这是一个创建于 1725 天前的主题，其中的信息可能已经有所发展或是发生改变。
公司产品评论区里面老是出现一些乱七八糟的评论，开始用正则表达式，但是太容易绕过了，而且还容易误杀。 后来用了 tfidf+native bayes 做个一个模型，开始还行，后来出现了一些内容嵌入发帖，例如：
深度考察. 2019 年 10 月 23 日 23:16.棋牌游戏一对一真钱_新布丁娱乐大厅拼三张可以作弊吗. 关于棋牌游戏一对一 883321.com 真钱的 创新是民族进步之魂，创新型青年人才是国家的未来。周女士也想提醒广大家长，在孩子入学的问题上，一定要 ... 障用户更加便捷地在快手记录分享生活、学习、娱乐和社交，甚至获得经济收入。
这种类似的文本，使用 tfidf 去提取文本特征，提取出来的特征基本上对这种文本没有什么用，大家有什么好的办法嘛
第 1 条附言 · 2020-02-20 18:37:29 +08:00
各位说买服务的兄弟，如果花钱能解决，我只需要劝一劝老板，花钱还是解决不了怎么办？ 至于说加入审核，我们公司根本不是什么大公司，没有从事审核的人员，也养不起
目前由于前期一些机制不完善，无法做到行为审计，文本审计这块能也不要求做到100%，能到90%+就行，还是希望各位能多给一些文本分类的建议
 |
1
xfelix 2020-02-20 11:19:14 +08:00
不要光考虑评论内容，试着从其他特征入手，比如 ip 地址，client type 等。
|
 |
2
mcone 2020-02-20 11:20:40 +08:00
之前做过一个类似的，首先我觉得你们思路就不太对
> “但是太容易绕过了” 你们不能简单粗暴地直接拒绝提交评论或者直接屏蔽掉，而是应该让这段内容不对其他用户显示，对发布 spam 的真人 /bot 透明，这样就能轻松很多了 至于模型，我也没有特别好的 idea，之前被折磨地很痛苦，对“在别人的大段真实评论里插入几个字（甚至是火星文）”的广告，我至今都没什么好想法…… |
 |
3
murmur 2020-02-20 11:21:23 +08:00  1
关评论，筛选，实名
|
 |
4
feng12345 2020-02-20 11:23:14 +08:00
看下市面上有没有合适的商用产品，有时候花点钱还是挺值得
|
 |
5
SlipStupig OP |
|
6
SlipStupig OP @xfelix 能说的具体一点嘛
|
 |
7
huayumo 2020-02-20 11:31:12 +08:00
发帖审核,要么关键字过滤,不然这产品迟早要完,要么加强账号审核,登录什么的
|
 |
8
cmdOptionKana 2020-02-20 11:32:36 +08:00
提高注册门槛，封号。这样广告账号的注册成本提高了，自然就会减少。（比如需要做一些任务才能发评论）
|
 |
9
learnshare 2020-02-20 11:33:53 +08:00
不审核，轻则暂停访问整改，重则永久封掉
|
|
10
murmur 2020-02-20 11:39:31 +08:00
你们是大陆地区的产品么，没有审核没有实名制是严重问题
|
 |
11
xuanbg 2020-02-20 11:41:59 +08:00
评论的套路难道不都是审核后才能让别人看得到吗？然后问题就变成了怎么审核的问题。一般来说都是机器为主人工补充。就是符合通过和驳回规则的直接就通过或驳回了，剩下的人工来审核。
|
|
12
SlipStupig OP |
|
13
cmdOptionKana 2020-02-20 12:10:00 +08:00
@SlipStupig 没有实名制，广告还算小事情了，万一被人家搞，给你发敏感词，再一举报。
|
 |
14
Juszoe 2020-02-20 12:15:00 +08:00
同意二楼，这种很类似贴吧
|
 |
15
SquirrelMAN 2020-02-20 12:47:34 +08:00
有个 iOS 应用 熊猫吃短信 过滤垃圾文本做的非常好
|
 |
16
bitholic 2020-02-20 13:04:59 +08:00 via iPhone
如果有资金，可以考虑第三方反垃圾服务
|
 |
17
WebKit 2020-02-20 13:14:08 +08:00 via Android
大陆地区的评论没有实名，你们怕是要被永久封停
|
 |
18
fonlan 2020-02-20 13:22:32 +08:00 via Android
用这些嵌入式文本继续训练你的模型啊，另外可以用模型给出一个疑似度值，高于某个门限的需要人工审核
|
 |
19
Cbdy 2020-02-20 13:27:02 +08:00 via Android
朴素贝叶斯解君愁
|
 |
20
qq316107934 2020-02-20 13:32:41 +08:00
新注册账号 2h 内禁止发言，账号需要验证邮箱，发帖需要验证码，发帖量在 3 个以下的需要手动发表审核。我就不信还有。
|
 |
21
fantastM 2020-02-20 13:32:57 +08:00
学习一下 t66y 社区的管理方式
|
 |
22
dayeye2006199 2020-02-20 13:35:27 +08:00
试试中文分词+fasttext。这种模型使用了 ngram，所以 棋牌，游戏 这种 2-gram 可能可以被模型捕捉到。
如果在 fancy 一点上深度学习： https://github.com/facebookresearch/pytext |
 |
23
iConnect 2020-02-20 13:39:16 +08:00 via Android
你用机器算法屏蔽，别人也会机器算法反屏蔽，猫和老鼠的游戏。除非你的数据特别大，否则很难彻底杜绝 Spam
|
 |
24
opengps 2020-02-20 13:48:28 +08:00
先买成品敏感词过滤服务，现学来不及
|
 |
25
tfdetang 2020-02-20 13:48:51 +08:00
可以用一个半监督的流程，让机器不停的自己标数据，然后人工抽样复合，再用这些数据生成模型，形成一个正向循环
|
 |
26
DoubleShut 2020-02-20 13:51:03 +08:00
评论，加验证码
|
|
27
DoubleShut 2020-02-20 13:51:12 +08:00
行为验证码
|
 |
28
littiefish 2020-02-20 13:59:56 +08:00 via iPhone
屏蔽，棋牌，真人，娱乐，一对一，收益，兼职
|
 |
29
sethverlo 2020-02-20 14:01:11 +08:00
亲测显而易见的问题，中文分词 + fasttext 效果拔群，训练速度也快，不用 gpu
|
 |
30
pythonee 2020-02-20 14:09:31 +08:00
这个之前个人博客也很多类似的，应该有一些评论插件或软件吧
|
 |
31
flavoury 2020-02-20 14:10:27 +08:00
你可以看看熊猫吃短信---我没说这个可以解决问题，或许能提供给你一些思路
|
 |
32
zscself 2020-02-20 14:14:55 +08:00
我也是刚接触机器学习，有哪里不对的欢迎指出。楼主你这个算是传统的机器学习方法了吧。我觉得你可以换成神经网络试一试？词嵌入加神经网络，如果样本足够大的话。比如最初级的文本分类问题-情感分类器的一种实现就是 word2vec 来进行词嵌入，然后交给神经网络（ RNN、LSTM、CNN 都可以）来生成句子向量来进行判断。
|
 |
33
zgzhang 2020-02-20 14:47:15 +08:00 3
@SlipStupig 以下是我做过的 UGC 内容的风控工作的一些经验，你看下是否有帮助：
1. 无论是正则 match 敏感词或者分词+native bayes 甚至神经网络，如果想绕过一定能绕过，想想异形字、拼音混合、火星文等等，如果支持图片那就更是噩梦，OCR 就是一个非常大的问题。 2. 业界的基本操作基本上都是模型打分，分数不仅仅是依赖内容自身可能还有用户的一些历史行为维度，超出阈值部分人工审核，再审核通过前，仅作者可见（那些自以为沙发的评价） 3. 换个维度解决问题，针对违规用户一定要处罚，禁言、封号，不然永远都是对抗 4. 提高用户门槛，包括注册门槛，发言门槛，总之要提升成本 5. 风控策略防止及其行为和团伙作案，IP、设备维度等维度的限制等 6. 完善的应急制度，针对极度敏感内容要有预案能快速删除，以防封站 |
 |
34
swulling 2020-02-20 14:56:38 +08:00 via iPhone
思路转变下
第一提高评论门槛。发评论需要用手机号登录新用户 2 小时只能发一条评论。一天内评论超过三天上复杂验证码。 第二增加封禁机制，发现一条封一个手机号，来源 ip 封 48h，也是提高 spam 门槛。 第三机器审核和人工审核并行。算法很多很成熟了，重点是思路转变，要识别正常评论，而不是广告评论。火星文，异形字很容易从正常评论筛选出来。然后调低阈值，用人工标注不断的喂数据进去。也可以购买专门的标注服务，不贵。 |
 |
35
summerwar 2020-02-20 15:21:06 +08:00
如果评论之后审核才显示，那么就无利可图，他们也就不发了，因为发了也没用。
审核的时候挑正常的显示就好了 |
 |
36
danhahaha 2020-02-20 16:14:22 +08:00
分词+贝叶斯算法
然后人工添加几百个评论学习 这种最直接简单了，曾经帮一个论坛搞了一个插件，从此各种广告绝迹 |
 |
37
RangerWolf 2020-02-20 16:18:57 +08:00
不知道你有没有看过阿里云或者百度的接口，这种接口几乎不要钱。。。
|
 |
38
xupefei 2020-02-20 16:42:51 +08:00
屏蔽 spam 而已还自己动手训练？现成的 Akismet 有啥不能满足的需求吗
|
|
39
SlipStupig OP |
 |
40
id7368 2020-02-20 17:38:05 +08:00 via iPhone
先审后发 一个月就没人拿脚本刷了
|
 |
41
shm7 2020-02-20 19:24:59 +08:00 via iPhone
前面有人讲过 fasttext 了，本质是一种结构稍微简单点的 nn，词向量平均一下做特征，代替 tfidf。
你可以试试 fasttext 或者其他网络模型训练，比如扔一个 2 层 lstm+attention 的结构。 还有一点，用模型训练的话，数据不能太少了。你得懂 train val test 数据集合怎么一回事。按你的描述，隔一段时间，你得重新加入新数据训练。 |
 |
42
encro 2020-02-20 19:26:54 +08:00
比如参考 v2，注册后需要一天才能发信息；
比如参考恩山，需要邀请或者花钱才能注册； 33 楼的可以根据实际情况，找到办法解决。 |
|
43
shm7 2020-02-20 19:29:14 +08:00 via iPhone
tfidf 首先就涉及分词、词语粒度。中文天然不具备很好的分词、词性标注，比起英语。所以你提取词频、tfidf 的特征可能会受到影响。
也可能你数据太少。一般要 1w 到几万条数据。 |
|
44
encro 2020-02-20 19:32:24 +08:00
重要的是你连自己要防的是对象人还是机器都没有确定。
假设对方是人，如果你不提高注册门槛，根本没法用机器的方式防住， 贴吧，V2 很多论坛都有人工复审 |
|
45
encro 2020-02-20 19:47:44 +08:00
要自动发现垃圾信息，不用机器学习，简单分词即可：
1，比如将所有历史垃圾内容进行分词，抽取特征词库（其实也可以人工建立和导入网络上的词库）； 2，对发布的内容进行分词，如果发现特征词超过一定数量，且存在疑似联系方式的的（这点很重要，因为都会留联系方式，而识别联系方式很简单，甚至有这一点你分词可以不做），直接进入待审核，用户账号进入禁言状态； 但是必须还需要提高作案成本，比如： 1，防止自动发帖工具（验证码，手机注册）； 2，防止人工发垃圾帖（ IP 黑名单，手机号黑名单）； |
 |
46
dadieshaonian 2020-02-20 20:13:20 +08:00
单说模型，为什么不用 bert ？我很奇怪。。
|
 |
47
missdeer 2020-02-20 20:23:33 +08:00
先看看 Akismet 满不满足要求，人家干这行好多年了，好多年前就工作得非常好
|
 |
48
zbz 2020-02-20 20:54:57 +08:00
之前做过相关的 spam 过滤（工程应用，算法没深入研究），简单总结一下：
1. 如果要准确率(95%+)，那么召回率会比较低；反之误伤比较大 2. 如果 spam 的内容类别优先，那么用规则准确率+召回率都非常高；当然规则不是简单的正则了，当时实现了一个简单的 DSL 来描述规则，例如出： |
|
49
encro 2020-02-20 21:18:08 +08:00
新鲜出炉的 BLOG 文章：
论坛和社区如何防止垃圾文章和评论： https://c4ys.com/archives/2058 包含： 通过关键词库识别 spam 内容 通过联系方式特征识别 spam 内容 通过用户身份识别 spam 内容 通过操作特征识别 spam 内容 识别后的处理 开源方案 商业方案 |
 |
50
stabc 2020-02-20 21:21:36 +08:00
有个 stopformspam 的网站，有 SPAM IP 列表，有接口，英文站我试过很好用。
|
|
51
SlipStupig OP @encro 关键词库基本上别想了，各种符号被绕过，还出现拼接的：弓虽， 行为数据没有，注意看我的 append
|
|
52
SlipStupig OP @shm7 数据挺多的，tfidf 是基于文本加权，而目前 spamer 要表达的文本 tf-idf 值很低
|
 |
53
wangyzj 2020-02-20 21:51:51 +08:00
我昨天刚买了 spam 午餐肉
看到了 spam 就点了进来 |
|
54
encro 2020-02-20 22:43:20 +08:00 1
@SlipStupig
曾经负责两个世界排名 1000 以内的社区， 每天发布内容条数十万以上吧， 识别联系方式过滤是最有效的， 逐渐优化后达到 95%以上。 既然是小公司，追求智能不一定划算，因为样本不够，且调试过程比你逐渐完善过滤机制代价更大。 当然如果是公司事少、不考虑成本、或者学习目的，那么肯定是可以的。 我文章中开源方案提到一个，我没有实际使用过，[使用 TensorLayer 训练一个垃圾文本分类器] https://github.com/pakrchen/text-antispam |
 |
55
Eleutherios 2020-02-20 23:56:53 +08:00 via iPhone
熊猫吃短信是开源的么
|
 |
56
Marmot 2020-02-21 00:02:44 +08:00
1，人工审核是绕不开
2，考虑从根源解决，spam 需要通过特征来下手，封账号 |
 |
57
nobird 2020-02-21 00:25:37 +08:00
有些第三方 spam 检测服务的。百度就有。
|
 |
58
DevRoss 2020-02-21 00:56:27 +08:00 via Android
异常检测（领域外检测，out of domain detection ）这个估计是你要的关键词
|
 |
59
siyemiaokube 2020-02-21 02:33:10 +08:00 via iPhone
1.提高对方连续发言的成本
2.提高对方识别发言是否通过的成本 |
 |
60
lihongming 2020-02-21 04:16:41 +08:00 via iPhone 2
打蛇打七寸，不用认识蛇，认识七寸就行了。无论他们拿什么混淆，最终总要把用户引导到他们的联系方式（网址、电话号码之类的），所以识别这个就行了。
我以前是做了个库，把各种英文字母和数字的火星文都转成正常字母和数字，然后用正则检查有没有类似于网址和电话号码的子串，有就进入人工审核。 简单一招就干掉了 90%的广告。 |
|
61
shm7 2020-02-21 09:19:37 +08:00 via iPhone
文本分类本身有很多模型和研究了，套不套得上靠你自己了。模型+规则匹配应该更靠谱
|
 |
62
fiht 2020-02-21 09:29:37 +08:00 1
各位说买服务的兄弟，如果花钱能解决，我只需要劝一劝老板，花钱还是解决不了怎么办？ 至于说加入审核，我们公司根本不是什么大公司，没有从事审核的人员，也养不起
------------------------------- 找售前要个试用，万一能解决呢？腾讯云天御了解一下 https://cloud.tencent.com/product/tms |
|
63
SlipStupig OP @encro 总算有个说到正题上的人了，十分感谢！
|
 |
64
loryyang 2020-02-21 10:03:08 +08:00
这个真的很难，我不知道你评论有多少，不多的话，还不如雇一个人专门来删。先用程序简单定性一下，然后给人来过
这个 spam 评论别看好像很简单，但是要全部干掉也不容易，至少需要一个小团队来专门解决 |
 |
65
yzc27 2020-02-21 10:20:45 +08:00
文本分类试一下 fasttext
|
 |
66
zjuster 2020-02-21 10:52:31 +08:00
你的思路还停留在针对问题发生的事后分析。
一般成功防治的经验是 1、购买第三方服务； 2、评估评论的用途，非生存必备，关闭评论（大概某部门还没找过你们）； 3、自己聘用专门的外包进行处理和服务（结合第 2 条，有 UPGC 内容的平台，有关部门是有要求进行有效防范措施，否则可以惩罚至关停网站） 4、要求实名认证等手段，加大垃圾评论发送的成本 等等 如果你还坚持自己处理的，花点时间看下垃圾内容的特征，然后收集这些内容输入用户的物理特征：账号字段、头像、ip 字段、电话号段、活跃时间等等，做用户风控模型。 你可以看看 微博公众号 半佛仙人 |
 |
67
facert 2020-02-21 13:43:11 +08:00
建立一个完整的反作弊系统，从前期数据收集到后期屏蔽方式都需要一个过程。算法模型是可以检测出一些垃圾文本，但也需要一定数据量学习的过程。针对楼主的问题，其实最简单快速的还是关键词策略，对于单一团伙，他们为了达到辨识度再加上机器发布，整体关键词分布都有规律，几种关键词匹配策略一上，基本能干掉 90% 。 前提是做好文本的预处理（简繁转换，数字转换，html 文本提取）。
|
 |
68
gladuo 2020-02-21 14:45:11 +08:00
如果考虑自己做，且有人力标注数据，模型部分可以考虑 fasttext，达到了成本和效率比较好的平衡； nlp 相关问题可以回复我，可以给你一些专业建议；
如其他网友所说，基于 ip id 时间屏蔽，可能是更立竿见影的手段； 解决猫和老鼠的问题，首先还是要想清楚老鼠的动机是什么，能让他就算绕过 spam detection 也没有很大的收益的策略是什么，类似增加账号系统，账号需要有一些非常 postive 的评论，通过审核，认为是 human 用户，才会展示别的评论，有 2 条被判为 spam，整个账号所有评论都被隐藏，类似这样的一些策略，让老鼠觉得非常辛苦，边际效应非常低，他就没有动力去做了； |
 |
69
62D0oo7AxBv8qn17 2020-02-21 17:00:11 +08:00
如果是 wordpress 的话，可装个 Akismet Anti-Spam 插件，效果出奇的好
|
|
70
SlipStupig OP @gladuo 能加个微信详聊不😊
|
|
71
gladuo 2020-02-27 15:52:59 +08:00
@SlipStupig Z2xhZGR1bw==
|
Select Language