视界一开，屏幕上滚动的日志便不同了。
每一条经过清洗管线的数据，在韩路一眼里都浮起一层薄薄的色彩。
干净、有信息量的数据泛着淡蓝的光，像水流一样顺畅地通过管线；被规则正确拦下的垃圾数据呈灰色，在某个节点被清理出去，不再进入下面的环节；而那些有问题却未被拦住的数据，则发着刺眼的橙红，混在蓝色水流中间，格外扎眼。
韩路一还注意到另一种颜色：偶尔有几条数据闪着暗蓝，在灰色数据中格外显眼——它们被规则误判为垃圾扔了出去，其实却是有价值的内容。
就像站在流水线旁，别人只看见传送带上的产品在动，韩路一的眼睛却能给每一件产品、甚至每一条传送带本身做质检。
他盯着屏幕看了约十分钟，先从最显眼的橙红色入手分析，渐渐摸清了规律。
问题主要有三个。
最多的一类，是纯垃圾没清干净。菠菜广告、瑟瑟引流、关键词堆砌，这些最低级的垃圾，现有规则只做关键词匹配，变体却太多。
用谐音字、用emoji替代、把敏感词拆成两段分别塞进前后文里，简单的正则表达式根本防不住。视界里这类数据发着最亮的橙红，数量也最多。
其次是语义重复：两段话用词完全不同，意思却几乎一样，基于关键词和格式的规则识别不了。
最后一个最隐蔽，是低质量内容的伪装。有些内容的格式、长度、关键词分布都符合优质内容特征，实际却是洗稿或机器生成的填充物，里面还夹着不少事实性错误。
这三类加在一起，占了全部数据的近七成。
韩路一退出视界，动手改脚本。
若沿用传统的垃圾分类规则，想全面覆盖，工程量大；他干脆换了个思路。
汤圆的模型不是还在吗？直接把数据发给汤圆做检测、做意图识别。不管怎么变体、怎么拆字、怎么塞emoji，只要最终属于“引导点击”或“诱导付费”的内容，一律标出来。
同样，用汤圆给数据做精简化处理，再合并便简单多了。
最后识别伪装内容稍难一些，却难不倒视界。在视界提示下，韩路一加了一层基于困惑度的筛选。
真正有信息量的文本，语言模型预测下一个词时不确定性更高；洗稿和填充内容因套路化严重，困惑度反而很低。
改完整个数据清洗管线的规则，韩路一再次启动。
这一次再用视界看
…。。