本次分享主题是 小红书社区反作弊探索与实践 ，主要讨论 业务风控工作落地的解题思路 。内容围绕下面四点展开：社区反作弊的意义、社区黑灰产生态、作弊防控策略和社区反作弊实践。 以下全文根据费栋在 DataFun 智能风控论坛中的分享整理。

费栋：小红书社区风控策略算法负责人。本科毕业于南京大学，硕士就读于巴黎高科。现就职于小红书，从零到一搭建社区反作弊识别框架，负责社区风控安全策略算法体系建设

在讨论社区反作弊之前，我们先明确一下什么是作弊以及作弊会带来的行业风险。

1.  作弊的定义和行业风险

发现风险和定义问题是风控工作中非常关键的一环，但也是经常被大家忽略的一环。本文给出个人的定义，即“一切通过非正常手段去滥用产品功能，以谋取利益的行为”。关键词“牟利”，不论哪个行业，作弊一定是趋利的。

不同行业的作弊风险形式并不固定，其需要结合产品形态和业务模式来界定。比如，电商场景下作弊可能带来的风险有刷单、薅羊毛和黄牛等。支付场景的主要风险有交易诈骗，洗钱以及信用卡套现等。

那么，社区场景下又面临着哪些风险呢？

小红书 UGC 社区的环境下，面临的主要风险有如下几类，数据刷量（数据造假）、内容引流、欺诈以及虚假种草。

2. 社区反作弊的意义

多数场景下，反作弊的价值通过挽回 XX 资损来衡量。比如，电商的薅羊毛，支付的反信用卡套现，活动的骗补贴等，衡量标准可以是为平台节约了多少资损。那在社区中，该如何去衡量价值呢？或者说社区反作弊的意义是什么？

• 产品生存

面向监管：如果反作弊做得不到位，相应风险问题的浓度就有可能会变高，比如诈骗和刷单问题。近期，有关部门针对互联网诈骗展开行动，如断卡行动、清网行动等等。如果这些问题得不到有效解决，会给平台带来监管的风险。

机器资源：大量的作弊行为可能占用网络资源，造成服务的堵塞，影响用户使用功能。

从以上两个角度考虑，作弊在短期内是有可能影响产品和平台生存。

• 数据准确率

作弊行为会产生大量的垃圾数据，而数据是产品乃至战略决策的重要支撑。如无法分辨虚假数据，当其量级和占比达到一定程度时，可能导致分析、决策的偏差和失误，影响业务的判断。

• 平台生态

健康和真诚的内容生态和真实的数据是用户体验的保障。

我们将 C 端用户分为两类，一类用户无法分辨虚假数据和内容，于他们而言不真实的内容或数据会带来决策的误导；另一类用户能分辨虚假数据和内容，不至于被误导，但