logo

淘丁数据分享:内容审核逻辑|从入门到被门槛绊倒

来源:淘丁集团

文章开始之前,给大家两条建议:
1.除非你别无选择,尽可能不要从事纯粹内容审核岗位
2.如果你的工作和运营或产品有关,都需要了解内容审核的逻辑

“ 儿童送养 ”这个话题在大多平台都是极为罕见的,但知乎最近就因此爆发了一场危及平台声誉的危机。

新知达人, 内容审核逻辑|从入门到被门槛绊倒

内容审核就是这样一种职业,违法违规信息覆盖范围极广,新的违规信息层出不穷。 无论你多么有经验、无论审核系统多么先进,只要发生问题,看起来都是很基础甚至很愚蠢的问题。

知乎这样一个有很强的技术实力和内容审核经验的平台,也会在这个问题上摔跟头,并且可以预料的是,不知道在多久的以后, 知乎一定还会发生一次又一次因为存在违规内容带来的危机事件,这事情无可避免。 有人说,对于内容审核人员来说这是从入门到被门槛绊倒,一点都不夸张。

读完这篇文章,你可以详细了解 文字类内容审核的逻辑 ,还会了解一些 图片和短视频审核的技术 ,足以补充一个运营或产品在这方面的知识储备了。

在不同公司,对审核类职位的划分标准不同,比如有 内容安全审核、内容推荐审核、内容质量审核 等类似职位。虽然在侧重点和具体操作上有所不同,但有许多逻辑都是共通的。为了避免文章过于复杂,我们在这里侧重最常见的 内容安全审核 

审核模块

不管是什么内容的审核,都应该包含以下 四个基础模块 : 机器审核、人工审核、用户投诉审核、结果复审 。

新知达人, 内容审核逻辑|从入门到被门槛绊倒

机器审核 ,是按照制定好的规则或机器学习算法对内容进行审核 ,通常,成熟的审核系统能将95%甚至99%以上的内容都自动审核并做出处理。确定有问题的会被自动删除,难以判断是否有问题的会被标注,进入人工审核程序。

人工审核 ,虽然用户投诉审核和结果复审大多时候也是人工审核,但这里所说的人工审核,特指审核机器无法判别的内容,通常占平台内容数量的比例不超过5% ,但对于一些大型的内容平台,绝对数量已经很多了。在内容爆炸的时代,我们看到许多平台在全国都有多个审核中心,每个审核中心的员工数量都成千甚至上万。

用户投诉审核 ,是前两者的弥补, 有很多违规内容以前没有出现过,所以不在规则可以过滤的范围内,或者非常隐蔽,规则难以严格过滤 。用户的投诉是发现新问题的重要渠道。通过知乎的危机事件,我们更应该重视对投诉的审核,并及时据此对机器审核做出补充。

结果复审 ,通常采取抽查方式,比如通过复审机器删除的内容,看规则或算法是否过于严格 ;比如通过查看人工删除和通过的内容,看 员工的工作是否按要求执行 ;比如通过内容的整体巡查,看 是否存在新的问题未被注意到 。

在文字类内容平台,比如知乎、简书、豆瓣以及各类论坛网站,机器审核主要是基于关键词过滤的逻辑,逻辑比较简单,但也没有想象的那么简单。

关键词过滤

一篇文章发布到平台后,需要至少经历以下环节:

新知达人, 内容审核逻辑|从入门到被门槛绊倒

词语过滤的环节,关键词主要分为三类:

新知达人, 内容审核逻辑|从入门到被门槛绊倒

禁止关键词 ,只要匹配到这个词,内容就被 自动删除或禁止提交 。通常只有极少数词会被纳入禁止关键词,比如明确的色情、邪教以及广告的专属关键词。

审核关键词 ,这是最常见的关键词种类,只要匹配到就会 自动进入后台进行审核 ,文章中的关键词会被高亮并罗列出来,有助于审核人员快速判断。审核关键词也应该尽量是专属关键词,以防止太多内容被拦截到后台。

替换关键词 ,在许多平台,我们会在文中看到莫名的 *号 或 字母缩写 ,这可能不是文章作者写的,而是这个词 被系统自动替换 。平台不希望出现这个关键词,但用别的代替读者通常也能读懂。比如一些政治、宗教、不文明用语类词语,都有可能被自动替换。

新知达人, 内容审核逻辑|从入门到被门槛绊倒

当然,管理员在添加关键词时,很多时候并不是直接把关键词添加到后台。否则用户用很简单的方式就可以避过关键词过滤,比如在关键词内加一个空格,系统就难以匹配到。

所以,一般后台都会支持 限定符{x} 以 限定相邻两字符间可忽略的文字 ,x 是忽略的字节数。在Discuz!网站后台有明确说明,如 ” a{1}s{2}s “(不含引号) 可以过滤 ” ass ” 也可过滤 ” axsxs ” 和 ” axsxxs ” 等等。对于中文字符,若使用 GBK、Big-5 版本,每个中文字符相当于 2 个字节;若使用 UTF-8 版本,每个中文字符相当于 3 个字节。

另外,关键词还可以支持 正则表达式 ,来 匹配具有一定模式的关键词 ,比如” /1d{10}([^d]+|$)/ “(不包括引号)用来匹配手机号码。正则表达式的内容过多,大家有兴趣可以搜索学习一下。

技术概览

以上讲述的,主要是文字类内容的审核和规则,逻辑简单,但应用最为广泛。近年随着短视频类产品的兴起,内容审核的逻辑需要更加深层的技术支持。

技术上的东西,对大多人来说如同天书,而且也没有必要深入了解。我们挑选几个容易理解的点,来窥探几分内容审核背后的技术。

新知达人, 内容审核逻辑|从入门到被门槛绊倒

来源:某相关产品宣传网页

OCR(文本识别技术) ,主要用来识别图片中存在的文字。许多违规内容,包括联系方式、色情信息、广告信息等为了规避审核,都会以图片的方式呈现。

人脸识别技术 ,通常用来识别政治、宗教类人物,识别到后可以直接删除或者进行风险标记。

语音识别技术, 语音识别的应用场景比较多,但在内容审核领域仍然不是刚需,所以使用的较少。但也有些直播或音频平台比较重视音频对比、声纹识别技术,可以轻易识别到一些固定模式的违法违规声音。

视频识别≈图片识别 ,视频是画面与音频组成的以帧为单位的画面,通常采取截帧上传与服务器数据对比来识别。审核模式和图片审核相同,比如通过画面皮肤裸露状态来判断是否过于性感、是否是色情内容。

上下文语义识别技术 ,这种技术用来判断一句话是否能跟上下文结合,是否是一段垃圾文本。比如说,在评论区随便输入一串奇怪的文本,如果系统认为和上下文不相关,就有理由将内容放入审核区。

技术是很酷,用好了可以大量减少我们的工作,但 内容审核技术的实施是一件很难一劳永逸的事情,其中的尺度和参数都需要人来不断维护 ,而且人工审核仍然是非常有必要的,并且需要的人工可能越来越多。内容审核技术的应用,仍然任重道远。

常见问题

1.替代关键词不能太简单

我曾经在一款APP上看管理类文章,整篇文章多处说到给员工定绩效要遵循“ **ART原则 ”,我迟疑了好几秒才明白,原来是” SMART原则 “。

SM这个词只有两个字母,无论是作为禁止、审核还是替换关键词都不合适,都容易拦截或替换大量不应该处理的内容,一般的方法很难处理。

这时候,我们可以总结一下模式,如果sm这两个字母前面是英文字母,或者后面是英文字母,一般来说就是另一个英文单词,就不会有问题。我们就可以用正则表达式把这一规则写出来,再设置审核或替换就会好很多。

2.审核时间与用户体验的权衡

去知乎和微博搜一下“审核”,被抱怨最多的问题就是 审核时间长 。用户提交内容到内容审核通过,这期间心情会剧烈波动,如果 用户等了一两天时间 ,最后 内容被莫名其妙地拒绝 ,而且 不给任何明确的拒绝理由 ,用户的心情就会由期待变为焦虑,进而变成愤怒,这就是B站被up主抱怨最多的地方。

我们可以从以下角度优化用户体验:

  • 用户提交内容后,正常呈现已发布的内容状态 ,可以反复编辑,只是给出状态提示,提示内容正在审核,如果有必要可以提示一般多久可以审核完。
  • 用户提交内容后,如果进入审核,但觉得问题不大,或者用户历史记录良好,可以 自动进入“限流”状态,即只允许自己和粉丝/好友观看 。待审核通过后,开放给所有人。这期间不需要给用户任何提示。
  • 用户内容被拒后,原因是可以找到依据、可以确定的 。很多平台都是让用户具体原因参考某某规范文档,但这个文档里又是一堆大而化之的空话。许多时候机器审核是存在误删的可能的,这时候如果申诉渠道也不能及时反馈,就会让人非常火大。
  • 优质账号设为信任账户或优先审核。 比如官方账号、以前从没出现问题的老账号,至少应当做到优先审核,甚至直接放开,先放后审。

3.理解内容审核的保守倾向

越是体量很大的平台,内容审核越是有保守倾向,这不只是因为盘子大了更加在意风险管理,还有一些现实的原因。 内容数量太多,平台就不得不采用规则和算法去审核,这些规则和算法需要最终做出决策,就难免拿着标准一刀切,即使这把刀很小也会有误伤,这种标准对很多内容就显得过于严格。

比如皮肤裸露面积 达到多少会有问题、裸露哪些位置会有问题,无论标准多么的细化,都会存在误判,被误判的内容比例可能很小,但绝对数量很大。据说很多图片和视频中如果存在加菲猫 ,都会被过滤掉,因为它黄色面积太大而且和人的皮肤很像。

在被审核的用户看来这些标准有点保守,有点不近人情,甚至可笑。平台的管理人员也知道问题,但他们很难做到很细致,为了快速把违规的内容剔除,只能牺牲掉一部分人的用户体验,毕竟违规内容一旦出现,对平台来说就是大问题。所以说,内容审核技术的应用还非常任重道远。

以上的内容,对于一个运营或产品工作者来说,已经足够了。但如果你真的需要对一款产品的内容审核规范负责,就需要去学习更多知识,需要有更加专业的精神和更谨慎的态度,未来还会有无数难以预料的坎坷等着你。

内容来源于网络。