我正在尝试用Python编写一个简单的电子邮件排序程序（类似于优先收件箱）。这个程序基于从发件人接收到的电子邮件频率进行排序。例如，可以使用50%的数据作为训练集，统计发件人的频率，然后使用另外50%的数据作为测试集，根据训练结果对其进行排序（因此，来自发送大量邮件的发件人的电子邮件将被排在前面）。
我已经编写了一些Python代码来提取每封电子邮件的“发件人”地址，并将这些信息放入一个列表中，该列表显示了最常见的电子邮件发件人（下面是该列表的一个示例片段）。
//(电子邮件地址，发件人发送的电子邮件频率)//Not Code ('[email protected]', 244) ('[email protected]', 162) ('[email protected]', 154) ('[email protected]', 75) ('[email protected]', 50)我知道有很多机器学习算法可以有效地训练和测试我的数据，以实现我所需的功能。然而，我不确定使用哪种算法能给我带来最佳结果？
回答：
仅基于发件人进行排序从来都不是一个好主意。就我个人而言，我订阅了GitHub提交的电子邮件通知。由于同事的代码提交，我每天会收到数百封电子邮件。
这从来都不是一个简单的问题，根据我的经验，即使是Gmail的优先收件箱也做得不好。一个好的电子邮件优先级排序或评分系统需要好的特征。我建议从以下特征开始。参见Gmail优先收件箱背后的学习：
- 社交特征。发件人或发件人域名；
- 线程特征。这封邮件是否在一个活跃的线程中？这封邮件在线程中的序列号是多少？如果有抄送用户，是谁？
- 时间特征。这封邮件是什么时候收到的？如果你有访问邮件所有者的回复记录，你可能想要跟踪所有者回复所需的时间。
- 内容特征。这是垃圾邮件过滤中使用的词袋模型。
- 行为。这是电子邮件账户所有者对邮件的响应方式。是回复了？还是从未阅读过？还是立即删除了？还是归档到不同的文件夹中？是否标记了？如果回复了，你可能还想进行一些内容分析。回复的长度也可能是一个好的特征。
对于回归模型，Gmail使用线性逻辑回归来保持学习和预测的可扩展性。
最后，像Gmail所做的那样，你可以让用户通过提供一个标记重要邮件的选项来帮助你改进系统。
进一步阅读：
