邮件解析中如何分离并提取报价邮件？技术方案求助

• 关键词规则匹配（快速落地）
  直接基于邮件标题、正文匹配报价相关关键词，是最易实现的方案。
  先定义核心关键词库：["报价", "Quotation", "Quote", "价格", "单价", "报价单", "bid", "投标"]，再检查邮件标题或正文是否包含任意关键词。还可以进一步匹配带数字的价格格式（如¥\d+、\$\d+）、特定报价单号，提升准确率。
  示例Python代码：

  def is_quotation_email(subject, content):
      keywords = {"报价", "Quotation", "Quote", "价格", "单价", "报价单"}
      subject_lower = subject.lower()
      content_lower = content.lower()
      return any(keyword.lower() in subject_lower or keyword.lower() in content_lower for keyword in keywords)
  

• 利用邮件元数据筛选
  很多企业报价邮件有固定特征：比如发件人是销售部门邮箱（后缀含sales、quote）、主题带统一前缀（如【报价】-XX项目）。直接基于发件人域名、主题前缀做筛选，能快速缩小范围。

• 轻量NLP文本分类（提升准确率）
  若规则匹配不够精准，可采用轻量文本分类模型：

  1. 收集一批已标注的报价/非报价邮件作为数据集
  2. 用TF-IDF提取文本特征，搭配朴素贝叶斯分类器训练模型
     示例代码片段：

  from sklearn.feature_extraction.text import TfidfVectorizer
  from sklearn.naive_bayes import MultinomialNB
  
  # X为邮件文本列表，y为标注标签（1=报价，0=非报价）
  vectorizer = TfidfVectorizer(stop_words='english')
  X_tfidf = vectorizer.fit_transform(X)
  clf = MultinomialNB()
  clf.fit(X_tfidf, y)
  
  # 预测新邮件
  def predict_quotation(email_content):
      return clf.predict(vectorizer.transform([email_content]))[0] == 1
  

• 结合附件特征判断
  报价邮件常附带Excel、PDF格式的报价单，文件名多含报价、quote关键词。可检查邮件附件的文件名和类型，作为辅助判断条件。

• 规则迭代优化
  先用简单规则跑通流程，再收集误判邮件，补充关键词、调整规则（比如排除含取消报价、报价无效的邮件），逐步提升筛选准确率。

内容的提问来源于stack exchange，提问作者Cupcake