中文垃圾邮件分类数据集简介
本数据集是针对电子邮件分类任务构建的规范化中文语料库，旨在为垃圾邮件检测模型的训练与评估提供多维度特征支持。其核心特点如下：
1. 数据集概述
- 规模与结构：共包含3980个规范化JSON文件，每个文件独立存储一封邮件的完整信息，并按垃圾邮件（spam）与正常邮件（normal）两类进行标注，形成二元分类基础。
- 数据来源：邮件内容覆盖商业推广、虚假中奖通知、金融诈骗、日常通信等典型场景，贴近中文用户真实邮箱环境。
- 标注质量：所有邮件均经过人工或自动化验证，确保类别标签的准确性，可直接用于监督学习任务。
2. 数据组成与特征
每封邮件的JSON结构包含以下关键字段，支持从语义、统计、时间等多角度进行特征分析：
a. 核心字段
- 邮件主题（subject）：反映邮件意图的短文本，垃圾邮件常含“免费领取”“限时特惠”“账户异常”等诱导性词汇。
- 邮件正文（body）：长文本内容，垃圾邮件多含重复促销信息、嵌入超链接或诱导用户点击的互动话术。
- 发件时间（date）：精确到分钟的时间戳，可用于分析垃圾邮件的发送时段规律（如深夜或节假日高发）。
- 邮件头信息（header）：包含发件服务器IP、传输路径等技术信息，辅助识别伪造发件地址或可疑邮件源。
b. 结构化特征字段
- 文本特征（text_features）：基于分词与词频提取的关键词（如“中奖”“投资机会”“VIP特权”）及高频词组，凸显垃圾邮件的语义倾向。
- 结构特征（structure_features）：统计邮件长度、段落数、链接/图片数量等，垃圾邮件普遍存在长文本、多链接（如广告跳转URL）的特点。
- 特殊字符特征（special_character_features）：检测异常符号（如❗、$$、###）及HTML标签密度，垃圾邮件常通过视觉冲击性符号吸引注意。
3. 应用场景
- 分类模型开发：适用于训练朴素贝叶斯、SVM、深度学习（如LSTM、Transformer）等分类算法。
- 特征工程研究：通过对比文本、结构与符号特征的组合效果，优化特征选择策略。
- 发送行为分析：结合时间字段，挖掘垃圾邮件发送者的时间分布规律与潜在攻击模式。
4. 数据集优势
- 多维特征融合：同时包含原始文本与结构化特征，避免单一模态的分析局限性。
- 真实性高：邮件内容涵盖仿冒通知、钓鱼链接等复杂类型，模拟真实对抗场景。
- 可扩展性强：支持与外部词库（如敏感词库、黑名单域名）结合，增强模型泛化能力。
5. 潜在挑战与建议
- 类别平衡性：需检查垃圾邮件与正常邮件的比例，必要时通过过采样或数据增强优化分布。
- 隐私合规性：邮件内容已脱敏处理，实际应用中需注意避免引入用户个人信息。
- 动态对抗：需定期更新数据集以应对新型垃圾邮件话术演变（如当前流行的AI生成内容）。
本数据集可作为学术研究与工业界开发的基础资源，为中文自然语言处理、网络安全等领域提供标准化评测基准。
集智数据集 
中文
