Qué convierte un mensaje en spam
Casi todo el spam se lee como una frase normal. "Seguidores gratis, toca el enlace" es correcto, educado y no tiene ni una palabra que merezca estar en una lista. Lo que lo delata es la forma: un mensaje que es casi todo enlaces, una dirección que oculta adónde lleva, un enlace al principio y relleno detrás, y el mismo texto llegando decenas de veces. ToxicFilter puntúa cada una de esas cosas como un hallazgo aparte, con el motivo escrito, para que veas cuál ha decidido y actúes sobre las que le importan a tu web.
Cómo detectar el spam de enlaces
Contar enlaces no sirve por sí solo, porque un enlace es como la gente responde a las preguntas. Por eso cada llamada lee todos los enlaces, incluidos los dominios sueltos y los acortadores e invitaciones que se escriben sin http (bit.ly/abc, t.me/abc, discord.gg/abc), y puntúa lo que encuentra. Varios enlaces con menos de veinticinco palabras por enlace empiezan en 0,65 con dos y llegan a 0,75 con tres. Un mensaje que empieza por un enlace da 0,75. Un acortador, 0,70. Una invitación a un chat o una página gratuita de enlaces, 0,55. Un dominio con espacios alrededor del punto (crecerya . xyz) va a evasion con 0,65, porque dice algo de la intención sea cual sea el enlace.
Cómo frenar los mensajes repetidos y las campañas de spam
Ningún clasificador que lea un solo mensaje puede ver una campaña, porque la campaña no está en el mensaje: es el mismo mensaje llegando cuarenta veces. ToxicFilter compara cada texto con las llamadas recientes de la misma cuenta y el mismo proyecto durante los últimos quince minutos, y solo en textos de unos cuarenta caracteres o más, para que doscientas personas escribiendo "¡gracias!" sigan siendo un foro. Una huella de cada texto detecta las copias retocadas con otro enlace o dos palabras cambiadas. Estos recuentos salen de llamadas anteriores, así que un ejemplo suelto en una página no puede enseñarlos; aparecen en la respuesta en cuanto llega la segunda copia.
Mensajes de relleno y texto sin sentido
Un mensaje que repite la misma palabra una y otra vez, una tecla mantenida o un muro de emojis puntúa en spam. El texto que no se lee como lenguaje, casi sin vocales y con ristras de consonantes, puntúa en gibberish, que retiene para revisión y nunca rechaza. Solo se juzga en texto con alfabeto latino, porque contar vocales no significa nada en chino o en árabe.
Lo que cuesta una repetición
Una campaña de spam es el mismo mensaje cientos de veces, y las copias se responden desde una caché de veredictos que se guarda por cuenta y por proyecto. El número de copias forma parte de lo que la caché consulta, por tramos, así que una copia solo se vuelve a juzgar cuando el recuento ha crecido lo bastante como para cambiar la respuesta. Una llamada servida desde la caché se cobra un crédito, lo que cuesta una comprobación, aunque la primera costase más. Ninguna de las comprobaciones de esta página usa el modelo: son detectores gratuitos que resuelven un comentario en torno a un milisegundo.
Cómo elegir los umbrales de spam
Las líneas por defecto retienen el spam desde 0,50 y lo bloquean desde 0,80, así que un enlace acortado, un mensaje que empieza por un enlace o tres enlaces cortos se quedan esperando a una persona en vez de rechazarse. La plantilla de formulario de contacto baja las líneas a 0,35 y 0,65, y esos mismos mensajes se rechazan. Empieza por la que encaje con lo que te cuesta un falso positivo en tu web, y luego pon una segunda política en paralelo sobre tu propio tráfico para ver en qué discreparían antes de cambiar.
