- 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。
ex6.m %% Machine Learning Online Class % Exercise 6 | Support Vector Machines % % Instructions % ------------ % % This file contains code that helps you get started on the % exercise. You will need to complete the following functions: % % gau
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 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 ，也就是 Gmail 输入框的文本 LABEL_NAME 标记已读后需要移动到的分类名 测试运行 第一次运行会有 Google 应用的授权提示，允许即可。
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）
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.
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）
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. print(np.sum(np.array(test.isnull()==True), axis=0)) 填充完成，显示 sum = 0 [0 0 0 0] [0 0 0] y 标签 只有 0 不是垃圾邮件 ， 1 是垃圾邮件 print(train['spam'].unique()) [0 1] 2. 文本处理 邮件内容和主题合并为一个特征 X_train = train['subject'] + ' ' + train['email'] y_train = train['spam'] X_test
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 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）
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 config= # { # "exclusive_classes": True, # 排他的，二分类
1.4K10发布于 2021-02-19 - 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。 文件目录形式：delay和full分别是一种垃圾邮件过滤器的过滤机制，full目录下，是理想的邮件分类结果，我们可以视为研究的标签。
2.1K20编辑于 2022-03-03 - 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
generated/sklearn.feature_extraction.text.TfidfVectorizer.html LogisticRegression中文叫做逻辑回归模型___，是一种基础、常用的分类方法 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。 篇幅有限，本文作者只演示其中一篇邮件的内容。 通过查看多篇邮件的内容，发现邮件头和邮件内容以一个空行分隔。 在代码中找到第一个\n\n分隔成2段，第1段为邮件头，第2段为邮件内容。 ? 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。 893d622d1b5a 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 方法加载； 3.mailLabel_list.pickle文件是本文作者处理好的邮件标签文件，可以用pickle.load方法加载。 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。 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 - 来自专栏AI机器学习与深度学习算法
机器学习入门 8-8 模型泛化与岭回归
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节通过探讨模型过拟合的现象，提出岭回归这个模型正则化方式，最后通过实验对α取值与过拟合（拟合曲线）之间的关系进行探讨，随着α取值从小到大，拟合曲线从弯弯曲曲到逐渐平滑。
1.3K20发布于 2020-01-14 - 来自专栏企鹅号快讯
外国网友如何使用机器学习将邮件分类？其实很简单
AiTechYun 编辑：Yining 背景：一名叫做Anthony Dm.的外国网友试图利用机器学习将一堆未标记的电子邮件进行分类，以下是他对这次操作发表的文章内容。 在这种情况下，我想根据信件内容对邮件进行分类，这绝对是一个无监督的机器学习任务。 在数据中加载 我没有在所有的50万封电子邮件中加载，而是将数据集分成了几个文件，每个文件都有1万封电子邮件。 我创建了一个KMeans分类器，它有3种聚类和100次迭代。 KMeans(n_clusters=n_clusters, max_iter=100, init='k-means++', n_init=1)labels = clf.fit_predict(X) 在训练了分类器之后 现在，我对那些聚类的邮件有了一些见解，现在是时候进一步进行我的研究了。 找到相关邮件 在发现了最流行的术语和最令人兴奋的邮件之后，我正在寻找一种方法来进一步分组与特定关键字相关的邮件。
1.7K80发布于 2018-02-07 - 来自专栏全栈技术
使用Python实现一个简单的垃圾邮件分类器
随着电子邮件的广泛使用，垃圾邮件也日益增多，对用户造成了很大的困扰。因此，开发一个能够自动分类和过滤垃圾邮件的程序就显得非常重要。 本篇文章将介绍如何使用Python实现一个简单的垃圾邮件分类器，帮助您更好地管理自己的电子邮件。 在完成数据预处理后，我们可以开始训练我们的垃圾邮件分类器。 测试分类器 在完成训练后，我们可以使用测试集来测试我们的垃圾邮件分类器。 通过计算准确率、精确率、召回率和F1分数，我们发现分类器的表现很好，可以有效地识别垃圾邮件。这个简单的垃圾邮件分类器可以为您的电子邮件管理提供帮助，让您更加高效地处理邮件。
1.3K11编辑于 2023-04-21 - 来自专栏ShowMeAI研究中心
AI 结合邮件内容与附件的意图理解与分类！⛵
在AI的视角我们可以通过电子邮件的意图分类来尝试解决这个问题。信息提取。根据确定的意图，提取一些信息给到下游流程，例如在CRM系统中记录客户案例进行跟踪。 』来处理，但在我们当前场景下，有可能邮件覆盖多个意图目的，或者本身意图之间有重叠，因此我们先将其视为多标签分类问题。 然而，在许多现实生活场景中，多标签分类系统可能会遇到一些问题：电子邮件在大多数情况下是关于一个主要意图，有时它们具有次要意图，在极少数情况下还有第三个意图。很难找到涵盖所有多标签组合的标签数据。 以下是为给定电子邮件生成附件向量化表征的代码示例：# DC是文档分类器distributions = []for attachment in attachments: current_distribution 大家在类似的场景问题下，还可以尝试不同的正文预处理和附件分类模型，观察效果变化。其余的一些改进点包括，对于预估不那么肯定（概率偏低）的邮件样本，推送人工审核分类，会有更好的效果。
2K51编辑于 2022-11-18 - 来自专栏全栈程序员必看
jenkins 邮件_邮件发送协议邮件接收协议
，安装Email Extension Plugin插件 测试你的邮箱 jenkins首页-系统管理-系统配置页面，先配置系统管路员邮箱地址，也就是发件人的地址 测试邮箱的配置是否能发送邮件 Extended E-mail Notification配置 上一步是jenkins系统自带的邮件功能，功能比较少，接着使用Email Extension Plugin插件，前面配置跟上面一步差不多 Default Content Type 邮件的类型使用HTML 格式 Default Recipients 是默认的收件人 接着配置邮件的模板内容，也就是这个Email邮件的高级内容 Default Subject 邮件的主题，一般不用改 Default Content 邮件的正文内容，html格式，内容如下 <! job，配置里面添加构建后的操作 接着添加触发机制：always是不管构建成功还是失败都会发邮件 触发器里面可以配置当前job指定的收件人，也可以勾选添加日志到邮箱 查收邮件
3.2K10编辑于 2022-09-20
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