不良信息关键词过滤，核心不是简单建立一张“敏感词表”，而是把文本统一处理、分类匹配、上下文判断和结果处置连成一套规则。实际操作时，可按照“明确过滤范围—整理关键词库—规范化文本—分级匹配—输出处理结果—持续复核”的顺序搭建。这样既能拦截明显的不良内容，也能减少正常语句被误判。

一、先确定要过滤的信息范围

在整理关键词之前，先明确系统需要处理哪些内容，以及发现后要采取什么动作。范围过宽，容易造成误拦截；范围过窄，则无法覆盖实际场景。通常可以按照业务需求建立以下几类词库：

• 广告与骚扰类：批量推广、恶意引流、刷屏、虚假优惠和无关营销内容。
• 诈骗与诱导类：冒充身份、虚假承诺、索要验证码、诱导转账或要求提供账户信息的表达。
• 违法违规类：涉及非法交易、违法服务、恶意组织活动等内容。
• 色情与低俗类：明显色情表达、淫秽描述、未成年人相关的违规内容。
• 暴力与伤害类：鼓动伤害、极端威胁、展示严重暴力行为或教唆危险行为的内容。
• 隐私与个人信息类：公开或索取身份证件、联系方式、住址、账户凭证等敏感信息。

每个类别不要只保存关键词，还应记录词条来源、适用场景、严重等级、处置方式和最近更新时间。相同词语在新闻讨论、知识解释和实际诱导中可能含义不同，因此分类信息比单纯增加词条数量更有价值。

二、建立可维护的关键词库

1. 按风险等级分层

建议把词库至少分为三层。高风险词命中后可直接拦截或进入人工复核；中风险词需要结合上下文判断；低风险词只作为提示信号，通常不宜单独拦截。对于可能出现在正常语境中的词语，应设置“观察词”或“组合词”，避免因为单个词命中而影响正常内容。

关键词库的基本字段

字段	作用
词条或词组	保存需要识别的表达形式
所属类别	区分广告、诈骗、色情、暴力、隐私等类型
风险等级	决定拦截、审核或放行策略
匹配方式	指定精确匹配、组合匹配或模糊匹配
例外场景	记录新闻、科普、历史讨论等正常用法
处置动作	设置拒绝发布、修改后提交或转人工审核

2. 同时保存词组和组合规则

单个词条只能发现局部信号，组合规则才能判断完整意图。例如，某个普通词语单独出现时没有明显问题，但与“立即、付款、账号、验证码”等诱导性表达同时出现，风险就会明显提高。因此词库中应同时保存单词、短语、词语组合和上下文条件。

组合规则可以围绕“对象＋行为”“承诺＋要求”“渠道＋联系方式”等关系设计。规则不必写得过于复杂，但要明确哪些词必须同时出现、哪些词需要在一定距离内出现，以及哪些表达可以降低风险等级。

三、过滤前先做文本规范化

直接对原始文本进行匹配，容易漏掉插入空格、标点、大小写变化或全角半角混用的内容。规范化的目的，是把表达形式统一后再进行识别，而不是改变原文展示给用户的内容。

1. 统一字符形式：处理全角与半角字符、大小写、繁简体和常见符号差异。
2. 清理无意义字符：识别多余空格、换行、重复标点、不可见字符和异常控制符。
3. 保留原文副本：规范化文本只用于检测，原始内容用于展示、申诉和人工复核。
4. 处理重复表达：对连续重复的字符、数字或标点进行压缩，同时保留足够信息供规则判断。
5. 统一分词边界：中文可同时使用连续字串匹配和分词结果，避免只依赖单一分词方式。

对于谐音、拆字、字母数字混写等变形表达，可以建立有限的归一化映射，但不宜无限扩展。过度替换容易把正常词语变成错误命中，较稳妥的做法是将变形特征作为加分信号，与原始关键词、上下文和行为信息共同判断。

四、组合多种匹配方法

精确匹配：处理明确词条

精确匹配适合识别边界清晰、风险等级较高的完整词组。它速度快、结果容易解释，适合作为第一层过滤。词条数量较少时，可以使用集合或索引保存；词条数量较大时，则应采用适合多模式匹配的数据结构，减少逐条扫描造成的性能消耗。

模糊匹配：发现变形表达

模糊匹配用于识别标点插入、字符重复、空格分隔或轻微变形。使用时应设置相似度阈值和最大匹配距离，不能把“相似”直接等同于“违规”。模糊命中通常更适合提高风险分数或转入审核，不宜在所有场景中直接拦截。

上下文匹配：判断实际含义

上下文匹配是降低误判的关键。系统可以检查关键词前后一定范围内的词语、句子语气、是否包含交易或联系方式、是否存在明确指令等。例如，内容是在解释某类不良信息，还是在主动发布、招揽和传播，处置结果应当有所区别。

可以采用简单的加权方式：高风险词命中获得较高分，多个相关词共同出现时增加组合分，否定、引用、科普说明等正常语境特征则降低分数。最终将结果分为“通过、提示修改、人工审核、直接拦截”四档，比只有“通过或拒绝”更容易适应复杂文本。

五、设计清晰的过滤结果

推荐的结果分级

结果	适用情况	处理方式
通过	没有命中规则，或仅命中低风险观察词	正常发布并保留检测记录
提示修改	存在轻微风险或可能造成误解的表达	提示用户调整内容后重新提交
人工审核	命中中风险组合、模糊变形或复杂上下文	暂缓发布，由审核人员确认
直接拦截	命中明确高风险规则，且语境清晰	拒绝发布并返回简洁原因

返回给用户的提示应说明问题类型和修改方向，避免直接展示完整的内部规则或敏感词表。系统内部则应保存命中的类别、规则编号、文本位置、处理时间和最终结果，方便后续复盘。

六、用测试样本校准误判与漏判

关键词过滤上线前，至少要准备三组样本：明确需要拦截的内容、明确应当放行的正常内容，以及需要人工判断的边界内容。测试时不只看“命中数量”，还要观察误拦截率、漏检率、审核转入率和平均处理时间。

• 误拦截样本：新闻标题、课程说明、法律咨询、历史资料和对不良现象的批评讨论。
• 漏检样本：加入空格、符号、重复字符或多种表达方式的测试文本。
• 边界样本：只出现单个普通词，但结合上下文后可能形成诱导或违规含义的内容。

每次调整规则后，都要重新运行旧样本，确认新规则没有破坏原有结果。对于被人工审核推翻的判断，应记录为新增例外、调整等级或补充组合规则，而不是简单地把相关词条全部删除。

七、上线后的维护方法

词库需要持续维护，建议按固定周期查看命中日志和人工审核结果，合并重复词条，删除长期无效规则，并为新出现的表达补充同义词和组合模式。更新时应先在测试环境验证，再逐步发布到正式环境；高影响规则最好保留版本号，便于出现问题时回退。

最终，一套实用的不良信息关键词过滤方法应当形成闭环：先按场景建立分层词库，再进行文本规范化，随后通过精确匹配、模糊匹配和上下文规则计算风险，最后输出通过、提示、审核或拦截结果。关键词负责发现线索，规则负责理解关系，人工复核负责处理复杂边界，三者配合才能让过滤结果更稳定。

lagdijuafcgcm0zetr6qmflupnja