Python 对电子邮件列表进行排名'；优先事项

我试图用Python制作一个简单的电子邮件排名程序（类似于优先级收件箱）。基于从发件人接收电子邮件的频率，例如，有一个50%的培训集，其中发件人的频率被计算，然后有一个50%的测试集，该测试集根据培训的顺序排列（因此，从发送大量邮件的发件人发来的电子邮件排名很高）

我已经编写了一些Python代码来接收电子邮件，并从每个邮件中提取“发件人”地址。我已将此信息放在一个列表中，该列表显示了最常见的电子邮件发件人（下面列表中的示例片段）

---

我知道许多机器学习算法可以有效地用来训练和测试我的数据，以满足我的需求。但是，我不确定哪一个可以给我带来最好的结果？

我的理解是，您希望将电子邮件分类为重要或不重要。因此，首先你必须手动将每封电子邮件标记为重要或不重要。然后，您需要定义每封电子邮件的功能并提取它们。在你的情况下，你想考虑的一个特性是发送者。因此，您将得到如下数据：

('tester1@csmining.org，重要）

('tester1@csmining.org'正常）

('tester1@csmining.org，重要）

('tester1@csmining.org'正常）

('tester1@csmining.org'正常）

('tester2@csmining.org'正常）

('tester3@csmining.org，重要）

('tester4@csmining.org，重要）

('tester5@csmining.org'正常）

...

然后，您可以应用学习算法（如线性回归、逻辑回归等），您将能够在测试集上测试结果。

---

问题是，任何算法最终都会将发件人X发送的电子邮件分类为重要邮件或正常邮件（可能基于该发件人在训练集中发送的重要/正常邮件的比率）。为了获得更有意义的结果，您需要从数据中提取更多特征，如消息中的特定词语、发送时间等。

我的理解是，您希望将电子邮件分类为重要或不重要。因此，首先你必须手动将每封电子邮件标记为重要或不重要。然后，您需要定义每封电子邮件的功能并提取它们。在你的情况下，你想考虑的一个特性是发送者。因此，您将得到如下数据：

('tester1@csmining.org，重要）

('tester1@csmining.org'正常）

('tester1@csmining.org，重要）

('tester1@csmining.org'正常）

('tester1@csmining.org'正常）

('tester2@csmining.org'正常）

('tester3@csmining.org，重要）

('tester4@csmining.org，重要）

('tester5@csmining.org'正常）

...

然后，您可以应用学习算法（如线性回归、逻辑回归等），您将能够在测试集上测试结果。

---

问题是，任何算法最终都会将发件人X发送的电子邮件分类为重要邮件或正常邮件（可能基于该发件人在训练集中发送的重要/正常邮件的比率）。为了获得更有意义的结果，您需要从数据中提取更多的特征，如消息中的特定单词、发送时间等。

仅根据发件人进行排名从来都不是一个好主意。对于我自己，我从github commit订阅电子邮件通知。由于同事的代码提交，我每天都会收到数百封电子邮件

这从来都不是一个容易的问题，根据我的经验，即使是Gmail优先收件箱也做得不好。一个好的电子邮件优先级排序或评分系统需要良好的功能。首先，我建议您使用以下功能。见：

• 社会特征。发送方或发送方域
• 螺纹特征。此电子邮件是否处于活动线程中？线程中此电子邮件的序列号是多少？谁是cc'ed用户（如果有）
• 时间特征。这封电子邮件是什么时候收到的？如果您可以访问所有者的回复，您可能希望跟踪所有者回复所需的时间
• 内容特性。这是垃圾邮件过滤中使用的单词袋模型
• 行为。这是电子邮件帐户所有者对电子邮件的响应方式。它回答了吗？还是从不读书？还是立即删除？还是归档到不同的文件夹？标记的如果有回复，您可能还需要做一些内容分析。回复的长度可能也是一个很好的特性

对于回归模型，Gmail使用线性逻辑回归来保持学习和预测的可伸缩性

最后，正如Gmail所做的，你可以要求用户帮助你改进系统，让他们选择标记重要的电子邮件

进一步阅读：

---

仅根据发件人进行排名从来都不是一个好主意。对于我自己，我从github commit订阅电子邮件通知。由于同事的代码提交，我每天都会收到数百封电子邮件

这从来都不是一个容易的问题，根据我的经验，即使是Gmail优先收件箱也做得不好。一个好的电子邮件优先级排序或评分系统需要良好的功能。首先，我建议您使用以下功能。见：

• 社会特征。发送方或发送方域
• 螺纹特征。此电子邮件是否处于活动线程中？线程中此电子邮件的序列号是多少？谁是cc'ed用户（如果有）
• 时间特征。这封电子邮件是什么时候收到的？如果您可以访问所有者的回复，您可能希望跟踪所有者回复所需的时间
• 内容特性。这是垃圾邮件过滤中使用的单词袋模型
• 行为。这是电子邮件帐户所有者对电子邮件的响应方式。它回答了吗？还是从不读书？还是立即删除？还是归档到不同的文件夹？标记的如果有回复，您可能还需要做一些内容分析。l

   //(Email address, frequency of emails received from this sender)//Not Code
   ('tester1@csmining.org', 244)
   ('tester2@csmining.org', 162)
   ('tester3@csmining.org', 154)
   ('tester4@csmining.org', 75)
   ('tester5@csmining.org', 50)