Nh英ng email h嬰p l羽 trong PU1 là nh英ng email h嬰p l羽 ng逢運i t衣o 8ã nh壱n
8逢嬰c trong vòng 36 tháng cho 8院n tháng 12 n<m 2003, g欝m có 1182 email. Nh英ng email h嬰p l羽 không có n瓜i dung và nh英ng email RC s胤 b鵜 lo衣i b臼, k院t qu違
là có 618 email h嬰p l羽. Nh英ng email spam trong PU1 là email spam ng逢運i t衣o
8ã nh壱n 8逢嬰c trong kho違ng th運i gian 22 tháng cho 8院n th運i 8k吋m 12-2003, bao g欝m nh英ng email không ph違i là email ti院ng Anh và nh英ng email gi嘘ng nhau nh壱n trong m瓜t ngày.
PU2 c ng t逢挨ng t詠 nh逢 PU1,"8i吋m khác nhau 荏"8ây là nh英ng email RC
雲 PU3 và PUA,nh英ng email h嬰p l羽 không ph違i là ti院ng Anh v磯n 8逢嬰c gi英 l衣i
T雨 l羽 non-spam :spam c栄a PU3 x医p x雨 PU1, tuy nhiên s嘘 l逢嬰ng c栄a PU3 nhi隠u g医p 4 l亥n PU1, trong PU2 t雨 l羽"8ó x医p x雨 4:1,荏 PUA t雨 l羽"8ó là 1:1
Trong t医t c違 các kho ng英 li羽u PU, các t壱p tin 8ính kèm, các th飲 HTML, các tr逢運ng khác trong header c栄a email 8隠u b鵜 lo衣i b臼 (ngo衣i tr瑛 tr逢運ng tiêu 8隠
M厩i kho ng英 li羽u pu l衣i 8逢嬰c chia ra làm 11 th逢 m映c t瑛 part 1 8院n part 10, và m瓜t th逢 m映c unused, m厩i th逢 m映c t瑛 part 1 8院n part 10 ch泳a s嘘 l逢嬰ng email nh逢
nhau và s嘘 l逢嬰ng email spam và email h嬰p l羽 trong m厩i th逢 m映c part i (i=1,…,10) trên là nh逢 nhau, th逢 m映c unused ch泳a nh英ng email không s穎 d映ng. Chúng tôi s穎 d映ng t瑛 part 1 8院n part 9 8吋 ph映c v映 cho vi羽c h丑c."A嘘i v噂i vi羽c ki吋m th穎 k院t qu違 , chúng tôi s穎 d映ng kho ng英 li羽u 8ã 8逢嬰c h丑c (t瑛 part 1 8院n part 9 ) và kho ng英 li羽u ch逢a 8逢嬰c h丑c 8吋 ki吋m th穎."A吋 th詠c hi羽n vi羽c ki吋m th穎
các thu壱t toán 8逢嬰c ti羽n l嬰i, chúng tôi ti院n hành chia nhóm kho ng英 li羽u h丑c.V噂i m厩i kho ng英 li羽u PU, chúng tôi phân lo衣i email thành hai th逢 m映c, m瓜t th逢 m映c ch泳a các email spam t瑛 part 1 8院n part 9, th逢 m映c còn l衣i ch泳a email h嬰p l羽 t瑛
part 1 8院n part 9, v噂i part 10 chúng tôi c ng ti院n hành phân lo衣i t逢挨ng t詠 nh逢
trên