Корпус Енрон — це база даних із понад 600 000 електронних листів, створених 158 співробітниками корпорації Енрон за роки, що передували краху компанії в грудні 2001 року. Корпус був створений із серверів електронних листів Енрон Федеральною комісією з регулювання енергетики (ФКРЕ) під час його подальшого розслідування.«The Enron Email Corpus » Retrieved March 5, 2011.. Копію бази даних електронних листів згодом придбав за 10 000 доларів Ендрю МакКаллум, спеціаліст з інформатики з Массачусетського університету АмхерстаMarkoff, John. «Armies of Expensive Lawyers, Replaced by Cheaper Software ». New York Times March 5, 2011. p A1. . Він надав цю копію дослідникам, надавши величезну кількість даних, які використовувалися для досліджень соціальних мереж та комунікації за допомогою комп'ютера.
Створення Під час юридичного розслідування краху Енрон, процес відкриття вимагав збору та збереження величезної кількості даних, для чого ФКРЕ найняв Aspen Systems (нині входить до Lockheed Martin). Листи були зібрані в штаб-квартирі Енрон в Х'юстоні протягом двох тижнів у травні 2002 року Джо Бартлінгом, підрядником із підтримки судових процесів та аналізу даних для Aspen. На додаток до електронних листів співробітників Енрон, усі корпоративні системи баз даних Енрон, розміщені в базах даних Oracle на серверах Sun Microsystems, були перехоплені та збережені, включно з його онлайн-платформою для торгівлі енергією EnronOnline.
Після збору електронних листів Енрон були оброблені та розміщені на власних електронних платформах виявлення (спочатку Concordance, потім iCONECT) для перегляду слідчим з ФКРЕ, комісії з торгівлі товарними ф'ючерсами та Міністерства юстиції США. Після завершення розслідування та після опублікування звіту співробітників ФКРЕFERC Staff Report — Price Manipulation in Western Markets — Findings at a Glance (3-26-2003), зібрані електронні листи та інформація вважалися загальнодоступними та використовувалися для історичних досліджень та академічних цілей. Архів електронних листів був загальнодоступним і доступним для пошуку в Інтернеті за допомогою iCONECT 24/7, але величезний обсяг електронних листів понад 160 ГБ зробив його непрактичним для використання. Копії зібраних електронних листів і баз даних були доступні на жорстких дисках.
Джитеш Шетті і Джафар Адібі з Університету Південної Каліфорнії обробили дані в 2004 році і випустили версію MySQL«Enron processed database ». У 2010 році EDRM.net опублікував переглянуту та розширену версію 2 корпусу, що містить понад 1,7 мільйона повідомлень, яка була доступна на Amazon S3 для легкого доступу дослідникам.
Експлуатація
Корпус оцінюється як один з небагатьох загальнодоступних масових колекцій справжніх електронних листів, легко доступних для вивчення; такі колекції, як правило, пов'язані численними обмеженнями щодо конфіденційності та юридичними обмеженнями, які роблять до них надзвичайно складним доступ, наприклад угоди про нерозголошення та очищення даних. Шетті та Адібі, на основі їхньої версії MySQL, опублікували деякий аналіз посилань щодо того, які облікові записи користувачів надіслали електронною поштою. Лінгвістичне порівняння з новішими корпусами електронних листів показує зміни в реєстрі електронних листів англійською мовою. Він також використовується як тренувальні або випробувальні набори для досліджень в обробці природної мови та машинному навчанні.
Примітки
Посилання Nuix data set cleansed of PII (вимагає реєстрації) Tutorial on data modeling with the Enron Corpus Shetty and Adibi's enron email dataset download on S3 (178 MB) Nathan Heller: What the Enron E-mails Say About Us The New Yorker, July 24, 2017 Searchable Enron Email Database (вимагає реєстрації) Open Test Search Корпус усіх вкладень електронної пошти з можливістю пошуку, який використовується для порівняння різних корпоративних пошукових систем.