Совершенно нормальное письмо фильтруется в спам
Почему для "нормальных" слов, которые типичны для заголовков и содержания выставляется рейтинг 0.99 (я так понимаю, что это вероятность спама)
Ниже приведу фрагмент журнала bayesit.log
: -------------------------------------------
16.08.2005 17:18:52 <006101c5a26d$c46ed520$3821fea9@
Грэхем: 1
Спамность: 1
Значение для The Bat!: 99
Использована расширенная оценка с числом токенов: 150
: -------------------------------------------
#000000: 0.99
#800000: 0.99
#e4e4e4: 0.99
#ffffff>: 0.99
>: 0.99
-----: 0.99
01: 0.99
0px: 0.99
10pt: 0.99
12px: 0.99
16,: 0.99
16px: 0.99
2005: 0.99
2px: 0.99
400: 0.99
5: 0.99
57: 0.99
5px: 0.99
6: 0.99
6.00.2800.1505: 0.99
7: 0.99
9: 0.99
<A: 0.99
<B>: 0.99
<BLOCKQUOTE: 0.99
<BODY: 0.99
<BR>: 0.99
<DIV: 0.99
<STYLE>: 0.99
A>: 0.99
AM: 0.99
August: 0.99
B>: 0.99
BACKGROUND: 0.99
BLOCKQUOTE>: 0.99
BORDER-LEFT: 0.99
COLOR: 0.99
Courier: 0.99
FONT: 0.99
FONT-FAMILY: 0.99
FONT-SIZE: 0.99
H ----: 0.99
H -0400: 0.99
H 128.192.1.109: 0.99
H 128.192.125.76: 0.99
H 19: 0.99
H 195.39.197.124: 0.99
H 2005: 0.99
H 29: 0.99
H 3.5.9-GR: 0.99
H 4.50: 0.99
H 6.00.2800.1506: 0.99
H 8.8.6: 0.99
H 8.9.1: 0.99
H <vza@mindspring: 0.99
H Aug: 0.99
H EDT: 0.99
H MOS: 0.99
H References: 0.99
H Sendmail: 0.99
H V6.00.2800.1506: 0.99
H Victor: 0.99
H X-MSMail-Priority: 0.99
H Za: 0.99
H alternative: 0.99
H ccits67: 0.99
H col@zd: 0.99
H edu: 0.99
H edu>: 0.99
H imena: 0.99
H localdomain: 0.99
H puntd3.cc: 0.99
H uga: 0.99
MARGIN-LEFT: 0.99
MARGIN-RIGHT: 0.99
New: 0.99
Original: 0.99
PADDING-LEFT: 0.99
PADDING-RIGHT: 0.99
SPAN: 0.99
STYLE>: 0.99
Tuesday: 0.99
VZ>: 0.99
VZ>: 0.99
Victor: 0.99
WINDOWS-1251: 0.99
ZED: 0.99
Za: 0.99
arial: 0.99
bat0: 0.99
bat0>: 0.99
bat1: 0.99
bgColor: 0.99
black: 0.99
class: 0.99
@ 0.99
font-color: 0.99
h 0ce65827: 0.99
href: 0.99
is: 0.99
size: 0.99
solid: 0.99
style: 0.99
text: 0.99
title: 0.99
ua: 0.99
В: 0.99
Виктор: 0.99
Виктор!: 0.99
Дата: 0.99
На: 0.99
Сергей: 0.99
Т: 0.99
Я: 0.99
билетов: 0.99
бы: 0.99
вторник: 0.99
города: 0.99
гостиницы: 0.99
дата: 0.99
должен: 0.99
если: 0.99
забрать: 0.01
к: 0.99
какой: 0.99
комфортабельные: 0.99
лучше: 0.99
месте: 0.99
можем: 0.99
назад: 0.99
ночей: 0.99
обратно: 0.99
перевода: 0.99
понедельник: 0.99
превышает: 0.99
проживание: 0.99
сентября: 0.99
сколько: 0.99
сможешь: 0.01
стоимость: 0.99
счет: 0.99
т: 0.99
также: 0.99
только: 0.99
ту: 0.99
хотел: 0.99
центру: 0.99
части: 0.99
четверг: 0.99
я: 0.99
: -------------------------------------------
. Ситуация, на самом деле, следующая: при отборе "максимально интересных" слов (т.е. слов с оценками 0.99 или 0.01) их может оказаться намного больше, чем предполагает фильтр (особенно если он хорошо обучен). Если брать лишь последние из них, а остальные отсеивать - то спамеру будет достаточно в конец письма приписать какой-нибудь анекдот, чтобы сразу заставить фильтр "забыть" все предыдущие замеченные спам-слова (в зависимости от реализации - м.б. наоборот, учитывать только первые "максимально интересные" слова, пока не наберётся нужное количество, а остаток письма отбрасывать).