由于兴趣、爱好的不同,不同用户对垃圾邮件的定义可能存在巨大差异,这是一般化邮件过滤器面临的窘境,因此实现个性化垃圾邮件过滤成为目前邮件过滤领域研究的重要课题。同时,特定用户在不同时间段,兴趣点也会发生变化,会使其重新定义对垃圾邮件的过滤标准,所以检测用户兴趣点是否发生变化也是个性化过滤的关键任务。本文针对特定用户邮箱的错滤情况,对个性化过滤技术进行扩展研究,重点关注如何在动态环境下,结合用户的兴趣特征,降低邮件错滤率,并实现自动修正。主要工作和创新点如下:(1)为了缓解现实情况下网络用户邮箱的错滤程度,本文提出了一种基于客户端的个性化邮件再过滤方法。该方法基于多任务学习理论,使得收件箱和垃圾箱过滤器借鉴彼此的特征描述,“互相学习,分开过滤”,缓解类不平衡问题。本文提出邮件数据流中的“广义虚漂移”概念,同时设计多窗口框架,结合重要性加权的方法以达到动态环境自适应的效果。(2)通常情况下,相同集体(实验室、俱乐部或公司)环境中的用户收到的邮件存在一定的相关性,因此本文提出在集体环境下的个性化邮件再过滤方法。当完全个性化邮件过滤器学到的信息有限时,利用相关性数据,可有效增加其信息量,提高过滤精度。在用户隐私保护的状态下,由用户自主放出主观意识下的垃圾邮件,组成“集体垃圾箱”,设置同集体环境下用户共享垃圾邮件,并基于上一项工作实现个性化过滤。(3)通过在多个公开数据集上与多个现有经典垃圾邮件过滤方法作比较,证明了本文过滤模型的优越性。同时对比集体环境与个体环境下过滤器的性能差异,验证了集体环境下可显著提高过滤器的可预见性。