账号级信号（agatha、bdsm、user-cred-v2）

这一页回答什么

• agatha/ 怎样用“拉黑、举报、垃圾举报相对点赞”的比率和图特征，为每个账号计算垃圾、成人内容等分数。
• bdsm/ 的行为序列模型读取什么、输出什么，怎样决定挑战或封禁。
• user-cred-v2/ 怎样在关注图和互动边上运行 PageRank，并把质量（mass）换算成 0-100 的账号分。
• 哪些系统把这些分数用作阈值或豁免条件。

三者都不在请求路径上。打标签规则或处置服务把它们的输出转成账号标签，再由 可见性过滤 读取。

核心结论

1. Agatha 的基础标签是平滑比率。 分数 = (互动数 + 0.1) / (互动数 + 站外点赞数 + 0.1 / 先验)。这里的互动指拉黑、举报或垃圾举报（agatha/scalding/labels/rate_based_labels/RateBasedLabels.scala:29-57、:60）。
2. Agatha 再用图特征把这些标签推广到所有活跃账号。 它计算每个图特征与标签的 PMI（点互信息，衡量两者共现程度），按账号汇总成 Blink 分，再按活跃用户的分布做百分位校准（agatha/scalding/blink/BlinkScoreJobTemplate.scala:127-128、:184-244）。
3. Agatha 分数的使用阈值写在 botmaker 规则中。 例如：SpamSuspended > 0.99 或举报比分数 > 0.999 时，规则给账号打标签 AGATHA_SPAM_TOP_USER，有效 7 天（botmaker-rules/scarecrow/bot/ProductionAgatha__FilterOutOrganicNotifications.bot:11-33）。这个标签只影响通知，不影响 For You（见 可见性过滤）。
4. BDSM 是行为序列 Transformer。 它输入最近 512 个动作，输出 8 个头的分数。开源版把执法阈值替换为不可能触发的 9.99（bdsm/README.md:102-115、bdsm/runtime/sink_policy.yaml:4-40）。
5. user-cred-v2 分数 = clamp(165.2 + 7.07 × ln(mass), 0, 100)（user-cred-v2/UserCredV2.scala:10-19）。mass 来自关注图上的 PageRank。跳转概率开源默认为 0.2；跳转目标一半在认证账号间均分，一半按点赞/转发加权（user-cred-v2/UserCredV2Config.scala:30-35、user-cred-v2/UserCredV2App.scala:141-193）。
6. user-cred-v2 分数 ≥ 54 的账号视为“高 PageRank 账号”，多数自动打标签规则豁免这类账号（botmaker-rules/scarecrow/derived-feature/HighPageRankThreshold.df:1-2、IsHighPageRankUser.df:3-18）。

Agatha：举报/拉黑相对点赞

基础标签（率值标签）

分母中的“点赞”只计站外点赞，即点赞者与作者之间没有任何方向的关注关系（agatha/scalding/labels/favs/Favs.scala:15-19、:51-68）。

计算步骤如下：

1. 每个发起者最多计 100 个目标账号，超出部分用水库抽样截断（agatha/scalding/labels/LabelUtil.scala:12-23）。例如，一个人拉黑一万个账号，只按 100 个计。
2. 计算先验：先验 = 全体账号的 Σ互动 / Σ(互动 + 点赞)。单个账号的 (互动 + 点赞) 超过 1000 时，按比例缩到 1000 再参与计算（LabelUtil.scala:25-44）。
3. 计算账号分数（RateBasedLabels.scala:47-55）：

score = (I + 0.1) / (I + F + 0.1 / prior)
I = 互动数，F = 站外点赞数，0.1 = 平滑参数（RateBasedLabels.scala:60）

没有任何互动和点赞的账号，分数等于先验。样本越多，分数越接近真实比率。

另有两类二值标签：

• SpamSuspended：正例是过去窗口内因 spam 或 other 理由被封禁、且备注不含 #chaq 的账号（agatha/scalding/util/GetSuspendedUsers.scala:12-27）。负例是其余活跃账号（LabelUtil.scala:46-61）。
• NSFW：正例是带 NsfwHighPrecision、NsfwAvatarImage 或 NsfwBannerImage 账号标签的账号（agatha/scalding/labels/nsfw/NSFWLabelExtraction.scala:16-30）。

从标签到 Blink 分

flowchart LR
    G["图特征: 关注 / 点赞 / 转发 / 拉黑 / 举报 / 列表 / 简介词 等"] --> B["Build: 每个特征与标签的 PMI"]
    L["标签: 率值 / SpamSuspended / NSFW"] --> B
    B --> P["Predict: 留一法 PMI, 按特征类别取矩"]
    P --> S["Blink 分 = (Σm0·m1 + ln 先验) / (Σm0 + 1)"]
    S --> C["按活跃用户分布做百分位校准"]
    C --> MH["写入 Manhattan, 供 GetUserHealthScores 读取"]

• 图特征来源有 24 种，包括关注、点赞、转发、回复、提及、拉黑、静音、举报、私信、列表、话题标签和简介词（agatha/hub/agatha/thrift/featureSource.thrift:3-28）。
• Build：对每个 (特征, 标签) 对计算 PMI，即 ln[P(特征, 标签) / (P(特征)·P(标签))]（agatha/hub/pmi/math/Math.scala:95-101、agatha/hub/agatha/builder/Builder.scala:16-37）。训练窗口为 30 天（agatha/scalding/RateBasedBuildJob.scala:22-29、SpagathaBuildJob.scala:21-24）。
• Predict：对每个账号，用留一法取其各特征的 PMI，再按特征类别汇总成矩（moments）。预测窗口为 14 天（agatha/hub/agatha/predict/Predict.scala:17-50、agatha/scalding/AgathaFeaturesPredictJob.scala:26-36）。
• Blink 分：对每个账号的每个标签，把各特征类别的 m0（计数）与 m1（均值）累加，再按下式合成（BlinkScoreJobTemplate.scala:121-182）：

blink = (Σ m0·m1 + ln(prior)) / (Σ m0 + 1)

• inbound 子类特征只计入总分，不计入“外向”分（BlinkScoreJobTemplate.scala:123-125）。
• 部分标签排除与自身同源的特征类别。例如，ReportsPerFav 不用拉黑图和举报图（BlinkScoreJobTemplate.scala:287-313）。推测目的是防止标签泄漏。
• 校准：以活跃账号为参照，分 1000 个分区做百分位校准（BlinkScoreJobTemplate.scala:184-244）。校准后的分数可理解为百分位，0.99 约等于前 1%（推测）。
• 输出：任务把 AllSpamReportsPerFav、ReportsPerFav、SpamSuspended、SpamReportsPerFav 四个标签的校准分写入 Manhattan（BlinkScoreJobTemplate.scala:315-320）。botmaker 规则通过 GetUserHealthScores 读取 AgathaSpamSuspended 等名称的分数（bot/ProductionAgatha__FilterOutOrganicNotifications.bot:11-14）。二者的对应关系由名称推断，源码未直接写明。

Agatha 分数的使用阈值（开源默认值）

AGATHA_SPAM_TOP_USER 只在通知相关的安全级别中触发丢弃（visibility-filtering/rules/levels.rs:89-100）。For You 两个级别的规则不读取 AGATHA_SPAM 帖子标签（visibility-filtering/rules/levels.rs:298-361）；规则名提示它用于搜索。

BDSM：行为序列模型

BDSM 全称 Behavioral Detection Sequence Model（bdsm/README.md:1-5）。

• 模型：双向 Transformer 编码器，读取账号最近的动作序列。位置编码用按时间戳归一化的 RoPE（旋转位置编码），因此能表示动作间隔（bdsm/README.md:17-25、bdsm/runtime/model.py:62）。
• 规格：256 种动作类型、8 个分类头、序列长度 512、嵌入宽度 1024（bdsm/README.md:102-103）。
• 每个动作的特征：动作类型、产品界面、停留时长、设备/客户端信号、互动目标哈希等（bdsm/README.md:26-29）。
• 8 个头：FollowBot、LikeBot、EngagementAmplifier、ReplySpamBot、TweetSpamBot、RTBot、MultiActionBot、LegitimateUser（bdsm/README.md:30-34、bdsm/runtime/heads.py:115-118）。
• 训练：主干先做自监督训练（掩码属性预测，加每 6 步一次的对比学习），然后冻结；任务头单独训练（bdsm/README.md:42-51）。
• 流水线：Kafka 动作事件 → Rust 累加器去重并入队 → 预取序列 → GPU 推理输出 8 维分数 → 结果汇（sink）按阈值决定动作（bdsm/README.md:53-67）。

结果汇的判定结构

阈值是二元组 [tau, lambda]。某个机器人头的分数 ≥ tau，且 LegitimateUser 分数 ≤ lambda 时，才算命中（bdsm/runtime/score_results_sink_focal.py:851-857）。

硬执法前有以下豁免门（score_results_sink_focal.py:836-920）：

• 动作数少于 min_actions_for_enforcement 的账号不执法。开源版把该值替换为 999999。
• 发帖动作占比 ≥ 50% 的账号不走硬执法（:836-841）。
• FollowBot：取关多于关注时不算命中（:853-854）；开启年龄门时，新账号不算命中（:860-869）；登录后短时间内通过入门推荐包完成的关注不算命中（:871-889）；关注过入门推荐包的账号改为发挑战（:891-905、:946-961）。
• 开启检查时，跳过客户端停留数据缺失（dwell dropout）的账号（:907-913）。

开源版的全部阈值与 min_actions_for_enforcement 都是占位值。生产值未公开（bdsm/README.md:104-115）。

user-cred-v2：关注图 PageRank

图与参数（开源默认值）

跳转分布

跳转（teleport）目标不是在全体账号上均匀分布（UserCredV2App.scala:141-193）：

teleport(u) = (1 - β) × uniform_premium(u) + β × engagement(u)
uniform_premium：在非 near-zero 的付费/认证账号（蓝标、灰标、金标、认证机构及其关联号）上均分
engagement(u) = Σ_e mass_prev(e) × count(e→u) / count(e→·)，再归一化

含义：未认证账号拿不到均匀跳转质量。它们只能通过被关注、被有质量的账号点赞或转发来获得质量（依代码推断）。

迭代与分数

每轮迭代的计算如下（UserCredV2App.scala:320-390）：

mass'(u) = (1 - α) × Σ_{f 关注 u} mass(f) / outdeg(f) + teleport(u) × (α + (1 - α) × 遗失质量)

遗失质量指没有出边的节点未能分出去的质量。任务用上一轮快照做热启动（UserCredV2App.scala:200-215）。

分数换算（user-cred-v2/UserCredV2.scala:10-19）：

score = min(100, max(0, 165.2 + 7.07 × ln(mass)))

由公式反推（计算值，不是源码常量）：score = 54 对应 mass ≈ 1.48e-7；score = 100 对应 mass ≈ 9.88e-5。

发布保护

结果先通过快照安全门。安全门检查三项：行数、分数 ≥ 55 的账号数（vitThreshold）与上一版相比变化不超过 5%；质量总和在 [0.99, 1.005] 之间。检查不通过时，任务把结果写入隔离区并失败退出（UserCredV2Config.scala:40-44、UserCredV2App.scala:392-430、user-cred-v2/SnapshotSafeguard.scala:21-64）。生产任务从 2026-04-27 起每天运行（UserCredV2App.scala:518-525）。

分数的使用方

• botmaker：IsHighPageRankUser = 分数 ≥ 54 或带 PREDICTED_HIGH_PAGE_RANK 标签；没有分数时，改用粉丝数 > 25000 判断（botmaker-rules/scarecrow/derived-feature/IsHighPageRankUser.df:3-18）。公开的打标签规则普遍跳过这类账号，见 打标签规则。
• abuse-enforcement-service：规则中有 cred.is_high || cred.score >= ... 跳过条件，开源值是占位值 12.34（abuse-enforcement-service/service-lib/rules/enforcement_user.yaml:26-33）。
• safety-label-user-agg：使用 highPageRankOrGreyBadge 排除条件（safety-label-user-agg/safetyLabelToUserLevelAggregationV2Processor.strato:31-48）。

设计决策

源码锚点

• agatha/scalding/labels/rate_based_labels/RateBasedLabels.scala:29-118 —— 率值标签与平滑公式
• agatha/scalding/labels/LabelUtil.scala:12-61 —— 抽样截断、先验、正负例
• agatha/scalding/blink/BlinkScoreJobTemplate.scala:121-320 —— Blink 分、校准、写入
• botmaker-rules/scarecrow/bot/ProductionAgatha__FilterOutOrganicNotifications.bot:11-33 —— Agatha 阈值
• bdsm/README.md:17-115 —— 模型、流水线、阈值脱敏说明
• bdsm/runtime/score_results_sink_focal.py:821-1160 —— 各执法通道
• user-cred-v2/UserCredV2App.scala:141-390 —— 跳转分布与 PageRank 迭代
• user-cred-v2/UserCredV2.scala:10-19 —— mass 到分数

相关页面

• 打标签规则 —— 读取这些分数的 botmaker 规则
• 处置与标签聚合 —— 消费 BDSM 结果的处置服务
• 可见性过滤 —— 账号标签在推荐中的效果
• Under the Hood 透明度报告 —— 用户能看到哪些账号标签