上文说到了用黑名单来过滤SPAM。但这方法一是比较累人，二是它没法面对未知的情况。因此在LT 0.5中，我把目光投向了在“机器学习（machine learning）”领域广泛使用的Bayesian算法。

Bayesian算法简介

简单地说，Bayesian算法（这里特指与Naive Bayes classifier有关的算法）就是根据对某一类事物以往的经验，来判断未知事物所属类别的方法。比如你目前收到两条留言，一条内容为“free poker game”，你告诉Bayesian算法说这是SPAM，另一条内容为“nice to meet you”，你告诉Bayesian算法说这是HAM（正常留言）。当第三条留言的内容为“free internet game”时，根据Bayesian概率公式，此留言是SPAM的概率高达88%。

Bayesian算法最大的优点在于它是可以自我学习的。你告诉它的越多，它对新留言分类的准确度也就越高。这就好像一个人的成长过程一样，小的时候经常做错事，随着年龄增长，心智逐渐变得成熟，也就很少犯错误了。

从真实的数据统计看效果

Bayesian算法的效果到底如何呢？我们来看一个真实的数据统计。

在LT 0.4.4以前，我主要依靠隐藏表单域和黑名单来过滤SPAM。从2009年1月1日至2009年1月15日，LT共拦截SPAM 361 条，漏掉 12 条（其中有8条内容一模一样），拦截成功率约为96.68%。

从LT 0.4.4开始，联合使用隐藏表单域、黑名单和Bayesian算法来过滤SPAM。在开始过滤前，我先教了Bayesian算法 368 条留言，其中HAM 299 条，SPAM69 条。从2009年1月25日至2009年2月8日，我blog共收到HAM 30 条，SPAM 604 条，LT除将 1 条SPAM误判为HAM外，其余的 633 条留言全部正常归类！拦截成功率达到了约99.83%！

可以说，自从使用了Bayesian算法以后，我再也没为SPAM操心过。

Bayesian算法的其它应用

除了过滤SPAM外，Bayesian算法的应用非常广泛（Wikipedia上的应用列表），比如这个和Ditto驴对话的程序就很好玩－访客输入的每一句话都会进入Ditto的数据库，Ditto根据已有的数据去匹配你发言的内容，并做出相应的反应。你和它说好听的话，它会显得很高兴，反之当然就伤心。

说了句好话，Ditto开心的笑了！

骂了Ditto一句，它有点伤心了……

---

1. suchasplus @ 2009-02-11 23:13:27 +0800:

   直接说贝叶斯算法好了...
   害我歪头想了一下...

   关于贝叶斯算法，推荐一下这篇文章:
   http://mindhacks.cn/2008/09/21/the-magical-bayesian-method/

2. 丁宇 @ 2009-02-13 03:46:29 +0800:

   真是一篇非常好的文章，收藏了。

3. fei @ 2009-02-16 05:02:38 +0800:

   对这个算法感上兴趣了。。
   但是。
   我想起了akismet和mollom..
   自学习，自学习系统。

4. willin @ 2009-03-04 02:23:09 +0800:

   Bayesian算法是學習型的, 資料庫必然越來越大, 到後來不是會影響速度嗎?

5. fei @ 2009-03-04 02:34:40 +0800:

   评论并不一定追求即时的给显示出来吧。 适当的延后和cache机制是完全可以接受的。
   而且我觉得应该没影响到那么大的速度吧。

6. 丁宇 @ 2009-03-04 04:01:19 +0800:

   @willin 目前我这里bayersian词库共存储9702条词汇，占用475.9k，相信即使是实时的分类也不会有什么问题（我现在是对算法进行手动训练）。

7. 丁宇 @ 2009-03-06 22:24:50 +0800:

   刚发现牛人ad7six也曾用过和我类似的防spam的方法－通过隐藏表单域。我留言说了下我走过的防spam的路： http://www.ad7six.com/MiBlog/Blogs/View/52#comment_5

8. willin @ 2009-03-07 06:26:37 +0800:

   ad7six的內容是07年的,現在應有所不同.說不定也用了你同樣的方法... 呵呵!

9. mbt tataga @ 2010-07-11 22:14:12 +0800:

   I added your post to my blog!