文／檸檬　

信箱裡，有幾封信總是不請自來。

「恭喜您中獎！限時領取！」「免費體驗，點此連結！」「您的帳號異常，請立即驗證！」這些信的措辭格外熱情，卻讓人避之唯恐不及，還好它們總會被歸類到垃圾信件匣。但郵件系統是怎麼認出它們的？這件事，與「集合」及「機率」有些關係。

詞頻機率 區分垃圾



研究人員分析大量郵件後發現，「中獎」這個詞出現在垃圾郵件裡的頻率，遠高於正常信件。數學裡的集合，正好提供了整理這件事的框架。假設集合A是「所有在垃圾郵件裡出現過的詞」，集合B是「所有在正常郵件裡出現過的詞」，兩者間必然有重疊：「你好」、「謝謝」、「附件」。兩邊都會用，這樣的重疊稱為交集。但「限時中獎」、「點此領取現金」幾乎只活在集合A裡；「會議記錄」、「期末報告」則幾乎只屬於集合B。兩個集合合起來的所有詞，稱為聯集，也就是曾在任何郵件出現過的詞彙總庫。

集合告訴我們哪些詞「只屬於某一邊」，但光靠分類還不夠，我們還需要一個數字來衡量風險。18世紀英國牧師貝葉斯提出的貝氏定理可以幫上這個忙，簡單來說就是根據已知的線索，這件事有多可能是真的？

假設我們分析一萬封信，裡面有4000封垃圾信，其中3200封含有「中獎」，出現機率八成；6000封正常信，只有60封含有「中獎」，出現機率僅百分之一。現在來了一封含有「中獎」的新信，如果用貝氏定理計算，它是垃圾信的機率約為百分之九十八。「中獎」幾乎是垃圾信的識別標誌。

核心邏輯 理解真相



真正聰明的過濾器從不靠單一詞彙下判斷。當「中獎」、「免費」、「限時」、「點擊連結」同時出現在一封信裡，4個訊號疊加，整體的垃圾信機率會快速累積。早期的過濾器採用一個簡化假設：把每個詞視為彼此獨立，將各詞的機率一一相乘，最後得出整封信是垃圾信的可能性。這個方法計算簡便，效果相當可觀，是早期過濾系統的核心邏輯。

所有分類系統都難以完全避開一個問題，統計學上稱為偽陽性，你和朋友討論「上周抽獎真的中了」，這封信含有「中獎」，但又是很正常的對話，過濾器可能誤判，把它送進垃圾桶。

正因如此，現代系統設計得相當細膩，不只看哪些詞出現，還要考慮詞的位置、前後文脈絡、寄件人歷史，以及你過去是否曾標記這個地址。每一條線索，都是修正機率的材料。現代的過濾系統走得更遠，已陸續結合深度學習與神經網路等技術，但詞頻與機率的邏輯，始終是這一切的基礎。

每次信箱攔截一封詐騙信，背後是幾千封訓練資料、幾百個詞的機率計算，以及集合的概念在伺服器裡安靜運作。下次打開信箱，看到垃圾桶裡的信，不妨想想：那是機率的計算結果，而機率的背後，是人類試圖用數字理解世界的一種努力。