反垃圾系统搭建浅谈（汉字攻防战完整版）

在信息爆炸的时代，垃圾消息不断充斥着我们的信息接受场景。这时候，搭建反垃圾系统就成了迫在眉睫的事情，而笔者也结合自己的思考给出了几点实施建议。

一、前言

1.1 反垃圾概念

反垃圾，通常是对由用户生产的内容，进行敏感、垃圾信息的过滤系统。主要有：垃圾邮件拦截、微博广告过滤、弹幕、直播等场景。反垃圾，又分为人工反垃圾和机器反垃圾。我们这里说的反垃圾，特指机器反垃圾。

机器反垃圾的意义，有以下几点：

（1）净化社区环境

过滤社区中的垃圾信息（违法、广告、色情、恶意灌水等）。这是文本反垃圾最基础、最重要的工作。如果这块做不好，对整个产品影响非常大。比如：之前有过新闻报道，微博、贴吧中存在太多的淫秽色情信息，被网信办给予了行政处罚和整顿处理；再有，小密圈（现改名为知识星球）因为涉黄，被停止运营了一个星期，影响非常大，尤其是对于一个在高速发展中的新产品。

（2）减少人工审核工作量

在很多大型公司，都有着非常庞大的人工审核团队。像头条、微博等，都至少是上千规模的人工审核团队，其他直播类的网站，也都基本接近1000人的规模。这么大的团队规模，对于每个公司，其实都是一个比较大的开支。而且，人工审核不仅效率低下，也会产生一定的误伤、漏删情况。机器自动反垃圾，在很大程度是减少人工审核工作量，提高审核效率，节省公司开支。

（3）配合社区运营

机器反垃圾，有着各式各样、松紧不同的策略，也是社区运营的一个重要手段。比如，当前社区用户活跃较少时，可能需要通过配置策略，整体管控放松；如果社区用户活跃较多，就需要适当收紧反垃圾策略，确保社区质量，避免水化。有时候，可能也会屏蔽竞品讨论等，也可以算作反垃圾的内容。当然，这里除了反垃圾，通常还需要一定的精彩文本提取的策略。在这里不进行讨论，有空的时候，我会单独拿出来说。

1.2 目前市面上反垃圾产品的现状

由前文所述，可见反垃圾对于社区的重要性。那么，目前市面上的反垃圾产品，是个什么现状呢？

反垃圾技术，在90年代的垃圾邮件过滤系统产生的时候，就已经开始发展。到现在，按理说是十分成熟。但是，通过我对各大互联网公司，像腾讯的qq、微信，阿里的淘宝、微博，百度的贴吧，头条的头条、抖音等，发现效果其实并不尽如人意；其他第三方服务，像数美、网易易盾、百度审核、达观等，也都只能做到基本达标，甚至在某些场景下，会频频失效。

这主要是因为：

（1）反垃圾是一个与黑产的攻防系统

黑产在巨额利益的诱惑下，会不断提升攻击的技术水平。反垃圾的系统，需要不断的更新迭代，一刻也不能停歇。而且，在与黑产的斗争中，很多时候处于劣势，很多策略都有滞后性。

（2）反垃圾系统的建立与迭代，需要很大的投入

反垃圾系统的建立和维护，需要很多的人力投入，NLP算法工程师、前后端开发、产品经理、语料标注团队等，对于很多中小型公司根本养不起这样的团队。对于提供反垃圾服务的第三方公司，又面临着同行竞争、资金投入等压力。而且，业内也缺乏对反垃圾效果的行业评测，第三方公司在效果方面不太好评估，基本都是靠销售驱动。

二、反垃圾系统的设计思路

2.1 反垃圾流程设计

反垃圾系统的设计，需要涉及到机审、人审、审核系统、风控安全、标注系统、人工标注等团队。理想状态下，在一个公司中，这些团队都在一个部门下，由同一个leader进行负责，会减少很多不必要的沟通上的工作量。

用户在app中发布一条消息内容，通常会是这样的流程：

2.2 反垃圾策略

2.2.0 反垃圾策略总况

反垃圾系统，对垃圾信息的拦截，是通过多种类型的策略组合，才能达到最佳的效果。主要有关键词策略、规则策略、模型策略、风控策略几种。下面，逐一介绍。

2.2.1 关键词策略

关键词策略，顾名思义，是通过添加关键词，达到拦截垃圾内容的目的。

最基础的关键词，就是关键词的硬匹配。比如，我添加“会员，联系”这样的组合关键词，就可以拦截“需要xx会员的，请联系我，*abcd123”。

除此之外，关键词策略通常还包括，拼音关键词策略（huiyuan –> 买会员的找我）、跳字匹配（会员 –> 买？会？员的找我）等。

关键词策略，是反垃圾策略中，最基础、最暴力、最有效的策略。词库维护的权限，我们通常会开放给业务方的运营人员。在遇到垃圾信息的时候，这也是最快速应对的方式。

关键词策略，虽然可以基本解决问题，但是他的缺点也非常明显。主要有：

容易有误伤。毕竟是通过关键词硬匹配来拦截。
关键词难以穷举，造成很多运营人员的工作量。

2.2.2 规则策略

关键词策略，有明显的缺点，它只能是一个基础的手段。再往上一层，我们就产生了规则策略、

规则策略，是可以来解决一类问题的。

举个简单的case，比如广告文本中，留手机号的联系方式。我们就可以产出一个识别手机号的正则策略。

但是，用户留手机号，就都是广告么？并非全是如此。这个时候，可能需要在这个手机号的规则上面，再叠加一层广告特征的规则，比如提到具体商品这种特征。

这样的规则，相比关键词来说，确实有一定的泛化能力，不再需要业务运营来维护，他们只需要反馈badcase就可以，而且在解决这类问题的时候，通常都是针对性的规则，有比较好的解决问题能力。

万事都有个但是，事实上，针对同一种类型的垃圾信息拦截，可能有很多种规则。规则策略，就暴露了几个问题：

规则，只能来解决一类问题，作用其实很有限。
规则，很容易被黑产绕过，会经常失效。开发同学需要花时间和精力，来观察badcase更新迭代规则。
规则过多，管理起来就会非常麻烦。很多规则的拦截界限，变得非常不明显。

2.2.3 模型策略

反垃圾策略的不断进化，就到了模型这个层面。

模型，相比规则，它的泛化能力就变得非常强大了。以前的规则策略，都是针对某个类别下的子类，进行针对性拦截。比如，广告类型下面，可能有十几个规则。但是，对于模型来说，通常只需要1-2个就可以了。

模型策略的好处，毋庸置疑。强大的识别能力，无需运营接入（甚至运营不需要过多的反馈badcase）。你喂什么语料进来，它就能识别什么样的内容。

依然有但是，模型虽好，也有缺点：

（1）高度依赖于语料标注质量的好坏

模型算法本身不重要，重要的是语料标注质量。而语料标注，又是一个繁琐的过程。可能需要组建标注团队，搭建标注系统，制定可执行的标注标准，培训标注人员，评估标注质量。是一个很花时间和精力的事情。

（2）通用性存疑

在识别微博广告中优秀的模型，可能在识别直播广告时，效果非常差，差到没法用。这个时候，可能需要针对直播，再训练一个模型。

2.2.4 风控策略

上面的三种策略，都是针对内容本身进行识别，正常情况下，可能识别80%的垃圾内容。达到一定程度的时候，就很难再往上提升。

这个时候，就需要从用户行为来进行识别，需要风控策略的接入。针对风控策略，主要有以下几种：

高危账号的识别。没什么好说的，这是纯风控的操作。是非常有必要的操作。
发帖频率控制。需要从时间周期、内容相似度、业务类型几个方面来考虑。
黑名单控制。反垃圾系统，通常都有一个针对账号、手机号、设备ID、ip地址等维度的名单list。这个是需要花时间去积累的，可以是人工搜集、风控判断、数据交换得到的。
用户属性信息辅助。比如，用户是否是vip会员（我们认为会员是黑产的概率较小，需要进行数据分析后得出），用户角色、账号注册时间等，来结合上述三种策略来进行判断。

3. 反垃圾系统的评估

如何评判一个反垃圾系统的好坏。我认为有以下几个指标：

准确率：这是最基础的指标。业内反垃圾系统的准确率，普遍在96 – 99%之间。
召回率：用来评判可以找到多少垃圾信息，也是非常关键的一个指标，根据经验，这个指标通常在30 – 80%之间。不同的业务，召回数量差别会比较大。
unknown占比：这个指标是用来评估，反垃圾系统的不确定性。如果存在过多的unknown文本，可能会对人工审核造成比较大的压力。这个指标，通常在10%以下为佳，理论上是越低越好。有些业务，对实时性要求比较高的业务，通常没有unknown，也就不需要评估这个指标，比如直播场景下。
报警次数：这里的报警，主要是业务运营反馈的被黑产攻击的次数，需要人工来记录。越是优秀的业务，被黑产利用的价值就越高，因此被攻击的次数，可能也就越多。

这是整体上，需要观察的指标。实际工作中，我们需要分策略来进行具体观察。比如，需要了解广告模型的准确率怎么样，召回率如何。

三、反垃圾的难点

反垃圾难点，在前文【目前市面上反垃圾产品现状】部分中，聊过一些。下面再继续谈谈：

3.1 来自于黑产

黑产，是一波隐藏在暗处，通过非法手段进行攻击各公司的产品或服务，来谋取利益的团体。在反垃圾中，他们通常是在各大社区，发布广告（这里以色情广告居多）。他们通常有：

丰富的资源池。可以是账号、手机号、ip代理等。
多样的攻击手段。有些黑产，可能是通过电脑脚本，来模拟用户，发布垃圾信息；还有些黑产，是通过群控真机。此外，还会有各种辅助工具，像云控、汉字变体等。
与时俱进的意识。现在很多黑产，也在进行深度学习等技术，来进行黑产攻击。

与黑产的斗争，本身就是不平等的一场攻防战。我在明，敌在暗，我们上什么策略，进行任何操作，黑产很容易猜出来，试出来。而且，互联网本身是一个交流频繁的行业，会有很多的技术沙龙、研讨会。每个公司、第三方公司，都会时不时的举办风控、安全、反垃圾的行业交流会，这无疑也是给黑产提供了一个了解防守方策略的好机会。但是，我们从来没有听说过黑产会举办这些沙龙，甚至在网上都很难搜到相关黑产的内容。

这就使得反黑工作，非常艰难。

笔者在工作中，曾经观察过一些黑产的行为。比较有趣的是，有一些黑产，每天早上9点开始攻击，晚上6点停止攻击，非常像职业的工作人员，按时打卡上班。

3.2 来自于公司

如前文所述，反垃圾系统的搭建，需要很多的人力投入，成本非常高。我们按照团队的最低配置，2个算法工程师，5个标注人员，其他岗位假设跟其他团队共享，可以算下人力成本。2个算法工程，如果1个是应届生，1个是3年工作经验的员工，那么按照市场价工资（不算企业社保等支出），每年至少需要80万；5个标注人员25万，加起来至少需要100万，还没有算审核系统搭建、人工审核、反垃圾系统的前后端开发。小公司，是难以承受的。

更为重要的是，反垃圾本身，并不产生业务价值，并不能直接给公司带来收入。如果部门领导、公司领导，了解相关领域的话，那可能对于反垃圾从业者或者反垃圾业务来说，会稍微好一些；但是这个领域，毕竟是一个比较窄的领域，上级领导可能大部分都不清楚这块业务情况，相关从业者可能就会比较惨，做的好可能没法升职加薪。一旦出事了，还需要背锅。相关团队资源，也就会向其他业务倾斜。