Forem项目中防止垃圾用户关注通知的技术实现
在开源社区平台Forem中,用户互动功能是社区活跃度的重要指标之一。其中,用户之间的关注机制是核心功能,但同时也面临着垃圾账号和恶意用户的挑战。本文将深入分析Forem平台如何通过技术手段防止垃圾用户关注通知的发送,保障用户体验。
背景与问题
在社交型平台中,用户关注机制通常会触发通知,告知被关注者有人关注了自己。然而,这一机制容易被垃圾账号或恶意用户利用,通过大量关注其他用户来发送垃圾通知。这不仅影响用户体验,还可能成为平台安全的隐患。
Forem平台最初通过延迟发送通知的方式来解决这个问题,即在新用户注册后的一段时间内不立即发送关注通知。这种方法确实能够拦截部分恶意行为,但存在一个明显的缺陷:它仅能过滤被标记为"suspended"(已停用)的用户,而无法识别标记为"spam"(垃圾)角色的用户。
技术实现方案
Forem平台的技术团队设计了一个双重过滤机制来解决这个问题:
-
角色基础过滤:系统会检查关注者的用户角色,过滤掉具有特定不良标记的用户。最初仅过滤"suspended"角色,现在扩展到了"spam"角色。
-
延迟发送机制:新用户注册后,系统不会立即发送其关注行为的通知,而是等待一段时间,观察该用户行为后再决定是否发送通知。
在代码实现层面,核心逻辑位于Notifications::NewFollower::Send服务中。该服务调用Follow.non_suspended方法来过滤被停用的用户,但最初版本没有包含对"spam"角色的检查。
解决方案优化
为了完善这一机制,技术团队进行了以下优化:
-
扩展过滤条件:修改Follow.non_suspended方法,使其不仅检查"suspended"角色,还要检查"spam"角色。
-
统一过滤逻辑:确保所有涉及用户关注通知的代码路径都使用相同的过滤标准,避免出现逻辑不一致的情况。
-
性能考量:在数据库查询层面进行优化,确保新增的过滤条件不会对系统性能产生显著影响。
技术细节
在实现上,主要涉及ActiveRecord查询的修改。例如:
scope :non_suspended, -> { joins(:follower).where.not(users: { role: [Role.suspended, Role.spam] }) }
这样的修改确保了无论是被停用还是被标记为垃圾的用户,其关注行为都不会触发通知发送。
总结
Forem平台通过不断完善用户行为过滤机制,有效防止了垃圾用户通过关注功能发送骚扰通知的问题。这一技术实现不仅提升了平台用户体验,也为其他社交型平台处理类似问题提供了参考。技术团队通过角色基础过滤和延迟发送机制的配合,在保证正常用户功能不受影响的前提下,有效遏制了垃圾行为。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00