Japanese Tokenizer for SpamAssassin

Overview

This is a patch for Japanese Tokenizer for SpamAssassin. When applying this patch, the Bayes filter of SpamAssassin can tokenize Japanese mail messages and learn Japanese tokens properly. As a result, the accuracy of the Bayes filter in Japanese mail improves.

Feature

• Tokenizer plugin which adds tokenizer function as pre-processing of Bayes filter.
• Tokenizer::SimpleJA plugin as Japanese implementation of Tokenizer plugin.
  • Plugin that tokenize Japanese messages by scripts (Han, Hiragana, Katakana, and the others)
• Tokenizer::MeCab plugin as Japanese implementation of Tokenizer plugin.
  • Plugin that tokenize Japanese messages by MeCab morphological analyzer
• Improvement of Japanese processing in Bayes filter
• Improvement of detection processing of Japanese character encoding

Note that these features can be used when normalize_charset option is enabled.

Overview (for Japanese)

これは SpamAssassin 用日本語トークナイザーのパッチです。 SpamAssassinのベイズフィルターにおいて、日本語の文章の分かち書きを行い、適切に日本語のトークンを学習できるようになります。この結果として、日本語メールのベイズフィルターの判定精度が向上します。

機能

• ベイズフィルターの前処理としてトークナイザー機能を追加する Tokenizer プラグインの追加
• Tokenizerプラグインの日本語対応の実装として、 Tokenizer::SimpleJA プラグインを追加
  • 文字種（漢字、ひらがな、カタカナ、それ以外）により分かち書きを行うプラグイン
• Tokenizerプラグインの日本語対応の実装として、 Tokenizer::MeCab プラグインを追加
  • 形態素解析器MeCabにより分かち書きを行うプラグイン
• ベイズフィルターにおける日本語処理の改善
• 日本語の文字エンコーディングの検出処理の改善

なお、これらの機能は normalize_charset 機能（UTF-8エンコーディングに変換して評価する機能）が有効なときに利用できます。

LICENSE

• Apache License, Version 2.0

AUTHOR

• Takashi Takizawa