群组健康度审计：基于 24 小时发言密度衰减曲线的僵尸群判定算法

一个 Telegram 群组拥有数万名成员，并不代表它真的活跃。大量停止发言的用户、批量导入账号、广告机器人和短期刷量行为，都可能制造出虚假的群组繁荣。

传统审计往往只看成员总数和每日消息量，但这两个指标很容易被操纵。更可靠的方法，是观察消息在 24 小时内如何分布，并利用发言密度衰减曲线判断活跃度是否自然、参与者是否真实。

📊 什么是群组健康度审计

群组健康度审计，是对成员参与、消息结构、时间分布和用户留存进行综合分析。它关注的不是群里“有多少人”，而是有多少真实用户持续参与。

对于资源群、社区群和品牌官方群，健康度直接影响内容传播效率。一个成员很多但无人回应的群，其商业价值通常低于成员较少但讨论稳定的垂直社群。

需要重点审计的四类信号

第一类是时间信号，包括发言间隔、小时消息量和峰值持续时间。真实社区通常会形成符合成员时区与作息习惯的周期。

第二类是用户信号，包括独立发言人数、重复发言比例和新老用户构成。若大量消息始终来自少数账号，成员总数就缺乏参考价值。

第三类是内容信号，例如重复文本、外链比例、转发占比和对话关联性。机器人刷屏往往具有模板高度相似、回复关系稀疏等特征。

第四类是留存信号，用于观察用户首次发言后是否继续出现。真实活跃群通常能让一部分新用户在未来数日内再次参与。

🧮 24 小时发言密度衰减曲线原理

先将连续 24 小时划分为 24 个一小时窗口，统计每个窗口内的消息数与独立发言人数。为了避免大群天然占优，应使用标准化发言密度而不是绝对消息量。

D(t) = M(t) / max(A(t), 1)

M(t)：第 t 个小时的有效消息数
A(t)：第 t 个小时的独立发言人数
D(t)：单位活跃用户的发言密度

这里的有效消息应排除系统通知、连续重复内容和已确认的机器人指令。否则，进群提示或自动回复可能被错误计算为真实互动。

自然社群的曲线通常存在早晚高峰，并在高峰后逐步回落。僵尸群或刷量群更常出现突发尖峰、断崖归零、机械等间隔或全天异常平坦等形态。

如何计算衰减率

找到当日主要发言峰值后，可以计算后续多个窗口的密度下降速度。为降低单小时噪声，实际分析中建议使用三小时移动平均。

S(t) = [D(t-1) + D(t) + D(t+1)] / 3
R(k) = [S(peak) - S(peak+k)] / max(S(peak), 0.01)

S(t)：平滑后的发言密度
R(k)：峰值出现 k 小时后的累计衰减率

若峰值后的消息密度缓慢下降，同时独立发言人数仍保持一定比例，说明话题具有持续讨论能力。若峰值结束后参与人数迅速接近零，则可能只是广告投放、机器人任务或集中刷屏。

🔍 僵尸群判定算法的核心指标

1. 独立发言渗透率

独立发言渗透率等于 24 小时内有效发言用户数除以可见成员数。该指标越低，说明群组成员结构越可能存在沉默账号堆积。

参与率 = 24 小时独立发言人数 / 群组成员总数

参与率不能使用统一阈值生硬判断，因为公告型群组和讨论型群组差异很大。正确做法是与同类别、同规模群组的历史中位数比较。

2. 发言集中度

统计发言量排名前 10% 的用户贡献了多少消息，可以识别少数账号支撑全群数据的情况。若头部账号贡献长期过高，群组的真实参与面通常较窄。

3. 时间分布异常度

真实用户的发言时间会受到睡眠、工作和地域时区影响，因此曲线通常存在波动。若连续多天每小时消息量几乎一致，应检查是否存在定时机器人或自动转发程序。

4. 对话闭环率

对话闭环率用于衡量消息是否获得回复，可按收到回应的非机器人消息数除以有效提问或发起消息数计算。健康群组不一定每条消息都有回应，但应存在稳定的回复链和多人互动。

⚙️ 构建可执行的群组健康评分

实践中可以将参与率、发言集中度、曲线自然度、对话闭环率和用户留存率转换为 0 至 100 分。权重应根据群组类型调整，并保留原始数据供人工复核。

HealthScore =
  0.25 × ParticipationScore +
  0.20 × DistributionScore +
  0.25 × DecayCurveScore +
  0.15 × ConversationScore +
  0.15 × RetentionScore

可将 70 分以上视为相对健康，40 至 69 分列入观察区，低于 40 分则进入高风险复核。这个区间只是初始基线，不能代替基于历史样本的校准。

基础判定伪代码

if participation_rate is extremely_low:
    risk += 25

if top_user_concentration is extremely_high:
    risk += 20

if hourly_curve is flat_or_periodic:
    risk += 20

if peak_decay is abrupt and reply_rate is low:
    risk += 20

if returning_speaker_rate is low:
    risk += 15

if risk >= 60:
    result = "疑似僵尸群，建议人工复核"
elif risk >= 35:
    result = "活跃质量偏低，继续观察"
else:
    result = "暂未发现明显异常"

算法输出应使用“疑似”而不是直接认定，因为活动结束、突发新闻和跨时区成员结构都可能导致异常曲线。至少采集连续 7 至 14 天的数据，才能减少单日事件造成的误判。

🛡️ 数据采集、隐私与误判控制

群组审计应优先处理聚合数据，不应收集与分析无关的私人资料。用户标识可以进行哈希化，并设置明确的数据保留期限。

采集 Telegram 数据时，应遵守平台规则、群组权限和适用地区的隐私法律。不要通过绕过访问控制、盗取会话或抓取私密群内容来扩充样本。

模型上线前还应建立人工复核机制，检查节假日、直播活动、抽奖和突发事件等特殊场景。任何单一指标都不足以证明成员是机器人或群组存在欺诈。

最可靠的结论来自多指标交叉验证、连续时间观察和同类群组对照。当算法评分与运营人员的实际观察冲突时，应回看原始时间序列，而不是盲目相信总分。

❓ 常见问题解答（FAQ）

成员很多但发言很少，一定是僵尸群吗？

不一定，公告群、资源发布群和客服通知群本身就具有低发言特征。应结合群组定位、内容阅读量、独立互动人数和长期留存综合判断。

只分析 24 小时数据是否足够？

24 小时适合构建最小分析窗口，但不足以直接定性。建议连续记录一至两周，并分别比较工作日、周末和活动日曲线。

全天消息量稳定为什么也可能异常？

真实用户行为通常具有作息周期，不会长期保持完全均匀。过度平滑的曲线可能来自定时任务、自动转发或人为控制的发言账号。

如何降低算法对小群组的误判？

小群的数据波动较大，应使用更长观察周期，并设置最低样本量。还可以采用贝叶斯平滑或置信区间，避免少量消息造成评分剧烈变化。

健康评分可以直接用于购买群组或投放决策吗？

评分可以用于筛选，但不应成为唯一依据。正式决策前还要检查受众相关性、历史内容质量、管理员信誉和真实转化数据。

群组健康度审计的价值，不是给每个社群贴上简单标签，而是识别成员规模与真实互动之间的差距。通过24 小时发言密度衰减曲线结合参与率、集中度和留存率，可以建立更透明、更难被刷量欺骗的评估体系。