一种电子邮件的信息提取系统的制作方法

本发明涉及电子邮件信息提取，特别是涉及一种电子邮件的信息提取系统。

背景技术：

随着互联网技术的发展，网络上的信息浩如烟海。如何快速准确地识别出信息如何在互联网上的传播，成为人们关注的焦点。电子邮件，是一种通过电子通信系统进行信息交换的通信方式，现在往往与互联网联系在一起，成为了最受欢迎的互联网应用服务之一。电子邮件证据在涉网案件侦办中的作用越来越重要。面对海量的电子邮件，如何快速、有效地分析邮件证据成为大数据时代海量电子邮件分析的一个焦点。目前现有的邮件分析系统无法对邮件内容进行分类，使办案人员需要花费更多的时间人为的分析邮件内容。

技术实现要素：

发明目的：本发明的目的是提供一种电子邮件的信息提取系统，能够对邮件内容进行合理分类，从而节省办案人员的时间和精力。

技术方案：本发明所述的电子邮件的信息提取系统，包括邮件信息提取引擎，邮件信息提取引擎通过训练集对分类模型进行训练，然后利用分词工具对邮件内容进行分词，最后用训练好的分类模型对分词后的邮件内容进行分类，得到邮件内容的类别；当用户给邮件手动打上类别标签后，邮件自动放回到对应类别的训练集中。

进一步，所述邮件信息提取引擎还包括附件解析模块和解压缩模块，能够对加密附件进行识别：当附件不是压缩文件时，通过附件解析模块解析附件，如果附件能够被正常解析，则判定附件没有加密，如果附件不能被正常解析，则判定附件已加密；当附件是压缩文件时，通过解压缩模块对附件进行解压，如果附件能够被正常解压，则判定附件没有加密，如果附件不能被正常解压，则判定附件已加密。这样能够对附件是否加密进行有效判断。

进一步，所述邮件信息提取引擎还包括邮件解析模块，邮件解析模块能够对邮件进行解析，从解析结果中直接提取出邮件正文、邮件主题、收件人、发件人、抄送人及密送人的账号和昵称、邮件发送时间、收件人是否查收、语言编码、附件名和附件个数。这样能够提取出邮件的基本信息。

进一步，所述邮件信息提取引擎还能够对邮件摘要进行提取：先拟定一个权重评分标准，然后给每个句子打分，最后给出排名靠前的若干个句子作为提取结果。这样不用通过阅读邮件内容就可以了解邮件表达的主要信息，省时便捷。

进一步，所述邮件信息提取引擎还通过ngram对邮件正文内容进行语种识别。这样方便用户定向查看某一语种的邮件，无需对每个邮件进行筛查，节省大量时间。

进一步，所述邮件信息提取引擎还通过层叠马尔可夫模型和角色标注的中文命名实体识别方法对邮件内容中的实体信息进行抽取。

进一步，所述信息提取系统还包括邮件附件信息提取引擎，邮件附件信息提取引擎包括附件解析模块，所述附件解析模块能够提取出附件的内容。

进一步，所述信息提取系统还包括隐性信息提取引擎，隐性信息提取引擎包括邮件解析模块，所述隐性信息提取引擎能够提取转发关系：利用邮件解析模块对邮件进行解析，然后提取出发件人、收件人字段内容和时间字段内容。这样用户可以通过隐性信息提取引擎分析得到邮件时序的传播过程和邮件中的转发关系，能够提高用户发现邮件中有用信息的效率。

进一步，所述隐性信息提取引擎能够提取实体关系：确定各个实体，即邮件登陆者账号、邮件昵称、邮件附件和邮件基本信息，然后对各个实体进行关联分析。这样用户可以通过隐性信息提取引擎分析得到邮件时序的传播过程和邮件中的实体关系，能够提高用户发现邮件中有用信息的效率。

进一步，所述关联分析包括以下关系模型：账号与昵称关系、邮件与附件关系、邮件与发件人关系、邮件与收件人关系。

有益效果：本发明公开了一种电子邮件的信息提取系统，能够对邮件内容进行分类，用户可通过查看类别来决定是否要阅读邮件内容，有效节省了用户的时间。此外，用户参与对邮件手动打类别标签，然后邮件会自动放回到对应类别的训练集中，通过此过程不断的迭代优化训练集，最后的分类结果也会越来越满足用户的需求。

附图说明

图1为本发明具体实施方式中系统的框图；

图2为实施例1中邮件传播图；

图3为实施例1中邮件信息及关系图。

具体实施方式

下面结合附图和具体实施方式，对本发明的技术方案做进一步的介绍。

本具体实施方式公开了一种电子邮件的信息提取系统，包括邮件信息提取引擎、邮件附件信息提取引擎和隐性信息提取引擎，如图1所示。

邮件信息提取引擎用于对邮件中的显性信息进行提取，具有以下功能：

1)邮件基本信息提取

通过邮件信息提取引擎中的邮件解析模块对eml文件进行解析，从解析的结果中直接提取出邮件的正文，邮件主题，收件人、发件人、抄送人及密送人的账号和昵称，邮件发送时间，收件人是否查收，语言编码，附件名，附件个数。这样提取出的内容能够直观反映出邮件的基本信息。

2)摘要提取

通过以下方式对邮件摘要进行提取：先拟定一个权重评分标准，然后给每个句子打分，最后给出排名靠前的若干个句子作为提取结果。这样不用通过阅读邮件内容就可以了解邮件表达的主要信息，省时便捷。

3)语种识别

通过ngram对邮件正文内容进行语种识别。这样方便用户定向查看某一语种的邮件，无需对每个邮件进行筛查，节省大量时间。

4)邮件内容分类

通过事先准备好的训练集对分类模型进行训练，然后利用分词工具对邮件内容进行分词，最后用训练好的分类模型对分词后的邮件内容进行分类，得到邮件内容的类别；用户在界面查看邮件的时候，可同时参与对邮件手动打上类别标签，该邮件自动放回到对应类别的训练集中。通过此过程不断的迭代优化训练集，最后的分类结果也会越来越满足用户需求。

5)加密附件识别

邮件信息提取引擎还包括附件解析模块和解压缩模块，能够对加密附件进行识别：当附件不是压缩文件时，通过附件解析模块解析附件，如果附件能够被正常解析，则判定附件没有加密，如果附件不能被正常解析，则判定附件已加密；当附件是压缩文件时，通过解压缩模块对附件进行解压，如果附件能够被正常解压，则判定附件没有加密，如果附件不能被正常解压，则判定附件已加密。这样能够对附件是否加密进行有效判断。

6)实体信息抽取

邮件的内容中也可能包含着重要的信息，邮件中的实体信息是邮件内容中的人名和地名，通过层叠马尔可夫模型和角色标注的中文命名实体识别方法对邮件内容中的实体信息进行抽取。

邮件附件信息提取引擎是对邮件的非加密附件中的显性信息进行提取，提取的内容包括：附件名，附件大小，附件个数，附件类型，附件内容，附件摘要，附件编码，附件语言，附件内容分类，实体信息抽取(包括人名、地名)。邮件附件信息提取引擎包括附件解析模块，附件解析模块能够提取出附件的内容。附件的相关信息的提取方法与邮件信息提取引擎中使用的提取方法相同。

隐性信息提取引擎中包含多种关系模型，通过这些关系模型对显性信息挖掘分析，使邮件中的各种信息在不同维度上有了关联关系，用户可以通过隐性信息提取引擎分析得到邮件时序的传播过程及邮件中的各种关联关系，提高用户发现邮件中的有用信息的效率。隐性信息提取引擎中包含转发关系和实体关系的提取：

a)转发关系提取

隐性信息提取引擎包括邮件解析模块，利用邮件解析模块对邮件进行解析，然后提取出发件人、收件人字段内容和时间字段内容。这样用户可以通过隐性信息提取引擎分析得到邮件时序的传播过程和邮件中的转发关系，能够提高用户发现邮件中有用信息的效率。

b)实体关系提取

确定各个实体，即邮件登陆者账号、邮件昵称、邮件附件和邮件基本信息，然后对各个实体进行关联分析。这样用户可以通过隐性信息提取引擎分析得到邮件时序的传播过程和邮件中的实体关系，能够提高用户发现邮件中有用信息的效率。关联分析包括以下关系模型：账号与昵称关系、邮件与附件关系、邮件与发件人关系、邮件与收件人关系。

下面介绍一个实施例：

实施例1：

假如有这样需求，某单位需要在分析一封邮件的信息，分析邮件的类别、加密情况、传播来源、传播范围及相关人员，为了完成上述需求，开发者需要从单位邮件数据库中导出相关邮件和记录，之后就可以利用本发明中描述的方法，分析出邮件的显性和隐性信息，从而找出邮件的类别、加密情况、传播来源、传播范围及相关人员等信息。

(1)邮件信息提取引擎

利用邮件信息提取引擎对邮件按照标准邮件的格式提取出相关显性信息，例如：

(2)邮件附件信息提取引擎

利用邮件附件信息提取引擎对附件信息进行分析提取。

(3)隐性信息提取引擎

a.转发关系提取

邮件转发关系提取可以直观的查看邮件依赖时序的传播过程。

b.实体关系提取

首先从话单信息和邮件信息提取引擎与邮件附件信息提取引擎提取的结果中确定各个实体，然后对这些实体进行关联分析，以下是提取出的实体关系。

通过邮件信息提取引擎、邮件附件信息提取引擎的分析可得到此封邮件是有抄送人和密送人的、非加密的、农业类的中文邮件，并且带有农业类的附件，隐性信息提取引擎提取其中实体关系以及通过时序展示的转发关系，构建邮件的传播路径及传播的相关人员，如图2邮件传播图所示。经此处理之后，对邮件20160608202706-43855.eml，可直观的查看邮件的各项信息以及实体之间的多种关系，如图3邮件信息及关系图所示。