Phishmail

🚀 釣魚郵件檢測BERT模型 - PhishMail

本倉庫提供了一個經過微調的BERT模型，專門用於檢測釣魚郵件。該模型通過分析郵件正文文本，將郵件分類為釣魚郵件或正常郵件。

🚀 快速開始

安裝依賴

使用以下命令安裝所有必需的庫：

!pip install transformers torch 

加載模型

from transformers import BertForSequenceClassification, BertTokenizer
import torch

# 指定Hugging Face模型倉庫名稱
model_name = 'jagan-raj/PhishMail'

# 加載用於釣魚檢測的微調BERT模型
model = BertForSequenceClassification.from_pretrained(model_name)

# 加載微調模型對應的分詞器
tokenizer = BertTokenizer.from_pretrained(model_name)

# 將模型設置為評估模式以進行推理
model.eval()

使用模型進行預測

# 輸入待分類的郵件文本
email_text = "Your email content here"

# 對輸入文本進行分詞和預處理
# 將郵件文本轉換為令牌ID，應用截斷/填充，並創建張量
inputs = tokenizer(
    email_text, 
    return_tensors="pt",        # 以PyTorch格式輸出張量
    truncation=True,            # 如果文本超過最大長度則進行截斷
    padding='max_length'        # 將文本填充到最大序列長度
)

# 使用模型進行預測
with torch.no_grad():           # 禁用梯度計算以加快推理速度
    outputs = model(**inputs)   # 獲取模型輸出
    logits = outputs.logits     # 提取原始預測分數（對數幾率）
    predictions = torch.argmax(logits, dim=-1)  # 確定預測類別（0或1）

# 解釋預測結果
# 將預測結果映射到相應的標籤：1表示“釣魚郵件”，0表示“正常郵件”
result = "This is a phishing email." if predictions.item() == 1 else "This is a legitimate email."

# 打印預測結果
print(f"Prediction: {result}")

✨ 主要特性

• 強大的架構：基於BERT（雙向編碼器表徵）架構，能夠進行雙向上下文理解，有效捕捉郵件文本中的語義信息。
• 精準分類：經過精心微調，可準確地將郵件分類為釣魚郵件或正常郵件，為郵件安全提供有力保障。
• 數據多樣性：在包含釣魚郵件和正常郵件的精心策劃數據集上進行微調，確保模型能夠適應各種郵件內容和結構。

📦 安裝指南

使用以下命令安裝所有必需的庫：

!pip install transformers torch 

💻 使用示例

基礎用法

# 輸入待分類的郵件文本
email_text = "Your email content here"

# 對輸入文本進行分詞和預處理
# 將郵件文本轉換為令牌ID，應用截斷/填充，並創建張量
inputs = tokenizer(
    email_text, 
    return_tensors="pt",        # 以PyTorch格式輸出張量
    truncation=True,            # 如果文本超過最大長度則進行截斷
    padding='max_length'        # 將文本填充到最大序列長度
)

# 使用模型進行預測
with torch.no_grad():           # 禁用梯度計算以加快推理速度
    outputs = model(**inputs)   # 獲取模型輸出
    logits = outputs.logits     # 提取原始預測分數（對數幾率）
    predictions = torch.argmax(logits, dim=-1)  # 確定預測類別（0或1）

# 解釋預測結果
# 將預測結果映射到相應的標籤：1表示“釣魚郵件”，0表示“正常郵件”
result = "This is a phishing email." if predictions.item() == 1 else "This is a legitimate email."

# 打印預測結果
print(f"Prediction: {result}")

📚 詳細文檔

模型詳情

評估

TrainOutput(global_step=6297, training_loss=0.07093968526965307, metrics={'train_runtime': 5545.442, 'train_samples_per_second': 9.08, 'train_steps_per_second': 1.136, 'total_flos': 1.32489571926528e+16, 'train_loss': 0.07093968526965307, 'epoch': 3.0})

模型總結

這個經過微調的BERT模型旨在檢測釣魚郵件。它基於強大的BERT（雙向編碼器表徵）架構，進行二分類，將郵件標記為釣魚郵件或正常郵件。

該模型在包含釣魚郵件和正常郵件的數據集上進行了微調，確保能夠理解釣魚內容中常見的模式和語言線索。通過利用上下文理解，它可以識別文本中的細微差異，從而區分惡意意圖和正常通信。這使其成為郵件安全和反釣魚防禦的有效工具。

📄 許可證

本模型免費供所有人使用。

作者 - Jagan Raj

LinkedIn鏈接