用户提交来的站点名里有违规词：目录站的敏感内容该怎么过滤

目录站只要开放提交，迟早会收到不该出现的东西。站点名、简介、图标，哪一处都可能夹带。靠编辑一条条看，一天几百条提交就看不过来了，而且人会疲劳，看漏是迟早的事。

但也不能走向另一个极端：全站先审后发。那样做合规是合规了，收录速度被拖垮，站点也就没什么生命力了。

图片来源：网络，版权归原作者所有，侵权请联系删除

先把两层分开

《网络信息内容生态治理规定》2020 年 3 月 1 日起施行，里面把内容分成了两类处理：第六条的违法信息是不得制作、发布、传播的；第七条的不良信息是要采取措施防范和抵制的，比如用夸张标题、内容与标题严重不符这类。这两类的处置强度不一样，你的过滤规则也该对应着分两层。

规定同时要求平台履行信息内容管理主体责任，建立健全信息发布审核、实时巡查、应急处置这些制度，发现相关信息的要依法立即处置、保存记录并向主管部门报告。这几句不是套话，落到系统上就是：要有审核环节、要有处置动作、要有留存、要有上报通道。

三层词库，三种处置

层级	命中后	是否放行	留痕
违法词	直接拦截，不进库	否	记录原文、时间、IP
不良与夸大词	转人工复核	看复核结果	记录处置人和结论
灰词	通过但打标，纳入抽检	是	标记留档

第三层容易被省掉，其实它最有用。有些词本身没问题，但出现在站点名里就值得多看一眼，比如「最」「第一」「官方」这类。直接拦会误伤一大片，不拦又等于放弃了信号。打标进抽检池，每周抽一批人看，成本可控。

匹配之前先归一化

只做字面包含匹配，漏网率会高得离谱。变体太多：繁体、拼音、同音字、中间插空格或符号、全角半角混着用。匹配前统一走一遍清洗：

• 繁体转简体，全角转半角
• 去掉所有非字母数字和非中文的符号
• 连续重复字符压缩（比如把三个同样的字压成一个）
• 对拼音变体单独建一张映射表，只针对核心词做

做完这四步再匹配，命中率会明显上升。注意别做过头：不要对整段简介做模糊音似匹配，那样误伤会爆炸，只在站点名这种短字段上用。

误伤怎么收场

正规站点被拦是最容易引爆投诉的场景。医疗器械、成人用品、法律咨询这几类，站点名里经常出现看起来像违规词的正常词。两个办法能压住大部分误伤：

一是白名单。审核通过的站点名进白名单，后续更新不再重复拦。二是给被拦的提交一个明确的反馈——不要只弹「内容不合规」，要说清楚是哪一段、命中了什么，并且给一条申诉入口。用户知道为什么被拒，才有动力改；什么都不说，他只会换个马甲再来一遍。

处置记录要留够时间。规定要求保存有关记录，具体的留存期限按你的业务性质和属地要求来定，别只存七天就自动清了。

人工环节放在哪儿

机器挡掉明显的，人工看剩下的。比例控制在百分之十以内比较舒服——超过这个数，要么词库太糙，要么提交质量确实有问题，得回头看提交表单是不是该加约束了。

最后一条：别把过滤规则本身公开。写了哪些词、怎么绕过的说明，一旦公开就成了绕过指南。规则只对内可见，对外只说「不合规」。