Python微调文本顺序对抗朴素贝叶斯算法垃圾邮件分类机制

关于朴素贝叶斯算法中文垃圾邮件分类，可以参考：

Python+sklearn使用朴素贝叶斯算法识别中文垃圾邮件

分词是很多文本分类技术中很重要的一个环节，如果这个环节被破坏，会严重影响分类的准确性。

为了对抗这种垃圾邮件分类机制，有些垃圾邮件发送程序在文本中插入【】#￥*@&$等干扰字符来影响分词，从而影响整个分类机制的正确性。这样处理过的垃圾邮件实际上更容易识别和检测。因为在正常邮件文本中是不应该出现太多干扰字符的，如果出现了，那么直接判定为垃圾邮件在很大概率上也是正确的。检测方法思路可以参考：

Python统计一个字符串中所有字符在另一个字符串出现的总次数

由于人类在阅读文本时，一般是从粗到细和粗细结合的过程，先是一目十行大概了解，如果有感兴趣或需要的内容再缩小窗口逐行阅读，甚至逐词逐字反复阅读，并且在阅读过程中还会根据知识密集程度动态调整阅读窗口。

在这样的阅读方式下，部分字词的顺序交换以后并不容易发现，即使发现一般也不会影响内容的理解，大脑会根据记忆和知识的积累自动识别和纠正部分错误。

根据这一特点，如果对邮件文本中部分字词的顺序进行调整，会直接影响分词结果和朴素贝叶斯算法或类似算法的准确率，欺骗垃圾邮件过滤机制，使得垃圾邮件出现在正常收件箱中的概率大幅度增加。

演示代码：