本文作者：荞麦和小乔
前言
全文约1800字，阅读需3分钟。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。不止是弹幕噢~
什么是敏感词汇？
Q：哪些词算是敏感词汇？
A：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。
Q：哪些地方容易出现敏感词？
A：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。
Q：哪些地方需要屏蔽？
A：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。
比如弹幕的鼻祖——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，这些内容不算敏感，只是让人不喜欢。更有甚者，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：
怎么屏蔽不良信息？
Q：目前的技术怎么进行屏蔽？
A：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。网易易盾对此分了三类：垃圾发现、垃圾识别、垃圾处理。（以下综合易盾和joylnwang的博客整理而成。）
Q：垃圾发现和垃圾识别有什么区别？
A：不穷的新垃圾（需要学习），垃圾识别是根据原有的垃圾库来识别（需要更新）。
Q：垃圾发现（针对新垃圾）的技术实现是怎样的？
A：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，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。
第二个层面涉及到自然语言处理的相关知识，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。
Q：垃圾识别是指什么？
A：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：也叫模式匹配，分为正则表达式、多模式匹配算法、基于元数据的定制等。
百度里的定义是：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。
Q：垃圾操作是怎么操作？
A：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，故需要进行隐形屏蔽。
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。例如直播中的弹幕，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。
——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
原文地址：https://www.jianshu.com/p/c4d6ba68d160