早几期的内容中，我们介绍了内容审核的相关信息。本期，我们将重点介绍推广内容的机器审核方式，不仅限于商业推广的内容，同样适用于流量内容审核。互联网上每日发布海量内容，单单微博的评论日均可达亿级以上。同时，随着时代发展，在传统的图文内容以上，音视频、直播、弹幕等内容形式的兴起，对于内容审核的挑战日益增大。很明显，在风险和用户体验双重重压之下，仅依赖人工审核是不现实的，使用机器审核并初步过滤风险内容才是最优的选择。
    机器审核是什么？简言之，机器审核是通过AI算法对劣质内容进行识别、过滤的一种审核模式，通过提取海量数据样本的特征，输入机器学习形成的机器算法。机器审核通常可以区分为机审规则和机审模型，机审规则是最简单的机器审核方式，仅支持识别文本类内容。机审模型则能力更加强大，可支持文本、图片、音视频的审核，一起来看看机器审核是如何识别风险内容的？

机审规则

机审规则即风险词表，由海量的风险词和匹配规则构成，简单理解为根据匹配规则，识别待检测文本中是否存在风险词表中的词，下面来具体说说匹配规则：

1. 场景1：针对单个风险词的匹配规则

精准包含匹配：待检测文本中精准包含风险词才能够命中机审规则。如风险词为【真人荷官】，待检测文本中内容为【真%人。荷/官】，词中间加入了特殊符号，即无法识别；

强过滤匹配：能够将（1）中的特殊符合自动过滤后进行匹配，即将【真%人。荷/官】转化为【真人荷官】，再进行识别；

拼音匹配：能够将【zhenrenheguan】、【真人heguan】转化为【真人荷官】进行识别；

字母大小写转换：如风险词为【coco】，可以将【COCO】、【Coco】转化为【coco】进行识别。

2. 场景2：针对多个风险词的匹配规则

多模匹配：通过识别固定词间距内是否同时出现了多个风险词（通常不超过3个），如同时出现即命中机审规则。举例：如机审规则中，风险词为【真人】和【荷官】，设置识别的固定词间距为60字。当待检测文本中出现【真人XXXX荷官】，且两个词间距不超过60字时，机审规则可以识别；

置换匹配：对于多模匹配，需要按顺序先出现【真人】，再出现【荷官】，才能识别；而置换匹配，可以将两个词倒序排布后识别，即可以识别【荷官XXXX真人】。

3. 场景3：豁免规则

为防止正常合规的词语被误杀，通常会人为添加豁免规则。

举个例子：如机审规则中风险词为【人流】，豁免规则为【人流量】。那么当出现【人流量】时，即会命中豁免规则，允许该词语正常使用。

除了上述基本的匹配规则外，在商业推广中通常还会增加【白名单机制】。白名单机制的出现，是基于品牌保护的目的，即白名单内的客户或账户允许使用词【coco】，其他客户不允许使用，来保证品牌主体的正当权益。

大家可能有疑问，海量的风险词是怎么来的？如何判断一个词属于低俗风险？

这些都是专业的审核人员或风控规则运营人员基于工作经验、审核case以及互联网的海量数据进行人工整理的。可想而知，工作量极大。

随着机审能力的发展，目前也可以借助一些词扩展工具，通过一个基础词，基于繁体转换、拼音转换、同义转化等逻辑，自动扩展出变体词，辅助人工收集。

机审模型

机审模型能够实现对文本、图片、音频、视频各种形态产品的识别，对于不同形态的产品如何识别呢？

1. 文本识别

相较于机审规则，模型能够实现的识别场景更多。通过语义分析构建智能学习算法，结合场景对风险文本进行识别。

以下面一段文本为例【韩国电影/迷人的保姆/男主经不住漂亮保姆诱惑】，这段话拆开每个词都不涉及敏感问题，但整体的场景描述下却是低俗导向，不适宜发布。

对于这类情况，机审规则无法生效，只能靠模型来识别。通过样本输入和机器学习，让模型具备这类场景的识别能力。

2. 图片识别

通常区分为图片中的文字和图像识别：

文字识别采用ocr识别技术，即对图片进行扫描，将图片中的文本输出，再使用文本规则或模型进行风险识别；图像识别基于海量的图片数据，获取图片的信息并进行预处理，比如去噪、平滑、变换等，然后抽取图片特征进行分类处理存储至索引库，计算并存储图片的风险标签。

那在面对一张新图片时，索引库中如有与之相似的特征，即可以进行识别判断。作者对于图像识别研究并不深入，不作更多妄论。

3. 音频识别

asr语音识别技术，将音频转换为文字后进行识别。

首先对音频进行预处理，提取音频的特征。特征提取出来后，建立索引库存放特征。在面对一段待识别的语音时，将其与索引库中特征进行匹配，输出识别的结果。

音频识别与同为多媒体元素的图片识别，基本的原理是一样的，都是提取特征、建立索引库存储、特征匹配这三大过程。

4. 视频识别

视频审核目前主要以视频切帧的方式，将视频切成一张张的图片，再按照图片识别的方式进行审核。