人工反低俗和技术反低俗，就像警察与警犬！今日头条升级灵犬反低俗助手

大数据文摘出品

作者：易琬玉

7月30日，今日头条宣布正式推出新版灵犬反低俗助手（以下简称“灵犬”），同时支持图片和文本识别。这是时隔半年后，“灵犬”的又一次重要升级。

在文本识别领域，新版“灵犬”同时应用了“Bert”和“半监督技术”，训练数据集包含920万个样本，准确率提升至91%。在图片识别领域，“灵犬”采用深度学习作为解决方案，在数据、模型、计算力等方面均做了针对性优化。

在微信小程序中即可搜索到“灵犬反低俗助手”。通过输入文本或文章链接，可以检测色情低俗、暴力谩骂以及标题党。之后，图片和视频低俗内容识别程序也将上线。

人工反低俗和技术反低俗，就像警察与警犬

信息大爆炸时代，打击低俗低质内容，是当前全球信息平台都面临的难题，然而反低俗无法单一地依靠技术或人工解决。

字节跳动人工智能实验室总监王长虎表示，“低俗的定义相对笼统，很难完全精确地定义出来，这项工作即使对人来说也不容易，交给机器做更难实现。"

例如断句不同导致的歧义：

一些技术难以搞定的问题，现阶段还有赖于人工判断。

比如，机器通过识别画中人物的皮肤裸露面积进行判断，这就导致反低俗算法曾将《草地上的午餐》认定为低俗色情内容。而某些拍摄芭蕾舞的图片，以机器的视角来看，其实类似于裙底偷拍。

马奈油画《草地上的午餐》

还有因为使用场景、人群不同而导致标准变动的案例：内衣和内衣模特出现在购物平台上，会被默认为正常，但如果频繁出现在新闻资讯平台上，就可能被认为有低俗嫌疑；正常的热舞内容，提供给成年人看符合常规标准，但如果是面向青少年，这些内容就不应该出现。

“灵犬”小程序：反低俗系统简化版本

“灵犬”是今日头条反低俗系统的一个简化版本。据了解，2012年以来，今日头条内部搭建了反色情、反低俗、反标题党、反虚假信息、反低质等数百个模型，并投入近万人专业审核团队。

新版“灵犬”重点拓展了反低俗识别类型和模型能力，现已覆盖图片识别（反色情低俗、反血腥暴力）和文本识别（反色情低俗、反暴力谩骂、反标题党）。后续还将支持语音识别和视频识别。

用户只需要在“灵犬”内输入一段文字或文章链接，“灵犬”就可以帮助其检测内容健康指数，返回一个鉴定结果。

“灵犬”背后的技术迭代

据王长虎介绍，“灵犬”背后的文本分类模型，已经经过了三次迭代。

第一代“灵犬”，应用的是“词向量”和“CNN（卷积神经网络）”技术，训练数据集包含350万数据样本，对随机样本的预测准确率达到79%。第二代“灵犬”，应用的是“LSTM（长短期记忆）”和“Attention”技术，训练数据集包含840万数据样本，准确率提升至85%。

新版“灵犬”同时应用了“Bert”和半监督技术，并且在此基础上使用了专门的中文语料，在不牺牲效果的情况调整了模型结构，使得计算效率能达到实用水平。“Bert”是当前最先进的自然语言处理技术，是该领域近年来重大进展的集大成者。这项技术在常见的阅读理解、语义蕴含、问答、相关性等各项任务上，大幅提高了性能。

这一代“灵犬”训练数据集总量是1.2个T，相当于20倍百度百科或100倍维基百科的数据总量，包含920万个样本，准确率提升至91%。

不同于文本识别，图片识别的技术难点主要在于三方面：非均衡、类内方差大和不可穷举，即，低俗图片占整体图片内容的比例较低，低俗图片的种类丰富、繁杂，构成低俗图片的特征千差万别。

对此，“灵犬”运用的解决方案，是深度学习。“我们分别在数据、模型、计算力等方面做了很多优化。”王长虎说。数据层面，“灵犬”已累积上千万级别的训练数据。模型层面，“灵犬”针对许多困难样本做了模型结构调优，尝试解决多尺寸、多尺度、小目标等复杂问题。计算力层面，“灵犬”利用分布式训练算法以及GPU训练集群，加速模型的训练和调试。

当前，“灵犬”建设了比较完善的模型迭代系统。通过“数据收集—数据标注—数据清洗—模型训练—模型评估—badcase分析”这一套完整的流程，持续做优化。