Am 2004-09-12 22:51:04, schrieb Björn Schmidt:
> Michelle Konzack wrote:
> >Weil bei den 5000 Wörtern die ich in Tri-Gramme zerlegt habe, nur
> >417 rausgekommen sind... die anderen waren alle doppelt.
>
> Ach so ..., sind das wirklich nur so wenig? Das wäre gut, denn es würde die
> Wahrscheinlichkeit erhöhen unerwünschte Trigramme zu erkennen. Sind die
> 5000 Wörter aus dem Umgangssprachlichen oder sind es Namen? Letzteres
> wäre etwas sinnvoller...
Hatte durch zufall eine Datei mit normalen Wörtern des deutschen
Sprachgebrauchs. Also keine Namensliste. (Sowas hätte ich noch gerne)
> >X-Email-Tri-Gramm-Score: 4 of 7 found, 57%
>
> Ich würde die Scorerate nicht linear ansteigen lassen, denn lange Worte mit
> 50%
> Trigammen sind stark spamwahrscheinlicher als kurze Worte mit 50% (bei
> Deiner
> anteiligen Scoreberechnung).
Aber wieviele SPAMer verwenden weniger als 7 Zeichen mit Müll ?
Habe keine einzige gefunden. die waren alle länger.
Naja, wie man dann beim filtern das macht, kann je jedem selber
überlassen werden. Mann könnte den Header auch folgend abändern
X-Email-Tri-Gramm-Score: MAX=7, FOUND=4, RATE=57
Das läßt sich dann auch leicht parsen oder so.
Jetzt müßte ich nur noch eine vernünftige Wörter- und Namensliste
herbekommen. Am besten auf deutsch, englisch und französisch, was
warscheinlich 99% der Tri-Gramme abdecken sollte
Greetings
Michelle
--
Linux-User #280138 with the Linux Counter, http://counter.li.org/
Michelle Konzack Apt. 917 ICQ #328449886
50, rue de Soultz MSM LinuxMichi
0033/3/88452356 67100 Strasbourg/France IRC #Debian (irc.icq.com)
Attachment:
signature.pgp
Description: Digital signature