TELKOM NIKA , Vol.14, No .4, Dece mbe r  2016, pp. 14 72~147 9   ISSN: 1693-6 930,  accredited  A  by DIKTI, De cree No: 58/DIK T I/Kep/2013   DOI :  10.12928/TELKOMNIKA.v14i4.4026    1472      Re cei v ed Ma y 20, 201 6; Revi sed O c tob e r 28, 201 6; Acce pted No vem ber 1 2 , 2016   Email Classification Using Adaptive Ontologies  Learning       Suma T* 1 ,  K u m a r a  S w am y Y .  S 2      1 Departme n t of CSE, JJT  Universit y , Ra jasth an, India    2 Departme n t of Computer Sci ence & En gin e e ri n g , Nagar ju na Co lle ge of  Engg. & T e chnolo g y ,    VT U, Karnatak a, India   *Corres p o ndi n g  author, e-ma i l : tsumamurth y.cs@gmail.co m 1 , y sklds w a m y @y ahoo.co.in 2              A b st r a ct   Ema il is a w a y of commun ica t ion for the tod a y ’ s in tern et world, privat e an d gover n m ent  sector or  pub lic sect or al l are  use d  e m a il for co mmuni cation w i th th ei r clie nts. T hey  can free ly se n d  nu mber  of  mail   to their c lie nt w i thout  disturb i n g  the m . N o w  a  day  e m ai l co mmu n icati on  is  also  a w a y of  advertis i ng, s o me   ma il is als o  sp am, lots of soc i al  mai l s are th ere. Ca teg o ri zation a nd ha nd ling l o ts of email is an i m port ant  task for the research es, as they all ar e w o rking i n  th is field  by using the  Natura l lan g u a ge proc essin g  an d   ontol ogy  extra c tion pr ocess.  User g e t frustrated for  h a n d li ng l o ts of mail s and r e a d in g  those for fin d i n g   there is any  i m p o rtant  mai l , sometime use r  delete l o ts  of mai l  w i thout read ing  and i n   that case may  be   some i m p o rtan t mail w h ich co ntain the i m por tant infor m atio n may b e  ab o u t me eting,  se mi nar etc. is al so   del eted. F o r av oidi ng th ese sc enar ios h e re a u to up dat io n of  sched ule c a le ndar  proce dur e is pro pos ed  by   the auth o r. Co ncept extracti o n  an d cl usterin g  of conc ept is  don e b a sed  o n  fu zz y  lo gic, s i milar  mail  patt e rn   is gro u p ed i n  a  sa me cl uster if  similar i ty is l e s s  than thr e sh ol d val ue  a n e w  cluster is  defi n ed for th at. F r om  the extracte d  conc ept  aut hor  est abl ish  the r e lati ons hip  betw e e n   them a n d  ge nerate  the  re sult.   Co mp utation  o v erhe ad  is  als o  ca lcul ated  fo r differe nt se t  of mails  a n d  fi nds th at it  tak e s very less time in  computi ng lar g e emai l data se t.     Ke y w ords : Concept vector, Feature SROIQ, Ontology      Copy right  ©  2016 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  Uses of inte rnet is a ha bit for today’s  gen eratio n  and it’s a basi c  nee ds for all  orga nization.  All org aniza tion uses E-mail for  com m unication  with their  clie nts. Othe r th an  prima r y mail   comp any  sen d  email  for ad vertisem ent, for p r om otion a l an d  so cial  messag e i s  a l so   there. Nu mb er of Email receivin g per  day is  more than 20 on a n  averag e so  handlin g the s e   email are no w a hu rdle fo r the user. Readin g  ever y  mail is not p o ssible a nd i n  that case some  time may be   importa nt mai l  also  u s er n o t rea d  an d l e ft that whi c h  is n o t be nefi c ial fo r u s e r .  As   per  req u ire m ent of email  categ o ri zatio n  there ar e v a riou s  wo rk i s  on goin g  bu t its not up to  the   mark, they only categori e s  the mail but after this al so  we are not eligible for a c hi eving best re sult  like num ber  of email amo unt is huge. Inbox hand lin g is the impo rtant issue s . So we need  a  better em ail manag eme n t system for  handli ng hu g e  amou nt of email in on e  day. If a people   open th eir  e m ail id after  2  or 3  days  he  see l o ts of  e m ail is th eir, i t s hum an n a ture  he  can’t o pen  each email  o ne by one i n   that ca se  so me impo rtant  meeting d e tail may he m i ss  out. Mach ine   learni ng tech nologi es u s e d  to classify based on thei r  details. Before u s ing it cl assifier al so  must  be traine d by using set of  sampl e s, pre parin g of  training sa mple  also ne ed s lo ts of labor work  [1].   Re sou r ce De scription  Fra m ewo r k (RDF) defin ed  th e sem antic  of the re sou r ce s which i s   best de scrib e  on web l angu age recommen ded  by the Worl d Wide  We b Con s o r tiu m  [4].  Semantic   web whic h is   c a rried by the  RDF  data could be  queried  us ing language like SPARQL  [5], there i s  also an othe r techniq ue  for this sem antic  web  le arnin g   calle d  We b ontol o g y  Lang uage  (O WL ). Ontolo gy is freque ntly used in   the semanti c  web a ppli c ation [6]. If two   document co ntain different  word s an d n o  word is  co mmon for tha t  also we  can  establi s h rel a tion   betwe en the m  if the conte x t of the docu m ent is  sim ila r by the u s e o f  simila r ve cto r  feature sp ace   [2]. By the uses of ontologies em ail validation c an  be done, it is very helpful in reusability of  kno w le dge, it can sha r e th e kno w le dge  and an alyse s  it.  It also helpful in sep a ra te the comm on   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Em ail Classifi cation  Usi ng  Adaptive O n tologie s  Lea rn ing (Sum a T)  1473 function ality from  different  kn owl edg e  area.  It extra c t  the kn owl e dge  from em ail  content s and  defined  the  concept  whi c h  is  gene rally f i nd in  email  d o cum ents [3]. He re  autho r  prop osed  wo rk  to generate the useful info rmation fro m  email and  u p date that in calend ar rega rding any eve n t  meeting  etc.  let take a n  e x ample u s e r   received lot s   of mail an d if don’t che c k i t  but from a u t o   updatio n tech nique s calen dar i s  upd ate  and user  n o t  get worry a bout re ading  each mail. The   pro c e s s of a c hieving thi s  b y  the usi ng  concept  of o n tology ba se  o n  fuzzy logi c  and fu zzy ba se d   feature extra c tion an d co nce p t finding  is done.  Rel a tionship is  establi s h ed b e twee n obtai ned   con c e p t and feature, an d cl usteri ng of re ceived mail  i s  also don e by the using fuzzy logic. Based   on  similarity  self-clu ste r ing  and  con c e p t  clu s terin g  i s  d e fined a nd  re duced the  effort for th e em ail   cla ssifi cation  by the red u ct ion in con c e p t. Distri b u tio n  of wo rd in  email set is done by u s i ng  con c e p t vect or  and  it i s  p r ocesse d  one  by o ne. If two word a r e  find  simila r th e y  kept  in to  t h e   same  clu s te r. By the use s   mean a nd d e v iation a me mbershi p  fun c tion d e fined  for ea ch  clu s ter.  Con c e p t vect or i s  defin ed  for ea ch  clu s t e r a nd if a  word i s  n o t si milar to  any  existing  clu s ter a   new  clu s ter is defined for th at word.  Here  numbe r  of co nce p t fetched  is not describe in advan ce.  Re st of the  p aper o r gani zation a s  follo w:   se ction 2   cover the va ri ous re se arch  wo rk in   the field of e m ail cla s sification. In se ction 3 a ll the  u s abl e co ncep t rega rding  e m ail cla s sification  is discu s s, in se ction 4 pro posed metho d  is  given an d at last con c l u sio n  is given .         2. Related Work  Based  on thi s  mo rphol ogi cal mo del a  system i s  de veloped  whi c h take s inp u t i.e. an  Arabi c wo rd. That mean s the system uti lize mo rphol o g ical Ara b ic  Natural Lan g uage Pro c e s sing   (ANLP )  and  translate s  the Arabi c langu age int o  English l angu age [21 ]. Word Se nse   Disambig uati on (WSD) is cru c ial  and  its sig n if ica n ce i s  p r omi nent in eve r y application  of  comp utationa l  lingui stics. WSD  i s  a cha llenging  p r obl em of  Natu ral  Lan guag e Proce s sing  (NL P )  [22]. In this work us es   Hierarch ical  clu s tering  alg o rith m with  differe nt simila rity  measures wh ich   are  co sine. NlL is po we rful l mech ani sh m whi c h  we  can u s e s  in v a riou s a ppli c ation he re we  are  usin g NLP for the  email  data p r o c e s sing. Sem a n t ic email  wa s very  popul ar  colle ction  o f   sema ntic e m ail and m ana ged its ta sk g a in focused b y  the resea r ches. At the ti me of integ r a t ion  different m e a n ing i s  u s e d   for the  notati on, email  is f u ll of with  m e ta data [7].  Con s tru c tion   of  ontologi es d o ne for email  cla ssifi cation,  from t he em ail data set feature s   calcu l ated whi c h i s   use d  for trai ning of data,  for email cl assifier t hey  use d  feature  vector an d cla ssify emai l in  different cate gory [8]. Logi cal an d de cision ba sed th eoreti c  mod e l  is defined [9 ] set of updat e   were given to  the email as per ce rtain u t ilities  and co nstrai nt. Interferen ce p r obl em is de scrib e   here, lo gical  model   can  b e  take  ca re b a se d on  acce ptable em ail resp on se s. In polynomial ti me   it is possibl e  to gene rate  the optimal  messag e- han dling rule for the deci s io n  theory. Sup port  Vector  Ma chi ne (SVM ) u s ed by the a u thor fo r the  cl assificatio n  a nd filtration of  email ba se d  on  text classifie r ,  it is used fo r finding the u n wa nted  em a il [10]. Main motive of this approa ched  is    to prevent un usu a l and h a rmful email sp readi ng in  o u r  system  and  damag e it. In this [11] pap er  author fo cu sed the  for m o st u s a b le ta sk pe rfor med  with  email  read,  reply, d e lete, an d d e l ete  without  rea d .  By used  the l earni ng  co ncept predi ction  of the s e fo ur task, for that  hori z o n tal a n d   vertical le arni ng is  used. Clusteri ng te ch nique s i s   use d  for g r ou pin g  of simila r  kinds  of email s ,  email have  similar ki nd of  attributes  he re by  u s ing t e xt mining si milar type of  email find a nd  clu s terin g  of email is don e  [12]. Using spee ch ac t the o ry [13] categ o rization of e m ail done by the  use d  of  sen d e r inte nsi on i n  email  syste m . Fuzzy  ba sed spam   filtering  in email which not requi re   tr aining  of dat a s e t in  advanc e , it us ed t he c l us ter i ng  mec h anis m  bas e d on fuzzy logic  [14]. Her e   [19] author gi ves the idea  about lat ent semantic  anal ysis an d it is for finding th e simila r wo rd s in   the poetry an d analyzin g the emotion a l related n e ss. In [20] based  on sem antic l angu age aut ho r  prop osed co occuren c e se arch  e ngin e   f o r Chin es e-ti betan  and  m onitor t hat b a s e s  o n   sem a ntic  langu age but  they are not g i ven detail  ide a  about sema ntic ann otatio n.       3. Proposed  Work  for Email Clusterin g   3.1. Conce p t Vector    Senso r  Co ncept vector is associate d  with  ontology , in term of  extracted e n tity from   e m a il  c o r p ora .  A co nc e p t  ve c t or  is  a lin k er  be twe e n  entity in  a n  email  cont ent o r  d o cu ment.  Con s id eratio n of both se mantic an d le xical analys i s  is done in th e formation o f  concept vector,  terminol ogie s  used in emai l corp ora i s  re lated to  the concept. Con c ept formation  approa ch is t he  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 4, Dece mb er 201 6 :  1472 – 147 9   1474 extraction  of  basi c  termino l ogy used in  email whic h i s  relevant to  the most  of the email th e s e  basi c  termi n o l ogy can b e  called a s  ca ndi date.      3.2. Conce p t Cluste ring Algorithm   In We have set of email N , and in th at set numbe r of e-mail is   like  , , ....  all  together  with  a con c ept v e ctor   of   mail  , ,.... each e m ail   has its o w n  spe c ific p r o perty  some e m ail may has som e  prop erty sa me so from  set of mail let   grou p as , ,..... . We mak e   one co ncepts pattern for each email in  . for concepts   ,  its conce p ts pattern     is defined ,   by:        ,  , ....,        | , | , | ,...., |         (1)       Whe r e,        | ∑     ∑             ( 2 )      For  1 . Here    indicate the n u mbe r  of occurren ce of   in E-mail  ,    ca n  be define d  as:     1  when email   , belongs to  group  , if it not belongs to any grou p value o f    0  .  Here we h a ve con c ept s pattern, take an exa m ple that  we have si x emails   , , ,  ,  , ,  belongin g  to group  , ,   , ,  resp ectively  it can be simplif y as  , , ,  belong s to   and  ,  , ,  belon gs t o     No w o c c u r r e n ce s of  in the s e e m ails be  1, 2, 3, 4, 5 a nd 6  re spe c ti vely. Email  pattern   of   of   can be  cal c ulate d  by the usin g equ ation numb e r  2.       0.3, 0.7            ( 3 )     Our motive is the making cluster, ba sed  on these ema il pattern. Combine the em ail in    into clu s ter b a se d on the s e email patterns.   A clu s ter h a ve certai n n u m ber of  emai l pattern a nd  is the  p r od uct  of d  on e-di m ensi onal   Gau ssi an fun c tion.  Let    be a cluster containin g    e m ail  pattern   ,  ,  , ....  . Let    ,  ,  , ...,  , ,  1 .     3.3. Adap tiv e -clus t ering   Let sup p o s e  here u s e r   don’t have a n y idea abo ut existing n u mbe r  of clu s ter, let   sup p o s e no  cluster i s  exist s  at the begin n ing an d  clu s ter  can b e  created a s  per  need s. If a new  clu s ter i s  d e fined a  detail  containin g  ab o u t that cl u s te r a fun c tion i s  also  ge nerated. While if a n   email patte rn  is combin ed  with existin g   clu s ter it deta il contai ning f unctio n  up dat ed a s  pe r ne w  entry.   Initial Conditi on:  1.   numbe r of cl uster  2.  , ,,......  be the numb e r of clu s ter  3.          ,  ,....,,    4.     , ,....,    5.    ,  , ....,          6.  Matchin g  or  similarity between          Similarity calculation   ∏            We have defined som e  thresh old value   between 0 and 1 if we want to create larg e r   clu s ter thre sh old value set to small value.    pass the simila rity test  if its  value is greater than  set thre sh old  value  . If value of   increa se s simil a rity is  less and i n  th at ca se nu mb er of cl uste r  is  more. If s i milarity tes t  is not pass e s  by    foration of  new  clu s ter is done for that .   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Em ail Classifi cation  Usi ng  Adaptive O n tologie s  Lea rn ing (Sum a T)  1475 Ne wly forme d  cluste r ha s only one member mail pa ttern  is the newly formed  clu s ter   1  if    passe d th e simila rity test then n e w  clu s ter i s  n o t formed  and  find that like  it s  most  simila r t o  t he clust e r   . Pattern of email sorted  in a  decre a s ing order, calcul ation for  simila rity is done an d com pare it with all  the existing cluster.    Conc ept Extrac tion  Pattern extra c tion can be  expre s sed in  the followin g  form:     N ’ = N S              ( 4 )     Whe r e,         . ...            ( 5 )       ′  ′  ′  ′ . . . ′             ( 6 )          . . .     . . .     . . .   . . . . . . . . .  .   . . .              ( 7 )     With,        . ...             ( 8 )       ′   ′   ′   ′ . ..  ′           ( 9 )     For  1  clearly, S is a  weighti ng matrix. The  aim of pattern red u ctio n  is achieves  by finding an  approp riate  S  such that  c  is smalle r than  n .   By usin g  clu s terin g   algo rithm, con c ept s pattern h a ve  bee n g r o u p ed into  cl ust e rs,  an d  con c e p ts in the pattern vector V are  also cl uste re d according to that.  One  pattern vecto r  i s   assign  to o n e  cl uste r,  so  for different-d ifferent  cluste r we h a ve dif f erent p a ttern  vecto r s. If  we   have  c  l u ste r  in th at case  we  have   c  ex tracted  p a ttern vecto r   also.  Th e  eleme n t  of S a r e  fin d   based on the  obtained  clu s ters, and pa ttern extracti on will be do ne. Our p r op ose d  wei ghtin g   approa che s  i d  ha rd,  soft a nd mixed. In  t he h a rd  – w ei ghting  app roa c h, e a ch  word is only  allo we d   to belong to  a clu s ter, a n d  so it only co ntribute to a  new extracte d pattern. In t h is  case ele m ent   of  S  are defin ed as follo ws:         ,      , ,  .        ( 1 0 )     If  l  is not unique in  (10 ) , one of them is cho s e n  ran domly. In the soft-weightin g   approa ch, ea ch  wo rd i s  al lowe d to con t ribute to all  new  extra c te d patterns,  with the deg re es  depe nding o n  the values of  the membership functio n s.   The elem ent of  S  in (4)  are defined a s  follows:                      (11 )     Combi nation   of hard  weig h t ing an d  soft  weig hting a p p roa c h  give  a  ne w a pproa ch called   mixed-weighti ng app roa c h.  For this  ca se,  t he element S in (8) are d e fined a s  follows:                       ( 1 2 )     Whe r e    is obtained by (10 )  and    is obtain ed by (11), a nd   is a user-defined con s tant lying  betwe en 1 an d 0. Note    is not relate d to the clu s teri ng  but  it concerns the me rg e of comp one nt   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 4, Dece mb er 201 6 :  1472 – 147 9   1476 pattern in a clus ter into  a res u lt in g patte rn.  If thresho l d value i s   small, the n u m ber  of cl uste r is  small, and e a ch  clu s ter covers m o re t y pe match. In this ca se, a smalle r   value favor  soft- weig hting a n d  get hig her  accuracy.   ca n vary bet we en 0 a nd 1, a s  threshold in cre a ses  num be r  of cluste r also increa se s.    3.4. Extrac tion of Rela tio n   Let Rel a tion  extraction  in  an em ail do cument  can  b e  don e b a se d on  gramma r rule o r   Part of spee ch (POS) like Nou n , verb, adverb et c. Establi s h the relation betwe en these tokens  or word by t he use of POS like which POS belon gs to which  Nou n  or verb  or it belong s to   adverb  etc. S y ntactic p a ttern i s  u s ed to   find t he Part _ o f Relatio n s.  In RDF mo de l data  subje c t  predi cate  an d obje c t is  consi dered a n d  it woul d  be  extracted  wi th sema ntic relation bet we en  them and thei r domai n.  Define Is_A relation ship b e twee n No un  and it  can  b e  found by checkin g  for h y pernym s   in WordNet For exampl e:  The  obtain e d  output  hype rnymically  rel a ted  syns et  can b e   re con s tructed  by th e trail  of  hypernymi call y related sy nset s let take an  example:   {robi n,re dbre a st} @ → {bird} @ → { anim a l,a n imate_b eing }@ → {o rga n ism,life_form,living_thing }@ → is a  tran sitive  , sem antic relation th at can b e   con s id ered  a s  IS_A  of KIND OF   and  dire ction  of  arrow rep r e s ent as up wa rd pointing [18 ] .    3.5. Email Classifica tion  based on o n tolog y        is set of train i ng email s , E-mail cla ssifi cation ca n be  done a s :   Author  spe c if y the match e d  thre shol d    ,       A s s u m e  t h a t     clu s te rs are  obtaine d for the words in the con c e p t vector  . then we find weighti ng matrix  S  a nd conve r t   to   ′  by the use of  SROIQ onto l ogy tool extraction.    The  syntax a nd  sema ntics of SROIQ  i s   su mm ari z e d  in T able  1. The  set  of SROIQ   con c e p ts is recu rsively de fined usin g the con s truc t o rs in the up per pa rt of the table, wh ere   A ∈ ,  ,  are  con c ept s,  ,  role s,   an individual, an d   a positive integer.       Table 1 Te rm inology for on tology tool  Name  S y nta x   Semantics  Concepts  atomic concept                        nominal      top concept      negation      /   conjunction  ח   ⋂   existential restriction  ∃.   | ,  ∅   min cardinality   .   | ∥ , ∥    ex ists self   ∃.    | , ∈   Ax ioms  Com p lex rol e  in clusio n   ⊑   ⊆   disjoint roles   ,   ∩ ∅   concept inclusion   ⊑   ⊆   concept assertion     ∈   rol e  as s e rti on  ,    〈 , 〉 ∈       4. Simultion  Resul t  And  Analy s is    The ontol ogy  extraction e ngine a nd visualizati on too l  is reali z e d   usin g C#. N et  built on  the Visual St udio  2010 pl atform. The  Semantic  E-Mails were pre-proc essed for S pelling  and  Gram mar  Ch eck usi ng Mi cro s oft Office  librarie s  inte grated  with the appli c atio n. The English   Dictionary av ailable  within  Microsoft Office pa ckage was utilized as a  benchmark. The  ontol ogy  engin e  used f o r evalu a tion  is also interfa c ed to t he  Ou tlook Mail  Cli ent and the a c tivity semant ic  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Em ail Classifi cation  Usi ng  Adaptive O n tologie s  Lea r n i ng (Sum a T)  1477 details  were  succe s sfully updated to  the Calend ar. Notificati on rem a inde rs could al so be   enabl ed fo r  use r . E-M a ils have  bee n  clu s tere d  ba sed o n  th e p a ttern extra c te d an d th e  NLP  visuali z ation  clea rly dem o n strate s th e  relation  bet ween the  con c epts extracte d. He re Auth or  use s  E n ro n  E-mail  data  set, and  try to  find o u t th e   exact d a ta  set ba sed  on   these  detail  li ke  Date, time, v enue, m eetin g etc.  and  fin d  the  num b e r of con c ept i n  ea ch m a ils.  The B C 3  Co rpus  [16, 17] co nsi s ts of a bout  40 thre ad s e m bodying  26 1 E-Mail s. Th e BC3  co rpu s  is  a pa rt of  the   W3 C co rpu s ,  as sho w n in  Figures 1 - 6.             Figure 1. Concept Extracte d for Each Mail in    BC3 Corpus  Figure 2. Rel a tion obtain e d  for Each M a il in  BC3        Figure 3. Con c ept Extracte d for Each M a il in  Cu stom Co rp us   Figure 4. Relation Extrac ted for Mail in  Cu stom Co rp us           Figure 5. Ontology Extract e d   Figure  6. Co mputation Ti me For  Numb er      Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 14, No. 4, Dece mb er 201 6 :  1472 – 147 9   1478 Ontology  rep r esentation  for BC3  corp us i s  s h ow n  in   F i g u r e  7  w h er e  r e la tio n s h i p  establi s h  bet wee n  o b taine d  con c ept.On t ology extra c t i on for  cu sto m  data s et i s   visuali z ed  wh ich  con s i s t of 2 0   emails.  The  o n tology extra c tion fo r  emai l 2 i s  visuali z ed in  Figu re   8 which  con s i s t  of co ncept  su ch  as pe ople,  area.  Relatio n shi p   am ong  con c e p t  from  variou s  e m ail s   a nd ba sed  on  this ontolo g y extraction the  calen dar i s  u pdated for ev ery inco ming  and outg oing  email.        Figure 7.  Schematic  rep r e s entatio n of  ontology extraction for B C 3 corpu s  data s et       Figure 8. Sch e matic  representation of  ontology extraction for  Cu stum Corp us  corpu s  data s et      5. Conclusio n   Email is p r i m ary source  of comm uni cation fo r th e bu sine ss  orga nization,  we a r e  depe ndent  o n  it for ou r communi catio n  to the hig h e r auth o rity. Orga nization  can  se nd variou s  types  of email for trans f erring  s o me informat ion calling for meeting,  s o me organiz a tion  send  prom otional  email, so me  are fo r adve r tising th eir  p r odu cts. So h andle of all  ki nds  of email  and   read e a ch e m ail is a hu rdle for user a nd may esca pe an impo rt ant mail in that case. To a v oid   these   case a nd  b e tter ma nagem ent of  email, he re  based  on  co nce p t extra c ti on  clu s teri ng  is  done fo r that  if a new  mai l  is arrive s is simila ri ty for that mail pat tern is match ed with  existi ng  clu s ter, if  simi larity value i s   more th an  or  equal  to  the t h re shol d valu e it acce pted  for that  clu s te r  if similarity value i s  not m a tche d with  any cl u s te r value a  ne w  cluster is  defi ned a n d initi a lize   some  me mb er fu nctio n  fo r that. Extra c ted con c ept s rel a tion ship  i s  e s tabli s h  a nd g e ne rate  the  auto upd atio n is don e wit h  cale nda r. We a r e al so   cal c ulatin g computation  o v er hea d  for  the   different num ber of mail s.      Referen ces   [1]  Y Hu, C G uo,  X Z han g, Z  G u o, J Z hang, X He.  An Intelli g ent Spa m  F ilte r ing Syste m  Based o n  F u zz y   Clusteri ng . F u zz y  S y stems  and Kn o w l e dge D i scov e r y , 20 09, F SKD ' 09. Si xth  Internatio nal   Confer ence  on .  T i anjin. 20 09:  515-5 19.   [2]  Kolcz A, Chow dhur y  A, Als pector J.  T he impact of feat ure sel e ctio n on sig natu d e t e ction . CEAS.   200 4.  [3]  Kazem T aghva ,  Julie Bors ack ,  Jeffre y  S. Co om bs, Alle n C ond it, Steven Lumos, T homas A.Nartker .  O n tology- bas e d  Classific a tio n  of Email . IT CC, IEEE Computer 2003  Society .  2003:  194-198.   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930     Em ail Classifi cation  Usi ng  Adaptive O n tologie s  Lea rn ing (Sum a T)  1479 [4]  Lassila O, S w ick R.  Res ourc e  Descr iptio n   F r amew ork ( R DF ) Mode l a n d  Syntax Sp ecifi c ation.  W3C  Recomme nd ati on. 200 4.   [5]  Prud’ homme au x E, S eab or ne A.  SPARQL Query L anguage for  RDF . W3 C C a nd id a t e  Recomme nd ati on. 200 8.   [6]  Gruber R. T o w a rds pri n cip l es  for the desi g n  of ontolo g ies  used for kn o w l edg e shari ng.  International  Journ a l of Hu man-C o mputer S t udies . 19 95; 4 3 : 907-9 28.   [7]  L Mcdo w e ll, O Etzioni, A Halevy , H Levy .   Semantic e m ai l.  In WW W ’04 :  Proceedi ngs  of the 13th   intern ation a l co nferenc e on W o rld W i d e  W e b .  Ne w  Y o rk, NY, USA. 2004: 244- 254.   [8]  K  T aghva, J Borsack, J Coo m bs, A Condit ,  S Lumos,  T   Nartker,  Ontol ogy-b ased cl a ssificatio n  of  email . In fo rmati o n  T e ch no l ogy : Co di n g  an d C o mp u t i n g  [C o m pu te rs and  Co mmu ni ca ti o n s ], 20 03 .  Procee din g s. IT CC 2003. Internatio nal C onfe r ence o n . 200 3 :  194-19 8.  [9]  Luke McD o w e ll , Oren Etzioni, Alon H a l e v y .  S e mantic E m a il:  T heory an d A pplic atio ns . De partment of   Comp uter Scie nce & Engi ne e r ing, Un iversi t y  of W a shingto n .  Seattle, W A .  200 4.  [10]  Qing Y ang, F a ng-Min  L i .  Sup port vector  ma chin e for c u sto m i z e d   e m a il filt erin g b a se d o n  i m prov in g   latent s e ma nti c  in dexi n g .  Machi ne  Le ar nin g  a n d  C y bern e tics, 2 0 05. Proc ee din g s of  20 05   Internatio na l C onfere n ce o n . Guangz ho u, Chin a. 200 5; 6: 378 7-37 91.   [11]  Dotan  Di C a stro, Z ohar K a rni n .  You’ ve got Mail, and Here is What  you  Could do Wi th It!nAnaly z in g  and Pre d icti ng  Actions on E m ail Mess ages .  W S DM’16. Sa n F r ancisco, C A , USA. 2016.  [12]  SF  Shazme en , J G y ani.   A  nove l  a ppr oac h for c l usteri n g  e- mail  us ers usi ng  patter n   match i n g.  Electron ics Co mputer T e chnolo g y  (ICE CT ), 2011 3r d Int e rnati ona l Co n f erence o n . Kan y ak umari.   201 1: 205- 209.   [13]  VR Carva l ho,  W W  Cohen.  On the col l ectiv e  classificati on  of email "s pe e c h acts".  Proce edi ngs of the   28th  annual international ACM S IGIR conference on  Research  and  development  in information  retrieval. Sa lva dor, Brazil, 20 0 5 .  [14]  Y Hu, C Guo,  X Z han g, Z  Gu o, J Z hang, X He.  An Intelli g ent Spa m  F ilte r ing Syste m  Based o n  F u zz y   Clusteri n g . F u zz y  S y stems  and Kn o w l e dge D i scov e r y , 20 09. F SKD ' 09. Si xth  Internatio nal   Confer ence  on .  T i anjin. 20 09:  515-5 19.   [15]  Horrocks I, Kutz O, Sattler U.  T he even  mor e  irresistibl e  SR OIQ . 2006.   [16]  Ulrich  J, Murr a y  G, Care ni ni G.  A Pu bli c ly Avai la ble   Annotate d  C o r pus for S u p e r v ised E m ail   Summari z a tion.  AAAI08 EMAIL Workshop. C h ica go, USA. 2 008.   [17] http://baila ndo. sims.berkel e y. edu/ e n ro n/enro n _ w it h_cat egor ies.tar.gz   [18]  F e llb aum C. W o rdN e t: An ele c tronic le xical  datab ase. 19 9 8   [19]  W u jian Y a n g , Lia n y ue  Li n. Process Impro v ement  of LS A for Semanti c  Relate dn ess  Computi n g .   T E LKOMNIKA T e leco mmunic a tion C o mputi n g Electron ics a nd Co ntrol.  20 14; 12(4): 1 045 -105 2.  [20]  Liro ng Qiu. W e bsite Res ourc e  Monitori ng  Pl a tform Supporti ng T i betan a n d  U y ghur  Lan gu age B a sed   on Sema ntics.  T E LKOMNIKA Indon esi an Jou r nal of Electric al Eng i ne eri ng.  2013; 1 1 (8): 4 766- 477 3.   [21]  Abdu lrahm an Ahmed Alza nd ,  R  Ibrah i m.  Di acritics of Ar a b ic N a tura l L a ngu ag e Proc e ssing (A NLP)   and  its qu al ity assess me nt . Industria l En gin eeri ng  an d  Oper atio ns  Mana geme n t ( I EOM), 2015   Internatio na l C onfere n ce o n . Dub a i. 20 15: 1 - 5.  [22]  N Patel, B Pat e l, R Parikh, B Bhatt.  Hierarc hical c l usteri ng  techni que for  w o rd sense  dis a mbi guati o n   usin g Hi nd i  WordNet . 20 1 5  5th  Nirma  Univ ersit y  Internati o n a l C onfere n ce  on  Engi ne erin g   (NUiCONE). A h med aba d. 20 15: 1-5.       Evaluation Warning : The document was created with Spire.PDF for Python.