垃圾邮件并将重要邮件转为日历日程。 基础设施选型：为什么不用 AWS 而选轻量应用服务器？ 我只是想部署个邮件管理工具，不是搭建生产级分布式系统。 进阶配置：实现自动分类与日历转换 部署成功后，访问 http://<服务器公网IP>:8080 完成首次授权。接下来是 OpenClaw 的核心——规则配置。 重要邮件转日历日程 这是 OpenClaw 最具生产力的功能。它能识别邮件中的时间语义，自动在 Outlook/Google Calendar 创建日程。
1.4K10编辑于 2026-03-06- 来自专栏机器学习与统计学
数据挖掘实例：朴素贝叶斯分类器进行垃圾邮件过滤
可以在任意的分类场景中使用朴素贝叶斯分类器，不一定非要是文本 文本分类 准备数据：从文本中构建词向量 将文本看成单词向量或词条向量，也就是说把句子转换为向量。 if word in vocabList: returnVec[vocabList.index(word)] += 1 return returnVec 示例：电子邮件垃圾过滤 the', 'best', 'book', 'on', 'python', 'or', 'm', 'l', 'i', 'have', 'ever', 'laid', 'eyes', 'upon'] 切分邮件 并转换为小写 return [tok.lower() for tok in listOfTokens if len(tok) > 2]def spamTest(): ''' 贝叶斯分类器对垃圾邮件进行自动化处理 这里出现的错误是将垃圾邮件误判为了正常邮件。
1.8K40发布于 2019-04-10 - 来自专栏数据指象
筑墙：基于朴素贝叶斯的垃圾邮件分类实践
使用sklearn包下的朴素贝叶斯算法，它包含三种模型——高斯模型、多项式模型和伯努利模型， 本文将使用贝叶斯多项式模型类来解决英文邮件分类的问题。 实践步骤： 数据集：数据来自 Spam Mails Dataset kaggle，其中正常邮件标记为ham/0，垃圾邮件为spam/1 导入包： import nltk import numpy as ，故将先单词替换为小写 使用停用词，邮件中出现的you、me、be等单词对分类没有影响，故可以将其禁用。 return token new_data['text'] = new_data['text'].apply(text_process) 现在我们得到了一个比较干净的数据集： 训练集与测试集：训练集中的垃圾邮件与正常邮件的数量分布 ham_train = train[train['label_num'] == 0] # 正常邮件 spam_train = train[train['label_num'] == 1] # 垃圾邮件
64110编辑于 2024-11-23
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号