TREC2005-2007垃圾邮件数据集

TREC 2006 Spam Track Public Corpora：https://plg.uwaterloo.ca/~gvcormac/treccorpus06/about.html 是一个公开的垃圾邮件语料库，由国际文本检索会议提供，分为英文数据集（trec06p）和中文数据集（trec06c），其中所含的邮件均来源于真实邮件保留了邮件的原有格式和内容。 除TREC 2006外，还有TREC 2005和TREC 2007的英文垃圾邮件数据集（没有中文）。 文件目录形式：delay和full分别是一种垃圾邮件过滤器的过滤机制，full目录下，是理想的邮件分类结果，我们可以视为研究的标签。 ``` trec06c │ └───data │ │ 000 │ │ 001 │ │ ... │ └───215 └───delay │ │ index └───full │ │ index

TREC 2006 Spam Track Public Corpora: Available at https://plg.uwaterloo.ca/~gvcormac/treccorpus06/about.html, this is a public spam email corpus provided by the Text Retrieval Conference (TREC). It is divided into an English dataset (trec06p) and a Chinese dataset (trec06c). All emails in this corpus are sourced from real-world messages, with their original formats and content fully preserved.

In addition to the TREC 2006 release, English-only spam email datasets for TREC 2005 and TREC 2007 are also publicly accessible, with no Chinese version provided for these two collections.

### Directory Structure
The directories `delay` and `full` respectively represent two filtering mechanisms of spam email filters. The `full` directory contains ideal email classification results, which can be used as the ground-truth labels for related research.

trec06c
├─ data
│ ├─ 000
│ ├─ 001
│ │ ...
│ └─ 215
├─ delay
│ └─ index
└─ full
└─ index

搜集汇总

背景与挑战

背景概述

TREC2005-2007垃圾邮件数据集是一个公开的垃圾邮件语料库，由国际文本检索会议提供，涵盖2005年至2007年的数据。该数据集包括TREC 2006的英文和中文真实邮件，保留原始格式和内容，而TREC 2005和2007仅包含英文数据；文件目录结构分为delay和full，其中full目录提供理想的分类结果，可作为研究标签，适用于垃圾邮件过滤研究。