‫مقارنة خوارزميات تصنيف البريد اإللكتروني العشوائي‬

‫‪ -1‬المقدمة‪:‬‬

‫في اآلونة األخيرة‪ ،‬أص بح البري د اإللك تروني التج اري العش وائي ذو الحجم الكب ير الم زعج مش كلة كب يرة على‬
‫اإلنترنت‪ُ .‬يشار إلى الشخص الذي يقوم بإرسال رسائل البريد العشوائي بأنه "مرسل البريد العشوائي"‪ .‬يق وم ه ذا‬
‫الشخص بجمع عناوين البريد اإللكتروني من مواقع الويب المختلفة وغ رف الدردش ة والفيروس ات‪ .‬يمن ع البري د‬
‫العشوائي المستخدم من استخدام الوقت بشكل كامل وجيد‪ ،‬وسعة التخزين‪ ،‬وعرض النطاق الترددي‪.‬‬

‫‪ -2‬أسئلة البحث‪:‬‬

‫‪ .1‬كيف يمكننا تحسين تصنيف رسائل البريد العشوائي باستخدام الخوارزميات المتاحة؟‬

‫‪ .2‬ما هي العوامل التي تؤثر على وقت التدريب والتصنيف لكل خوارزمية؟‬

‫‪ . 3‬هل هناك آليات تحسين يمكن تطبيقها على الخوارزميات الحالية لتحسين أدائها في التصنيف؟‬

‫‪ -3‬الدراسات السابقة‪:‬‬

‫أج رى العدي د من الدراس ات تحقيق ًا في فعالي ة مختل ف النهج في تص نيف البري د اإللك تروني وتص فية البري د‬
‫العشوائي‪ .‬قام كوم ارا (‪ )2019‬ب إجراء دراس ة ح ول تص نيف البري د اإللك تروني باس تخدام الش بكات العص بية‬
‫االصطناعية‪ ،‬حيث استكشف استخدام خوارزميات الشبكات العصبية لتصنيف الرسائل اإللكترونية بفعالي ة‪ .‬رك ز‬
‫غوبتا وغويال (‪ )2017‬على تصنيف البريد اإللكتروني إلى فئات ذات صلة باستخدام الشبكات العصبية‪ ،‬مؤكدين‬
‫أهمية تصنيف الرسائل اإللكترونية بدقة إلدارة البريد اإللكتروني بكفاءة‪ .‬اقترح شافيغ أس كي وس وراتي (‪)2017‬‬
‫خوارزمية فعالة لتصفية البريد العشوائي باستخدام تقنيات تعلم اآللة‪ ،‬بهدف تقلي ل ت أثير رس ائل البري د العش وائي‬
‫على صناديق الوارد للمستخدمين‪ .‬استكشف زو وآخرون (‪ )2017‬دمج المفاهيم ذات الص لة بالس ياق في ش بكات‬
‫العص ب القش ري لتص نيف النص وص القص يرة‪ ،‬وه و م ا يعت بر ذا ص لة ألس طر موض وع البري د اإللك تروني‬
‫والمحت وى القص ير‪ .‬ق دم دادا وآخ رون (‪ )2019‬مراجع ة ش املة لنهج تعلم اآلل ة في تص فية البري د العش وائي‪،‬‬
‫محددين المشاكل البحثية المفتوحة ومقترحين طرق الستكشافها في المستقبل في هذا المجال‪.‬‬
‫باإلضافة إلى ذلك‪ ،‬ساهمت األبحاث المنشورة في مع امالت ‪ IEEE‬عن اإلعالم الص ناعي ومع امالت ‪ IEEE‬عن‬
‫األنظمة االجتماعية الحسابية في تقدم المعرفة في مج ال تص نيف البري د اإللك تروني وتص فية البري د العش وائي‪.‬‬
‫عالوة على ذلك‪ ،‬تسلط الدراسات مثل تلك التي أجراها شين وزانج وشاو (‪ )2020‬عن تصنيف الش بكات المعق دة‬
‫باستخدام الشبكات العصبية القشرية وعمل وو وآخرين (‪ )2019‬على مصنف عصبي جديد باس تخدام خوارزمي ة‬
‫البحث عن أجهزة االستشعار في الخنفساء الذي يسلط الضوء على النهج االبتك اري في تص نيف األنم اط‪ ،‬وال ذي‬
‫يمكن باإلمكان تكييفه بشكل محتمل ألغراض تصنيف البريد اإللكتروني‪.‬‬

‫‪ -4‬مالحظات‬

‫ثالثة من أفضل الخوارزميات المستخدمة لتشفير الشبكة‪:‬‬

‫‪ .1‬الج ار األق رب (‪ُ :)K-Nearest Neighbour‬يعت بر مص نف الج ار األق رب (‪ )K-NN‬مص نًفا مس تنًدا إلى‬
‫األمثلة‪ ،‬وهذا يعني أن الوثائق التدريبية ُتستخدم للمقارنة بدًال من تمثيل فئة صريح‪ ،‬مث ل مالمح الفئ ة المس تخدمة‬
‫من قبل المصنفات األخرى‪.‬‬

‫‪ .2‬النموذج البسيط (‪ :)Naïve Bayes‬يستند إلى مبدأ أن معظم األح داث مترابط ة وأن ه يمكن اس تنتاج احتمالي ة‬
‫ح دوث ح دث م ا في المس تقبل من الح وادث الس ابقة ل ذلك الح دث‪ .‬يمكن اس تخدام نفس التقني ة لتص نيف البري د‬
‫العشوائي‪.‬‬

‫‪ .3‬الش بكة العص بية (‪ :)Neural Network‬تح اول الش بكات العص بية االص طناعية تبس يط ومحاك اة س لوك‬
‫الدماغ‪ ،‬حيث يمكن تدريبها بطريق ة مراقب ة أو غ ير مراقب ة‪ .‬في ش بكة عص بية مراقب ة‪ ،‬يتم ت دريب الش بكة عن‬
‫طريق توفير عينات متطابقة من البيانات الناتج ة والم دخالت‪ ،‬بغي ة الحص ول على الن اتج المطل وب من الش بكة‬
‫إلدخال معين‪.‬‬

‫‪ -5‬خاتمة‪:‬‬

‫ختاًم ا‪ُ ،‬يظهر استعراض الدراسات السابقة المذكورة تنوع النهج والتقني ات المس تخدمة في مج ال تص نيف البري د‬
‫اإللكتروني وتصفية البريد العشوائي‪ .‬تبّين هذه الدراسات أهمية استخدام الشبكات العصبية وتقني ات تعلم اآلل ة في‬
‫هذا السياق‪ ،‬باإلضافة إلى أنها تسلط الضوء على األبحاث المستقبلية المحتمل ة والمج االت ال تي ُيمكن استكش افها‬
‫لتطوير تقنيات أكثر فعالية في مجال تصنيف البريد اإللكتروني‪ُ .‬يشير هذا التحليل إلى أهمية االستمرار في البحث‬
‫واالبتك ار للتغلب على التح ديات المتزاي دة المتعلق ة بالبري د اإللك تروني التج اري العش وائي وتحس ين تقني ات‬
‫التصنيف المتاحة حالًيا‪.‬‬
 :‫ المراجع والمصادر‬-6

Kumara, D. (2019, January). Email Classification Using Artificial Neural Network.

ResearchGate. https://www.researchgate.net/publication/330675179

Gupta, D. K., & Goyal, S. (2017, July). Email Classification into Relevant Category
Using Neural Networks. ResearchGate.
https://www.researchgate.net/publication/325083519

ShafighAski, A., & Sourati, N. K. (2017, July). Proposed Efficient Algorithm to Filter
Spam Using Machine Learning Techniques. ScienceDirect.
https://www.sciencedirect.com/science/article/abs/pii/S2405882316300412

Xu, J., Cai, Y., Wu, X., Huang, Q., Leung, H., & Li, Q. (2017, December). Incorporating
Context-Relevant Concepts into Convolutional Neural Networks for Short Text
Classification. ScienceDirect.
https://www.sciencedirect.com/science/article/abs/pii/S0925231219312184

Dada, E. G., Bassi, J. S., Chiroma, H., Abdulhamid, S. M., Adetunmbi, A. O., & Ajibuwa,
O. E. (2019, June). Machine Learning for Email Spam Filtering: Review, Approaches,
and Open Research Problems. ScienceDirect.
https://www.sciencedirect.com/science/article/pii/S2405844018353404

International Journal of Applied Information Systems (IJAIS), 5(No.), Foundation of

Computer Science, New York, USA. http://www.ijais.org

Xin, R., Zhang, J., & Shao, Y. (2020, January 13). Complex Network Classification with
.Convolutional Neural Network. IEEE
Wu, Q., Ma, Z., Xu, G., Li, S., & Chen, D. (2019, May 31). A Novel Neural Network
Classifier Using Beetle Antennae Search Algorithm for Pattern Classification. IEEE
Access. DOI: 10.1109/ACCESS.2019.2917526