Professional Documents
Culture Documents
مناهج بحث مجلة 2
مناهج بحث مجلة 2
مناهج بحث مجلة 2
-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
.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
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
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