機器學習演算法是垃圾郵件過濾器背後的無名英雄，勤奮地在我們的收件匣中翻找，把垃圾擋在門外。它們的做法是分析郵件資料中的模式，學著分辨正常郵件與垃圾郵件。以下是簡化的運作說明：
1. 訓練模型：
- 資料蒐集： 垃圾郵件過濾器是在龐大的郵件資料集上訓練的，這些郵件會被仔細標註為「spam（垃圾郵件）」或「ham（正常郵件）」。資料來自使用者回報、垃圾郵件陷阱（spam traps）以及既有資料庫等各種來源。
- 特徵擷取： 演算法會分析郵件中有助於辨識垃圾郵件的特定特徵。這些特徵可能包括：
- 字詞頻率： 垃圾郵件通常會較頻繁出現某些字詞，例如「free」、「money」、「offer」或「urgent」。
- 文法與拼字： 垃圾郵件可能有糟糕的文法、拼字錯誤以及過度使用大寫。
- 連結分析： 出現可疑連結，尤其是縮短網址或含有異常字元的網域，是明顯的警訊。
- 寄件者資訊： 寄件者的電子郵件地址、網域與信譽都會被納入分析。
- 建立模型： 演算法從已標註的資料中學習，建立一個能根據郵件特徵預測新郵件是垃圾郵件或正常郵件的模型。
2. 偵測垃圾郵件：
- 郵件分析： 當你收到新郵件時，過濾器會用訓練好的模型分析郵件內容與特徵。
- 垃圾郵件分數： 演算法會依據郵件是垃圾郵件的機率計算出一個「垃圾郵件分數（spam score）」。
- 過濾： 分數高的郵件會被移到垃圾郵件匣，或直接被封鎖。
3. 持續學習：
垃圾郵件過濾器不是靜態的。隨著垃圾郵件寄送者不斷改變手法，過濾器也持續學習與調整。這種動態學習有助於過濾器領先一步，並隨時間提升準確度。
4. 常見的機器學習演算法：
- Naive Bayes（樸素貝氏）： 這個演算法根據郵件中字詞出現的頻率，計算郵件為垃圾郵件的機率。
- Support Vector Machines（SVM，支援向量機）： SVM 嘗試找出一條邊界，依據特徵把垃圾郵件與正常郵件分開。
- Neural Networks（神經網路）： 這類演算法較為複雜，能學習資料中錯綜複雜的模式，對於偵測手法高明的垃圾郵件相當強大。
參考資料
- Spam Filtering Techniques: A Survey（垃圾郵件過濾技術：綜述）
- Email Spam Filtering: A Machine Learning Approach（電子郵件垃圾郵件過濾：機器學習方法）
- Spam Detection Using Machine Learning – Towards Data Science（使用機器學習偵測垃圾郵件－Towards Data Science）
延伸閱讀
- 垃圾郵件有哪些不同的類型？
- 垃圾郵件寄送者如何試圖繞過垃圾郵件過濾器？
- 使用機器學習演算法偵測垃圾郵件有哪些優缺點？
- 垃圾郵件過濾器如何處理那些帶有類似垃圾郵件特徵的「合法」郵件（例如促銷或行銷郵件）？
- 垃圾郵件過濾在倫理上有哪些值得考量的面向？