| 1 | # Copyright (C) 2007, KURODA Hiraku <hiraku@hinet.mydns.jp> |
|---|
| 2 | # You can redistribute it and/or modify it under GPL2. |
|---|
| 3 | |
|---|
| 4 | require "pstore" |
|---|
| 5 | |
|---|
| 6 | module Bayes |
|---|
| 7 | module CHARSET |
|---|
| 8 | def self.setup_re(m) |
|---|
| 9 | o = $KCODE |
|---|
| 10 | $KCODE = m::KCODE |
|---|
| 11 | m.const_set(:RE_MESSAGE_TOKEN, Regexp.union(m::RE_KATAKANA, m::RE_KANJI, /[a-zA-Z]+/)) |
|---|
| 12 | $KCODE=o |
|---|
| 13 | end |
|---|
| 14 | |
|---|
| 15 | module EUC |
|---|
| 16 | KCODE = "e" |
|---|
| 17 | KATAKANA = "\xa5\xa2-\xa5\xf3" |
|---|
| 18 | KANJI = "\xb0\xa1-\xfc\xfe" |
|---|
| 19 | RE_KATAKANA = /[#{KATAKANA}]{2,}/eo |
|---|
| 20 | RE_KANJI = /[#{KANJI}]{2,}/eo |
|---|
| 21 | |
|---|
| 22 | CHARSET.setup_re(self) |
|---|
| 23 | end |
|---|
| 24 | |
|---|
| 25 | module UTF8 |
|---|
| 26 | KCODE = "u" |
|---|
| 27 | def self.c2u(c) |
|---|
| 28 | [c].pack("U") |
|---|
| 29 | end |
|---|
| 30 | def self.utf_range(a, b) |
|---|
| 31 | "#{c2u(a)}-#{c2u(b)}" |
|---|
| 32 | end |
|---|
| 33 | KATAKANA = utf_range(0x30a0, 0x30ff) |
|---|
| 34 | KANJI = utf_range(0x4e00, 0x9faf) |
|---|
| 35 | RE_KATAKANA = /[#{KATAKANA}]{2,}/uo |
|---|
| 36 | RE_KANJI = /[#{KANJI}]{2,}/uo |
|---|
| 37 | |
|---|
| 38 | CHARSET.setup_re(self) |
|---|
| 39 | end |
|---|
| 40 | end |
|---|
| 41 | |
|---|
| 42 | class TokenList < Array |
|---|
| 43 | attr_reader :charset |
|---|
| 44 | |
|---|
| 45 | def initialize(charset=nil) |
|---|
| 46 | unless charset |
|---|
| 47 | charset = |
|---|
| 48 | case $KCODE |
|---|
| 49 | when /^e/i |
|---|
| 50 | CHARSET::EUC |
|---|
| 51 | else |
|---|
| 52 | CHARSET::UTF8 |
|---|
| 53 | end |
|---|
| 54 | end |
|---|
| 55 | @charset = charset |
|---|
| 56 | end |
|---|
| 57 | |
|---|
| 58 | alias _concat concat |
|---|
| 59 | def concat(array, prefix=nil) |
|---|
| 60 | if prefix |
|---|
| 61 | _concat(array.map{|i| "#{prefix} #{i.to_s}"}) |
|---|
| 62 | else |
|---|
| 63 | _concat(array) |
|---|
| 64 | end |
|---|
| 65 | end |
|---|
| 66 | |
|---|
| 67 | alias _push push |
|---|
| 68 | def push(item, prefix=nil) |
|---|
| 69 | if prefix |
|---|
| 70 | _push("#{prefix} #{item.to_s}") |
|---|
| 71 | else |
|---|
| 72 | _push(item) |
|---|
| 73 | end |
|---|
| 74 | end |
|---|
| 75 | |
|---|
| 76 | def add_host(host, prefix=nil) |
|---|
| 77 | if /^(?:\d{1,3}\.){3}\d{1,3}$/ =~ host |
|---|
| 78 | while host.size>0 |
|---|
| 79 | push(host, prefix) |
|---|
| 80 | host = host[/^(.*?)\.?\d+$/, 1] |
|---|
| 81 | end |
|---|
| 82 | else |
|---|
| 83 | push(host, prefix) |
|---|
| 84 | |
|---|
| 85 | h = host |
|---|
| 86 | while /^(.*?)[\.\-](.*)$/=~h |
|---|
| 87 | h = $2 |
|---|
| 88 | push($1, prefix) |
|---|
| 89 | push(h, prefix) |
|---|
| 90 | end |
|---|
| 91 | end |
|---|
| 92 | self |
|---|
| 93 | end |
|---|
| 94 | |
|---|
| 95 | def add_url(url, prefix=nil) |
|---|
| 96 | if %r[^(?:https?|ftp)://(.*?)(?::\d+)?/(.*?)\/?(\?.*)?$] =~ url |
|---|
| 97 | host = $1 |
|---|
| 98 | path = $2 |
|---|
| 99 | |
|---|
| 100 | add_host(host, prefix) |
|---|
| 101 | |
|---|
| 102 | if path.size>0 |
|---|
| 103 | push(path, prefix) |
|---|
| 104 | |
|---|
| 105 | p = path |
|---|
| 106 | re = %r[^(.*)[/\-\.](.*?)$] |
|---|
| 107 | while re=~p |
|---|
| 108 | p = $1 |
|---|
| 109 | push($2, prefix) |
|---|
| 110 | push(p, prefix) |
|---|
| 111 | end |
|---|
| 112 | end |
|---|
| 113 | end |
|---|
| 114 | self |
|---|
| 115 | end |
|---|
| 116 | |
|---|
| 117 | def add_message(message, prefix=nil) |
|---|
| 118 | concat(message.scan(@charset::RE_MESSAGE_TOKEN), prefix) |
|---|
| 119 | self |
|---|
| 120 | end |
|---|
| 121 | |
|---|
| 122 | def add_mail_addr(addr, prefix=nil) |
|---|
| 123 | push(addr, prefix) |
|---|
| 124 | |
|---|
| 125 | name, host = addr.split(/@/) |
|---|
| 126 | return self if (name||"").empty? |
|---|
| 127 | host ||= "" |
|---|
| 128 | push(name, prefix) |
|---|
| 129 | add_host(host, prefix) |
|---|
| 130 | self |
|---|
| 131 | end |
|---|
| 132 | end |
|---|
| 133 | |
|---|
| 134 | class FilterBase |
|---|
| 135 | attr_reader :spam, :ham, :db_name |
|---|
| 136 | |
|---|
| 137 | def initialize(db_name=nil) |
|---|
| 138 | @spam = self.class::Corpus.new |
|---|
| 139 | @ham = self.class::Corpus.new |
|---|
| 140 | |
|---|
| 141 | @db_name = db_name |
|---|
| 142 | if db_name && File.exist?(db_name) |
|---|
| 143 | PStore.new(db_name).transaction(true) do |db| |
|---|
| 144 | @spam = db["spam"] |
|---|
| 145 | @ham = db["ham"] |
|---|
| 146 | end |
|---|
| 147 | end |
|---|
| 148 | end |
|---|
| 149 | |
|---|
| 150 | def save(db_name=nil) |
|---|
| 151 | db_name ||= @db_name |
|---|
| 152 | @db_name ||= db_name |
|---|
| 153 | return unless @db_name |
|---|
| 154 | PStore.new(@db_name).transaction do |db| |
|---|
| 155 | db["spam"] = @spam |
|---|
| 156 | db["ham"] = @ham |
|---|
| 157 | yield(db) if block_given? |
|---|
| 158 | end |
|---|
| 159 | end |
|---|
| 160 | |
|---|
| 161 | def [](token) |
|---|
| 162 | score(token) |
|---|
| 163 | end |
|---|
| 164 | end |
|---|
| 165 | |
|---|
| 166 | class PlainBayes < FilterBase |
|---|
| 167 | class Corpus < Hash |
|---|
| 168 | def initialize |
|---|
| 169 | super(0.0) |
|---|
| 170 | end |
|---|
| 171 | |
|---|
| 172 | def <<(src) |
|---|
| 173 | s = src.size.to_f |
|---|
| 174 | src.each do |i| |
|---|
| 175 | self[i] += 1/s |
|---|
| 176 | end |
|---|
| 177 | end |
|---|
| 178 | end |
|---|
| 179 | |
|---|
| 180 | def score(token) |
|---|
| 181 | return nil unless @spam.include?(token) || @ham.include?(token) |
|---|
| 182 | s = @spam[token] |
|---|
| 183 | h = @ham[token] |
|---|
| 184 | s/(s+h) |
|---|
| 185 | end |
|---|
| 186 | |
|---|
| 187 | def estimate(tokens, take=15) |
|---|
| 188 | s = tokens.uniq.map{|i| score(i)}.compact.sort{|a, b| (0.5-a).abs <=> (0.5-b)}.reverse[0...take] |
|---|
| 189 | return nil if s.empty? || s.include?(1.0) && s.include?(0.0) |
|---|
| 190 | |
|---|
| 191 | prod = s.inject(1.0){|r, i| r*i} |
|---|
| 192 | return prod/(prod+s.inject(1.0){|r, i| r*(1-i)}) |
|---|
| 193 | end |
|---|
| 194 | end |
|---|
| 195 | |
|---|
| 196 | class PaulGraham < FilterBase |
|---|
| 197 | class Corpus < Hash |
|---|
| 198 | attr_reader :count |
|---|
| 199 | def initialize |
|---|
| 200 | super(0) |
|---|
| 201 | @count = 0 |
|---|
| 202 | end |
|---|
| 203 | |
|---|
| 204 | def <<(src) |
|---|
| 205 | @count += 1 |
|---|
| 206 | src.each do |i| |
|---|
| 207 | self[i] += 1 |
|---|
| 208 | end |
|---|
| 209 | end |
|---|
| 210 | end |
|---|
| 211 | |
|---|
| 212 | def score(token) |
|---|
| 213 | return 0.4 unless @spam.include?(token) or @ham.include?(token) |
|---|
| 214 | g = @ham.count==0 ? 0.0 : [1.0, 2*@ham[token]/@ham.count.to_f].min |
|---|
| 215 | b = @spam.count==0 ? 0.0 : [1.0, @spam[token]/@spam.count.to_f].min |
|---|
| 216 | if g+b==0 |
|---|
| 217 | raise "OOO" |
|---|
| 218 | end |
|---|
| 219 | r = [0.01, [0.99, b/(g+b)].min].max |
|---|
| 220 | r |
|---|
| 221 | end |
|---|
| 222 | |
|---|
| 223 | def estimate(tokens, take=15) |
|---|
| 224 | s = tokens.uniq.map{|i| score(i)}.compact.sort{|a, b| (0.5-a).abs <=> (0.5-b)}.reverse[0...take] |
|---|
| 225 | return nil if s.empty? || s.include?(1.0) && s.include?(0.0) |
|---|
| 226 | |
|---|
| 227 | prod = s.inject(1.0){|r, i| r*i} |
|---|
| 228 | return prod/(prod+s.inject(1.0){|r, i| r*(1-i)}) |
|---|
| 229 | end |
|---|
| 230 | end |
|---|
| 231 | end |
|---|