切换外观
enron-steffes-j 的噪音画像（对照来源）
状态：由 scripts/build_corpus.py noise enron-steffes-j 生成的 noise.json 整理。原文不入库，下文不引正文。
窗口是 2001-10-22 至 11-04（America/Chicago），邮箱主人是 Enron 的 James D. Steffes，来源与范围见语料说明。它和主来源 curl-bagder 的噪音形态不同，可以检验 Agent 的取舍是否只对开源维护者的通知流有效。
一眼看差别
- 长，而且层层引用。 中位 1428 字符，P90 5320 字符，277 条（37%）超过 2000 字被截断；来信里 225 封（45%）带着整段“Original Message”或转发链。手写情境最长 67 字。
- 广播多于对话。 来信收件人加抄送中位 3 人、P90 18 人，104 封（21%）同时发给 10 人以上；新闻剪报“Enron Mentions”两周 13 封。
- 一次性的多。 402 个主题里 258 个只出现一次；手写情境的 13 个事项只有 4 个只出现一次。
- 文本规则抓到的低信息量只有 10%（系统通知、新闻信、自动回复、空正文与致谢），远低于主来源；但 504 封来信里有 322 封最后进了已删除，说明这里的噪音主要是“与我无关”，而不是“没有内容”。
- 时间集中在工作日白天。 中位间隔 4.7 分钟，116 次与上一条落在同一分钟；周末与夜间很少，3 个 12 小时帧是空的。
并排指标
| 指标 | Enron 邮箱 | 手写情境 |
|---|---|---|
| 输入条数（来信 / 本人发出） | 754（504 / 250） | 112 |
| 帧数；每帧均值 / 中位 / 最多；空帧 | 28；26.9 / 19 / 81；3 | 37；3.0 / 3 / 9；3 |
| 每帧原文字符 中位 / 最多（截断后） | 24,374 / 105,771 | 101 / 376 |
| 作者：他人 / 本人 / 机器人 / 自动化发件 | 463 / 250 / 0 / 41 | 65 / 26 / 13 / 8 |
| 不同作者；前 5 位占比 | 138；46% | 27；59% |
| 低信息量合计（占全部；占他人发来） | 62（8%）；10% | 21（19%）；24% |
| 其中机器人 / 模板通知 / 空内容 / 致谢附和 | 41 / 0 / 7 / 14 | 21 / 0 / 0 / 0 |
| 核心文本完全重复（其中 ≥30 字） | 34（11） | 0（0） |
| 近重复（≥30 字，7 天内 4-gram Jaccard ≥ 0.6） | 28（4%） | 0（0%） |
| 事项（邮件主题）数；只出现一次的 | 402；258 | 13；4 |
| 每事项输入数 中位 / P90 / 最多 | 1 / 4 / 17 | 8 / 15.8 / 17 |
| 长度（字符）P10 / 中位 / P90 / 最长 | 222 / 1428 / 5320 / 122,537 | 18 / 35 / 47 / 67 |
| 超过 2000 字被截断；短于 20 字 | 277；2 | 0；14 |
| 到达间隔（分钟）P10 / 中位 / P90 / 最长 | 0.6 / 4.7 / 34.7 / 2003 | 3 / 13 / 736 / 1400 |
| 同一分钟内连续到达 | 116 | 0 |
| 当地 0–7 点到达 | 12（2%） | 0 |
口径差异
- 指标定义与主来源相同。“核心文本”另外截去 Outlook 式回复下方的“Original Message”引用，否则长回复链会被算成近重复。
- 自动化发件按发件地址与主题识别：系统账号、报销系统、新闻信、退信与“out of the office”自动回复。人发出的新闻剪报和群发公告不算自动化。
- 事项按去掉 RE:/FW: 后的主题归并；空主题各自成一项。
- 来信最后所在的文件夹（收件箱、已删除或某个归档夹）是事后的处置，只用于弱标注，不进入帧；事件 ID 用 Message-ID 的摘要，避免从文件路径看出文件夹。
- 同一 Message-ID 在多个文件夹里的副本会合成一条；这个窗口里没有出现这种副本。
局限
- 2001 年的企业邮件没有机器人通知、CI 或社交媒体，噪音来源和今天的工作流不同。
- 窗口恰逢公司危机公开化，新闻剪报与内部公告比平时多。
- 语料来自他交出的邮箱，可能已有人工删减；文件夹整理的时间未知。