公开数据集文件说明

1. The Enron-Spam datasets (aueb.gr)

   • 基本信息说明
     • 英文邮件样本数据集
     • 样本分布开始时间: 1999-12-10
     • 样本分布结束时间: 2005-09-06
     • 正常邮件样本总数: 19088
     • 垃圾邮件样本总数: 32988
   • 目录结构说明
     • README.txt
     • pre-processed 适用于作者论文的已预处理的数据格式
       • enron1.tar
       • enron2.tar
       • enron3.tar
       • enron4.tar
       • enron5.tar
       • enron6.tar
     • raw 原始邮件数据格式
       • ham 正常邮件数据
         • beck-s.tgz 样本数: 1966
         • farmer-d.tgz 样本数: 3669
         • kaminski-v.tgz 样本数: 4363
         • kitchen-l.tgz 样本数: 4012
         • lokay-m.tgz 样本数: 2364
         • williams-w3.tgz 样本数: 2714
       • spam 垃圾邮件数据
         • BG.tgz 样本数:10000
         • GP.tgz 样本数:13719
         • SH.tgz 样本数:9269

2. 2006 TREC Public Spam Corpora

   • README.txt
   • trec06c.tgz
     • 基本信息说明
       • 中文邮件样本数据集
       • 样本分布结束时间: 2006 年以前
       • 正常邮件样本总数: 21766
       • 垃圾邮件样本总数: 42854
     • 目录结构说明
       • data 邮件样本数据
       • full 理想反馈中文样本索引
       • delay 延迟反馈中文样本索引
   • trec06p.tgz
     • 基本信息说明
       • 英文邮件样本数据集
       • 样本分布时间: 2006 年以前
       • 正常邮件样本总数: 12910
       • 垃圾邮件样本总数: 24912
     • 目录结构说明
       • data 邮件样本数据
       • full 理想反馈英文样本索引
       • ham25: full 索引的子集，包含 100%垃圾样本与 25%正常样本
       • ham50: full 索引的子集，包含 100%垃圾样本与 50%正常样本
       • spam25: full 索引的子集，包含 25%垃圾样本与 100%正常样本
       • spam50: full 索引的子集，包含 50%垃圾样本与 100%正常样本
       • full-delay 延迟反馈英文样本索引
       • ham25-delay
       • ham50-delay
       • spam25-delay
       • spam50-delay