剑客
关注科技互联网

互联网潜规则:如何进行敏感词屏蔽

最近对直播比较感兴趣,被问到一个问题——如何屏蔽弹幕中的不良内容?于是便有了如下的学习内容。

互联网潜规则:如何进行敏感词屏蔽

一、什么是敏感词汇?

1.分类

敏感词可大致分为以下几类: 政治相关和人名、迷信邪教、黄赌毒、枪支弹药类、骂人讽刺类、时事类、广告和非法信息、其他类

网上有很多专门的敏感词库,我在网盘里上传了一份名为百度内部的敏感词文件,仅供查看https://pan.baidu.com/s/1o8xtX1K。

2.常出没的地方

所有传播的信息都需要。发送这些垃圾信息的人或者团队被称为“垃圾虫”。

敏感词不仅出现在 社区论坛、IM聊天、影音娱乐 等内部的评论或上传信息区域,还隐藏在 头像、昵称和签名 这种地方,需要全面鉴别。

3.哪些地方需要屏蔽?

平常我们主要做的屏蔽是 广告过滤、黄赌毒、暴力恐怖、谣言排查 等几种。不同的场合屏蔽的级别不同,而且基于传播时效性的不同,屏蔽方式分为同步过滤和异步召回。

比如微博的屏蔽就需要做到基础和全面,甚至一些时事热点也要纳入屏蔽范围。

再比如B站,为了保持弹幕的质量,它还需要屏蔽一些刷屏的、内容尴尬的弹幕,这些弹幕的内容不算敏感,只是让人不喜欢。B站在弹幕方面算是鼻祖,做到了极致—— 用户可以根据颜色、字体大小、展示方式甚至自定义的文本来进行屏蔽 ,同时,在视频右边还有专门的弹幕栏,也就是说,我可以弹幕内容当做评论一条条地看而不受其干扰。如图所示:

互联网潜规则:如何进行敏感词屏蔽

二、目前有哪些手段可以进行屏蔽?

综合说来,技术屏蔽手段主要通过特征库、语义分析、机器学习等方法来展开。网易易盾上是分三类来写的:垃圾发现、垃圾识别、垃圾处理,有点表意不明,所以下面具体来介绍一下。(以下综合易盾和joylnwang的博客整理而成。)

1.垃圾发现——针对新垃圾

①用户举报:主要是指用户在使用产品过程中遇到不良信息,于是进行投诉。

为了保证投诉的效果,我们需要在 举报的便捷性、显眼展示和奖励机制 上花一些功夫去做,同时还需要 建立科学的举报分类 ,不仅方便用户选择,还能极大地帮助反垃圾训练特征样本,综合来做才能有更好的效果。

②内容聚合:主要是 通过判断内容的相似性 ,从而确定是否为垃圾信息。

就文本来说,其相似度分为两个层面, 第一是基于编辑距离的文本相似度计算 ,这种算法是根据一段文字如何经过增删、移动而转化为另一段文字的操作步数,来计算两段文字的相似程度,运算的时间和空间复杂度都很高, 对于评论,标题这样的短文本往往能获得不错的效果 ,缺点是对长文本不太适用,且没有考虑文本中意群的重要性。

第二是需要在原始文本中切分出有意义的Term,然后对于两篇文章的Term集合,运算得出文本的相似程度。复杂性上要高于前者, 但在处理长文本的方面有优势 ,而且更有可能从意义的角度识别出相似的文本族(来源于http://blog.csdn.net/joylnwang/article/details/6831565)。

③蜜罐系统:主要是针对专业的垃圾虫团体。

通常垃圾虫都有特定的工具协助,而这些工具大多会分析页面元素并进行调用。 如果在页面中埋伏一些“蜜罐”,正常的用户无法看到这些入口,但是程序会直接调用这些入口进行垃圾信息发送。 比如某一些隐藏的评论主题,只有程序才会去抓取这些主题并对它们发送垃圾信息。那么进了这些“蜜罐”里的人,都可以被判断为非正常的用户。

2.垃圾识别

①特征匹配:主要是基于已有垃圾特征进行匹配。

对文本来说,建立敏感词库就可以直接屏蔽相关词句,同时, 对于文字的变种比如简转繁、加空格、形近字、音近字,都可以有效识别。

对图片来说,主要是MD5,鲁棒哈希,Sift特征识别等手段。对于音频和视频也支持MD5匹配。(原谅我实在不能理清后面几种手段的具体技术实现,不能展开讲,有兴趣的可以百度。)总之, 这几种手段可以支持人像识别、动漫识别、相似匹配、图片旋转裁剪、改变亮度色调、水印识别等,基本囊括了所有的不良图片。

②模型匹配: 主要是基于机器学习 ,可以在没有具体特征样本库的情况下识别内容的分类。

音频文件也通过大量语料学习能把语音转换成文本,然后进入文本匹配过程。视频则通过截图的方式转换成为图片识别。

③规则匹配: 即模式匹配,分为正则表达式、多模式匹配算法、基于元数据的定制等。

百度给的定义是:模式匹配是数据结构中字符串的一种基本运算,给定一个子串,要求在某个字符串中找出与该子串相同的所有子串。比如自定义规则:同IP下5分钟内发送内容相似度超80%的封禁1小时。

3.垃圾处理

①基础处理:删除内容,封禁内容,封禁用户,删除用户,封禁IP,封禁设备等常规手段

②隐蔽操作: 普通的屏蔽操作容易被垃圾虫感知,当他们发现被屏蔽时,会想办法来“破解”反垃圾。故需要进行隐蔽,比较常见的做法有:垃圾发送接口返回成功,但实际仅用户自己可见。

比如直播中的弹幕,进行虚拟展示,仅用户自己可见,其他人都看不到。

③后续操作:每天把删除的垃圾内容汇总到内部分拣平台,由专业人员进行分析和对数据的分拣标记,完成各种模型以及规则的升级。

4.介绍一种常用常见的屏蔽工具——Adblock

Adblock是Mozilla Firefox、Mozilla Application Suite以及Google Chrome浏览器所使用的扩展。

Adblock允许用户拦截广告在内的各种页面元素,并使这些内容不被下载和显示。右键单击一个条幅广告,在上下文菜单中选择“Adblock”,它就再也不会被载入了;或者在侧栏打开 Adblock Plus 查看页面的所有元素,然后选择阻止条幅广告。您可以在过滤器中使用通配符或正则表达式来阻挡所有广告。

以上内容可解决大部分的敏感内容屏蔽问题,如有疑议,请在评论区回复,欢迎一起探讨~

本文由 @小乔(微信公众号:乱入花间化绿叶) 原创发布于人人都是产品经理。未经许可,禁止转载。

分享到:更多 ()

评论 抢沙发

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址