非法信息消除指南

各網路公司既要確保消除非法信息，又要避免影響用戶正常使用，怎樣同時實現這兩個目標？

文｜吳松磊

許多中國互聯網公司對自己的內容審核部門有著複雜的感情，因為其他業務可以賺錢，審核則和法務、合規一樣會增加經營成本，但它就像安全帶對司機一樣必不可少。

隨著互聯網用戶和內容的激增，審核技術也需與時俱進。今天，中國網民規模已達 7.13 億，社交網路滲透率達 85.8%，僅用黑名單和禁詞表遠不能勝任日益複雜的網路環境，各大互聯網公司都需要投入更多的資源，才能應對層出不窮的挑戰。

點擊播放 GIF/275K

▍1997 年至 2012 年東亞及中國各地區的互聯網滲透率變化（圖片來自：hanteng，wikimedia）

消失的非正常內容

儘管 1987 年中國就已成功對外發送第一封電子郵件，但直到 1996 年 1 月，中國公用計算機互聯網（CHINANET）建成，互聯網才正式進入民用市場。

同年二月，國務院發布的《計算機信息網路國際聯網管理暫行規定》就已有相關規定，當時的方式還比較傳統，如屏蔽非法網站、人工審核門戶網站新聞等。

禁詞表第一次介入網民生活，是因為即時通信應用的快速發展。

1999 年，騰訊仿造美國軟體 ICQ 開發並發布了 QQ 前身 OICQ，並在競爭中勝出，僅兩年後就擁有了 100 萬最高同時在線用戶，四年後達到了 1000 萬。

▍2000 年至 2010 年騰訊 QQ 最高同時在線用戶數

和今天主要用於熟人通訊不同，早期互聯網是陌生人社會，人們在 QQ 上通過聊天室認識新朋友。非法信息第一次擁有了大規模傳播的可能性，因此禁詞表應運而生。

作為最原始的非法信息攔截方法，禁詞表的規則相當粗暴——只要文本內容包含禁用詞，則文本無法發送，或發送後僅自己可見。由於部分醫療健康類內容很容易因為關鍵詞被判為色情內容，它們除了站方主動發布，基本不可能個人發送張貼傳播。

但禁詞表很快就力不從心了。隨著 Web 2.0 時代的到來，任何信息都有可能一夜間傳遍全網。博客、論壇、社交網路開始成為互聯網主流，在人人都能成為創作者和傳播者的理念下，無論是用戶、內容還是非法信息的傳播風險，都出現了指數級增長。

▍在 Web 2.0 時代，分享互動行為佔據了主導

這樣的背景下，傳統禁詞方案的缺陷開始暴露出來。

首先，完善詞庫就很考驗水平。因為官方並不提供標準的禁詞表，每家公司只能獨自摸索設置哪些關鍵詞才能有效屏蔽非法信息。這就要求詞庫建立者必須有非常廣闊的視野，密切跟蹤各類非法信息傳遞方式的升級，隨時更新詞庫。

另一方面，詞庫只能做到精準匹配，對原詞的同音近型替換或詞義演繹則很難處理。例如「泡麵」等詞就顯然無法進入禁詞表，否則將誤傷大量正常內容。

除此之外，許多需要清除內容也並非單個詞，而是事件，需要多個詞同時出現，才能觸發機制。

以「金正男機場遇刺」為例，則需要「機場」、「金正男」、「遇刺」其中兩個詞同時出現才能觸發清除機制。這就給了其中單個詞相當大的替換空間，例如「機場金大胖」、「胖熊機場一日游」，都可以讓人聯想到該事件。

▍同時，「2001 年金正男在日本成田機場被遣返」這樣的老新聞也會被誤傷

面對這些複雜情況，互聯網企業不得不聘請大量專員來人工處理。他們相比機器，不僅成本高昂，且效率低下。於是，各種計算機演算法被研究了出來。

進擊的演算法

在程序員的眼中，中文天生就比英文等表音書寫語言有更高的識別難度。

除了在傳統禁詞規則下會出現「一台獨立伺服器」被識別出「台獨」等低級錯誤外，如果要對文本進行分析，必須先對其進行分詞處理。這是因為中文單字與整句含義差別極大，只有成詞，才能理解和判斷文本傾向，避免把正常的生理衛生知識識別為色情信息。

▍正確斷句是小學語文老師就開始強調的內容

而英文等表音書寫系統則不存在此問題，因為其文本必須通過分詞確定發音的首尾，否則難以閱讀，所以英文自帶分詞。而中文作為意音語言，每個字都獨立發音，則沒有在文本上分詞的動力。

實現分詞的基礎是字元匹配，如傳統的「正向最大匹配法」即是從左到右掃描文本，與機器詞典進行匹配，再將匹配成功的詞切分，直到無法匹配為止。

但這種方法並不可靠，如「一台獨立伺服器」就還是會被分為「一/台獨/立/伺服器」。為解決歧義問題，則需要對大量真實語料進行統計，計算每個詞的出現概率，再計算不同分詞方案下的總概率。

在之前的例子中，因為「立」作為詞的出現概率極低，因此「一台/獨立/伺服器」的概率將明顯高於「一/台獨/立/伺服器」。更進一步，還可計算兩個詞同時出現的概率，以得到更精確的分詞結果。

今天的分詞演算法可以成功識別插入特殊符號的非法信息。而配合擴展詞表，也可以處理以同音字或拼音替代的信息。但對於聯想類詞語和事件類內容，還是需要其他演算法的加持。

貝葉斯方法就是其中之一。1763 年，英國學者托馬斯·貝葉斯生前的一篇關於「逆概論」文章中提出了貝葉斯公式。

▍貝葉斯公式

貝葉斯方法的核心在於通過已知事件的概率（先驗概率）計算未知事件的概率（後驗概率）。以「金正男機場遇刺」舉例，假設抽取十萬條包含「機場」的文本，其中七萬條為正常內容，三萬條為需要清除的非正常內容。

即正常評論的概率 P(g)=70%，非正常評論的概率 P(b)=30%。

再對所有文本進行分詞，計算每個詞出現的概率。假設「遇刺」在七萬條正常內容中，有七十條包含該詞；而在三萬條非正常內容中，有三百條包含該詞。則「遇刺」一詞出現的概率 P(W)=0.37％，在正常內容中出現的概率 P(W|g)=0.1%，在非正常內容中出現的概率 P(W|b)=1%

那麼，一條提到了機場的內容里出現了「遇刺」，該內容是非正常內容的概率 P(b|W) 是多大呢？根據貝葉斯公式 P(b|W) = P(W|b)P(b) / P(W) = 81.1％。

按此方法可以計算出每個詞的非正常概率，再根據下公式就可以計算出該文本為非正常內容的期望，在根據實際情況設定閾值進行處理。

▍公式中 p1-pN 指的是該文本中每一個詞的非正常內容概率

以「金大胖在機場遇刺」為例，假設這幾個詞的非正常內容概率分別為 P(b|金大胖)=0.9，P(b|機場)=0.3，P(b|遇刺)=0.8，則可算出文本是非正常內容的概率為 93.9％。

而「1963 年 11 月 22 日下午，他在機場聽到了肯尼迪遇刺的消息」，則會因為「1963 年」、「肯尼迪」等詞大大降低該文本的命中概率。

貝葉斯方案的缺陷是需要大量語料數據作為其先驗概率的支撐，因此在許多規模較小的互聯網社區並不普及。

多媒體內容的挑戰

非法內容不僅僅只有文字。隨著智能手機的普及和帶寬速度的提升，大量的圖片、音頻和視頻開始被製作上傳，成為互聯網主流內容。

對於這些新形式，應該如何處理？

最常被審核的是圖片里的文字。此時，中文對英文的識別難度又一次體現了出來。識別圖像中文本的演算法被稱為 OCR（光學字元識別技術）。這項早期用於幫助盲人閱讀的的技術發展至今，對於常見的書寫系統已經實現高於 99%的準確識別率。

儘管如此，仍然可以用模糊、變形、粘連、添加干擾符號等方式讓 OCR 難以正確識別。因為中文字元數量遠超英文字元，而每個字元都可能成為 OCR 演算法的潛在錯誤選項。

▍一項對 5 個中文 OCR 軟體的測試結果（2015 年 6 月）

但深度學習技術的快速發展，正在改善中文 OCR 的問題。

深度學習（Deep Learning）可以追溯到 1958 年的感知機演算法，但直到 2010 年後，才開始在語音和圖像識別取得重大突破。通過從「邊緣—部分—全體」的分層特徵提取，深度學習可以做到遠超傳統演算法的識別精度。

對於 OCR 演算法最頭痛的預處理階段，通過千萬量級的文本圖片對模型進行訓練，可以有效的實現文本的降噪和分割。對色情類圖片和視頻也是如此，今天的鑒黃應用準確率已經達到了 99.95%，其訓練方法和 OCR 唯一的不同在於，色情內容訓練庫難以自動生成，需要依賴大量的人工標註。

相對比較棘手的情況是特定人物頭像和人物表情包。因為許多人物並沒有足夠豐富的圖像資料用來訓練，因此目前的人臉驗證演算法還是相對傳統：校正圖片—提取初始特徵——計算兩張人臉的相似度。

▍人臉相似度計算流程

非色情類視頻的鑒別難度也在於此，因為不像色情內容一樣能夠擁有龐大數據用以訓練，且惹事原因也五花八門，難以統一共性。

因此，此類視頻的清理相當粗暴——直接封禁視頻文件的 MD5 值。MD5 演算法是一種加密散列函數，對任意字元串都能生成一段對應且唯一的 32 位十六進位數字串，即 MD5 值。因此，每個文件都有其獨一無二的 MD5 值，這也意味著只要封禁一個文件的 MD5 值，則該文件的所有複製版本都無法觀看。

當然，躲避 MD5 封禁也很簡單，只要稍微修改文件，MD5 值即會發生改變。

除了傳統社交網路的多媒體內容，語音問答和視頻直播等新內容創業公司更需要保持警惕。2016 年 8 月，某風頭正勁的語音問答平台突然無法訪問，直至48天後才重新上線。不進增加了舉報功能，其所有語言回答都需要經過審核後才能發布。

而直播平台涉黃被約談整頓的新聞更是屢見不鮮。在競爭激烈的業態下，甚至有直播公司安插人手去敵台色情直播。好在面對強烈的業務需求，各大雲服務公司都建立了完整的直播審查系統，面對色情內容可以做到秒級響應。

▍某雲服務平台提供的直播審查系統

在深度學習演算法逐漸成熟的今天，再也沒有什麼內容是無法識別的，距離完美安全的網路世界，差的只有更多非法信息的樣本，只要敏感詞和敏感圖片源源不絕，清除網路非法信息的能力就會在它們的考驗和訓練下不斷提高。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！