昨天微博看见有人出了一道题
在100万个用户名中，尽可能找出机器自动创建的用户名。
其实就是反spam比较简单的一种。
有些人说拿每个用户名取google或baidu搜索下看看有没有上网痕迹。先不说这个靠不靠谱，出题人明显是想从算法角度去解决此问题，而非社会工程学，所以那些就算了。
我开始想了个对100万个用户名先进行分词，然后统计每个词在这100万个用户名中出现的次数，也就是统计词频。然后按照词频进行倒排序，取top n。接下来就在那100万个用户名中找出包含top n中出现的词。这些很可能就是机器创建的。
但后来想这么做并不科学，可能会误杀一大片正常用户名。因为在每个时间段都会出现一些热词，很多人喜欢用这些热词作为用户名的一部分。或者是某些经典词，可能会被大部分人使用。
因此我觉得除非可以人工参与进来找出一些热词。将热词从top n中排除。否则这个方法一点也不好。
想看看大家有什么想法，一起讨论下。注意，此命题说了只能针对用户名，而不能去对用户发言或注册日期之类的做处理。
------解决方案--------------------1、从以往的注册经历上看，机器自动创建的用户名 多以用户提交的注册信息组合而成。也有前缀加顺号的
2、考察前缀相同的用户名是最简洁的方式
如果手边有可供利用的数据，倒是可以探究一下算法。遗憾的是没有
------解决方案--------------------这个我也关注下哈哈，虽然初学不太懂。
------解决方案--------------------
就拿csdn的用户库来试。。。手上还有100M+的那个库。。。。
目前觉得靠谱点的就是 某些字符 + 数字，并且数字是顺着一直下去的。
------解决方案--------------------如果我是机器，我就不用简字，英文，我用日文韩文马来文，你能有那么大的数据库辨伪？
所以防护王道还是验证码。
------解决方案--------------------这个用算法无解...
ci169
ci1699
ci16999
ci169999
ci1699999
就像上面这几个CSDN账号哪个是机器注册能算出来嘛。
------解决方案--------------------为什么hot的被认为机器的????
------解决方案--------------------有意思的题目，有没有什么免费LAMP空间？上传一份，大家来攻破一下。
'tom'.substr(str_shuffle("abcdefghijklmnopqrstuvwxyz"), 0, 4);------解决方案--------------------使用 贝叶斯分类 应该只正路，只是如何组织原始数据是个问题
在有众多不确定因素的前提下就贸然提及算法有点不妥
建议你先使用 weka（一个java的数据挖掘软件）做一下探测
------解决方案--------------------人注册的用户名肯定是有一定的逻辑的，这样才方便记忆，而机器自动注册的不用；
我觉得可以用破解密码的方法，用字典做筛子筛一下先。
题目只是说尽可能找出。
其实即便是错乱字母排序出来的用户名，也无法确定就是机器注册的，
除非有用户登录行为或者注册间隔等辅助信息，，不然，我真觉得这个找法没啥意义。
