スパムコメントから「当たり前」の正体へ ― ナイーブベイズで考えたこと

記録日: 2026年11月8日

ブログに届いたスパムコメントの山を見て「こりゃひどい」とClaudeに話しかけたところから、ナイーブベイズ、文章の生成、圧縮、そして「当たり前」とは何かまで話が広がりました。その会話を整理してまとめた記録です。


1. きっかけ:30件のスパムコメント

WordPressのコメント欄を開くと、スパムが30件たまっていました。どれもアダルトサイトのドメインやリンク集サービスのURLを名乗り、本文はこんな調子です。

  • 「素晴らしい記事ですね。あなたはきっと有名なブロガーになります」
  • 「どのサーバーを使っていますか? アフィリエイトリンクをください」
  • 「Firefoxで文字がはみ出していますよ」

しかも「doo nott」「arre」のように、わざと誤字だらけ。どの記事に付いても通じる、中身に一切触れない文章です。

調べると、いくつかの特徴がありました。

  • 目的は被リンク(SEO) で、本文はただの包み紙
  • わざとの誤字 は、同じテンプレート文を使い回してもフィルターに覚えられないための工夫
  • 同じ送り手が名前を変えている(同じIPから別の名前で投稿されていた)
  • 狙われていたのは、コメントのない記事と初期投稿の「Hello world!」

幸い、すべてスパム箱に入っていて、公開されたものは1件もありませんでした。

2. スパムはなぜ割に合うのか

1件あたりの価値は、ほぼゼロです。WordPressはコメント内のリンクに nofollow / ugc を付けるので、SEO効果は基本的にありません。

それでも続くのは、投稿のコストがほぼゼロだから です。メールスパムの有名な研究(Spamalytics、2008年)では、3億5000万通を送って売れたのは28件だけでしたが、それでも大規模なスパム網全体では年に数百万ドル規模の売上になると推計されています。コメントスパムの業者は、リンクの効果ではなく「何万件投稿したか」という作業量で、SEO代行の代金をもらっている構造のようです。

つまり、

  • 業者は1件0円で投げる
  • 私は1件ごとに数秒の手間を払う

この非対称さが、スパムがなくならない理由です。だから一番効く対策は、「消す手間」そのものをゼロにすることになります。

3. 掲示板とWordPressで化け方が違う

掲示板でも「意味のありそうな投稿に見せて、検索エンジンに乗せることだけを考えた投稿」はありました。でも今回は形が違って驚きました。

違いは、誰をだますか でした。

  • 掲示板:書き込みがすぐ表示されるので、狙いは読者と検索エンジン。本文にリンクを紛れ込ませる。
  • WordPress:承認制なので、最初の関門は管理者。だから褒めたり、相談や親切を装ったりして、承認したくなるように作ってある。リンクは本文ではなく、最初から用意されている「サイトURL」欄に入れる。

本質は同じでも、場所の仕組みに合わせて化け方を変えているわけです。

4. ナイーブベイズでプラグインにする

手で消すのではなく、自動化できないかと考えました。手元には、依存なし(PHP標準のPCREとJSONだけ)で書いた文字bigramのナイーブベイズ分類器がありました。

これをWordPressプラグインにして、

  • 管理者が「承認」したコメントを正常として学習
  • 「スパム」にしたコメントをスパムとして学習
  • 「スパム解除」したら学習を取り消す

という形にすれば、最初だけ設定すれば、あとは普段どおりモデレーションするだけで精度が上がっていきます。学習に使うのは人が操作したときだけです。分類器自身の判定から学ぶと、間違いを自己強化してしまうからです。

本物のデータで試したら、言語を覚えていた

実際のスパムで試したところ、問題が見つかりました。日本語のスパムを1件教えても、似たスパムのスパム度が0のまま、まったく上がらないのです。

原因は計算方法でした。元の式は「そのラベルで見た文字数の合計」で割るので、英語スパムを大量に覚えたスパム側は分母が大きくなり、日本語の文字がほぼ全部「正常」側に有利になっていました。分類器は「スパムかどうか」ではなく、「英語か日本語か」を覚えていた のです。

直したのは2点です。

  1. 1つの投稿に何回出たかではなく、「出たかどうか」で数える
  2. どちらのラベルでも見たことのない文字の並びは、判定に使わない

これで、日本語のスパムも1件教えればすぐ見分けられるようになりました。

慣らし運転

もうひとつ、正常な見本が少ないうちは、英数字のURLが付いた短い正常コメントまでスパム寄りに出ることが分かりました。そこで、正常なコメントを20件学習するまでは、スパム判定でもスパム箱ではなく承認待ちに回す ことにしました。正常なコメントをスパム箱に送るのは重い間違いで、スパムを承認待ちに回すのは軽い間違いだからです。

作り終えたつもりでも、本物のデータで試すまで、そこは空白だった。これは大事な教訓でした。

5. ナイーブベイズでできること

同じ「文字の並びを数える」仕組みで、分類以外にもいろいろできます。

  • 言語判定:さっき「失敗」したことが、実はそのまま応用になっている
  • 記事の自動タグ付け、関連記事の推薦
  • 書き手の推定:句読点の打ち方などの文体のクセが出る
  • 全文検索:2文字ずつの索引は、形態素解析なしで日本語を検索する定番の方法
  • 不自然さの検出:わざとの誤字のような、普通は起こりにくい並びに気づける
  • 急上昇ワードの発見
  • 新しい言葉の自動発見:次に来る文字が急にバラバラになる場所は単語の切れ目である可能性が高い、という性質を使う

ナイーブベイズには、少ないデータで動く、1件ずつ覚えたり忘れたりできる、判定の理由を説明できる、軽い、という強みがあります。一方で、確信が強すぎる(スパム度が0か1ばかりになる)、語順を見ていない、学習データの偏りをそのまま覚える、という弱点もあります。

こんなに大切で面白いのに、あまり話を聞いたことがありませんでした。実は迷惑メールフィルターなどで昔から身近に動いているのですが、うまく動くものほど目立たない、ニュースは新しいものに向かう、データが要るので入門では後回しにされがち、という理由があるようです。

6. 逆に、文字を作ることもできる

分類器が覚えている「この文字の次にこの文字が来た」という表は、裏返すと「次に何が来やすいか」の表です。なので、最初の1文字を決めて、表に従ってサイコロで次の文字を選び続けると、文章が作れます。

スパム側のデータから作らせると、こうなりました。

igeousssxesbllvinyisintoebugterelkg.xnsppesespadxntwrrwrolinxnoghalvishhowhedofysomycatchme

意味は通りませんが、どこかスパムらしさがあります。覚えている文脈が直前の1文字だけだからで、覚える長さを伸ばすほど本物の文章に近づきます。

驚いたのは、コードはほとんど変わらず、必要なのはほぼデータ量だけ だということです。ニューラルネットが主流になる前は、実際にこうした「数えた表」で機械翻訳や音声認識が動いていました。ただし、

  • データが少ないと、元の文章の丸写しになりがち
  • 見たことのない文脈で止まるので、短い文脈に戻る工夫が要る
  • 数文字の範囲で自然でも、話の筋は通らない

という限界があります。この壁を越えるために、数える代わりにニューラルネットで確率を予測するようにしたのが、いまの大規模言語モデルだそうです。

配列からランダムに文を取り出す方法は「決まったカードを引く」ですが、こちらは「ルールを覚えてカードを作る」です。書いていないのに、それっぽいものが出てくる。掲示板(JSONL)に組み込めば、書けば書くほど変化する生成器が作れそうです。

7. 予測することは、圧縮すること

ここが一番分かりにくかった話です。最初の説明はちんぷんかんぷんでしたが、自分なりにこう言い換えたら「まさにそれ」と言われました。

夜明けを説明するとき、いちいち太陽の仕組みを説明しなくても、相手も「太陽は毎朝昇る」と知っているから、「明日も日が昇る」の一言で伝わる。

相手も知っていること(予測できること)は、送らなくていい。予測がうまいほど、送る情報が少なくて済む。だから、良い予測は良い圧縮になる。

さらに、「明日も日が昇る」は誰でも予想できるので、実はほとんど何も伝えていません。もし「明日は日が昇らない」と言われたら、それは大ニュースです。予想どおりのことは情報が少なく、予想外のことほど情報が多い。 シャノンの情報量は、この「意外さ」を数にしたものです。

8. なぜ意味のあるものは一握りなのか

プログラムは変数や条件分岐、繰り返しのかたまりにすぎず、何でも作れる自由な世界です。それなのに、意味のあるものを作れるのは一握り。なぜなのかが気になりました。

まず、ありうる組み合わせの数が想像を絶します。

  • 英数字と記号95種類で100文字のプログラムだけでも、約10の198乗通り(宇宙の原子は約10の80乗個)
  • ボルヘスの「バベルの図書館」の本の数は、数字を書くだけで180万桁

そのほとんどはデタラメです。

そして圧縮の話から見ると、意味のあるプログラムとは、世界の中にある規則性を短く言い当てたもの だと言えます。ところが、「あるデータを生み出す最短のプログラムを見つけること」は、原理的にどんな手順でも解けないことが証明されています(コルモゴロフ複雑性)。意味のあるものが一握りなのは、努力不足ではなく、短く本質を言い当てる方法を機械的に探す手段がそもそも存在しないから。だから人の洞察や発見が要る、という話でした。

あの数行のナイーブベイズにも、18世紀のベイズの定理、ラプラスの平滑化、計算機時代の対数の知恵と、何百年分の発見が詰まっています。

9. 自作のセッションライブラリとの共通点

ここで、私が作っているセッションライブラリ pusyuu_session との共通点を考えました。クッキーがなくても続くセッションで、URLの引き換えコードで運び、着いた先で本人の合言葉を確かめる仕組みです。

Claudeが見つけた共通点は、こうでした。

  • どちらも「確実には分からない中で決める」仕組み:ライブラリの中にも、人か機械かを見分ける分類器があり、「見誤りの代償は非対称。迷ったら unknown へ倒す」と書いていた。これはプラグインの慣らし運転と同じ判断で、ベイズの考え方の核心(間違えたときの痛さと組み合わせて、一番損の少ない選択をする)でもある。
  • 非対称を攻撃する側に押しつけている:スパムでは業者が0円、私が数秒だった。ライブラリの合言葉は、外すほど待ち時間が伸びる(0→1→5→30→300→1800秒)ので、本人は数秒、攻撃者は数ヶ月になる。スパムがなくならない理由と、ライブラリが守れる理由は、同じ原理の表と裏。

どちらも大切です。でも、私が感じていた共通点は、もっと別のところにありました。

10. 誰も見ない、見たがらないもの

うまく言えなかったのですが、言いたかったのは「誰も見ない、見たがらない」部分のことです。

  • ナイーブベイズには「古い」「素朴」「入門用」というラベルが貼られていて、知るまでに時間がかかった
  • セッションには「クッキーが当たり前」「URLにセッションを載せるのは危険」というラベルが貼られていて、そこで考えるのが止まる

Claudeの整理はこうでした。

「当たり前」は、それ自体が圧縮である。 「URLにセッションを載せると、履歴やログや共有で漏れるから危ない」という理由が削られて、「危険」という結論だけが残る。夜明けのたとえと同じで、みんなが知っているから説明が省かれ、省かれたものは二度と見直されない。

私がライブラリでやったのは、その圧縮を解いて中身を取り出し直すことでした。開けてみたら、危ないのは「URLに合言葉を載せること」で、「URLでセッションを運ぶこと」そのものではなかった。だから、理由のほうだけを取り除けた。

なぜ「当たり前」ができるのか

  1. 全部を考え直すのは無理だから:結論だけ覚えておくのは、怠けではなく必要な省略。問題は、省略したことを忘れること。
  2. 外れたときの責任が非対称だから:定番どおりで事故が起きれば「仕方ない」、定番から外れて事故が起きれば「なぜ普通にしなかった」と責められる。
  3. 困っている人が見えないから:XPやクッキーオフのブラウザで使えない人は、たいてい黙って去る。データには「使えた人」だけが残り、「当たり前」がさらに強くなる。

3つ目は、分類器が言語を覚えてしまったのと同じ構造です。「当たり前」は、残った人のデータだけで学習した事前確率のようなもの で、去った人がいる可能性は最初から0に近くなってしまう。

それに価値はあるのか

私はこれで、Windows XPやクッキーオフのブラウザでサービスを使えるようにしました。でも、それに価値があるのかと問われると、分かりませんでした。

Claudeの答えは、「みんなが困る」話ではない、と正直なものでした。そのうえで、価値は少なくとも3つあると。

  • その人にとっては0か1かの違い:少し便利になるのではなく、「使えない」が「使える」に変わる
  • ほかの人も助ける(段差スロープ効果):車椅子のための歩道のスロープを、ベビーカーやスーツケースの人も使うように、クッキーなしで安全にするために作った仕組み(人を信じる、盗難を世代で検知する、機密をセッションより長生きさせない)は、クッキーを使う人の安全も高める
  • 「当たり前」が法則ではないと示した:次に同じ壁にぶつかった人が「無理ではないらしい」と思える

11. 理由を見せ、選ぶ権利を返す

昔の私は、プライバシーをものすごく気にしていました。「なんでGoogleを使うために、Googleにデータを売らないといけないんだ」と思い、周りに聞いても「仕方ない」「考えるだけ無駄」「気にしなければいい」と言われるだけでした。当時は言葉にできませんでしたが、理由や経緯なしに「当たり前」を押し付けられる感覚 だったんだと思います。変でもいい、でもそれが許せなくて、AOSPからGMSを消すという流れになりました。今はそこまで気にしていませんが。

Claudeは、こう整理してくれました。

  • 「仕方ない」は結論だけで理由が入っていない、圧縮された答え。しかも「開けて中を見るな」という封までされている。
  • 納得できなかったのは「当たり前」そのものではなく、理由を見せてもらえないまま、選択が先に決められていること。
  • 今プライバシーをそこまで気にしていないのも矛盾しない。理由を知ったうえで、自分で決め直したのなら。

そして、同じ考えは私のライブラリのコメントにも書いてありました。

合言葉を「短いので駄目」と断ると、決めるのはシステムになります。
この仕組みでは利用者が決め、決めた強さに応じてできることが変わります。
判断と結果が本人に見えるので、責任の所在が曖昧になりません。

周りから「仕方ない」と言われたときに欲しかったものを、作る側に回ったときに、ほかの人へ渡していたのかもしれません。

  • 私が納得できないのは、「それが普通だから」で、理由も選択肢も見せないまま、決める権利を取り上げられること。
  • 私が作るものに共通しているのは、その反対の、理由を開けて見せ、選ぶ権利を本人に返すこと。

12. まとめ

前の記事「私の学び方も判断の仕方から見えてくるものについて」で、私の判断の物差しは次の3つだと整理しました。

  1. 自分の数字で損得が合うか
  2. 依存が増えないか、あとで入れ替えられるか
  3. 信用する理由を自分で説明できるか

ナイーブベイズに固執している私は、たぶん相当浮いています。でも、この物差しで測ると、ナイーブベイズは3つとも満たします。少ないデータで当たる、PHP標準の機能だけで動く、どの文字が判定に効いたか全部見える。浮いているのではなく、測った結果が他人と違うだけでした。まあ、私は周りではないし、自分の判断基準があるので、どうでもいいんですが。

そして今日の会話自体が、前の記事に書いた学び方そのものでした。「スパムがひどい」という具体的な困りごとから始まって、スパムの経済、ナイーブベイズ、文字の生成、圧縮、情報理論、そして「当たり前」の正体へと、「なぜ」でつなぎながら降りていきました。分類器が本物のデータで試すまで言語を覚えていたことに気づかなかったのも、前の記事に書いた弱点(必要に迫られていない場所は空白のまま)がそのまま出た形です。

誰も見ずに消すスパムの中を覗いたら、ここまで来ました。誰も見ないもの、「当たり前」で封をされたものの中には、圧縮されて忘れられた理由や、まだ誰も拾っていない価値が眠っている。それを開けるのが、私は好きなんだと思います。


参考

pusyuuwanko

孤独が基本で、その状態が最も自由で心地いいと知っている青年。 君はなぜそんな事をするの?、見たくない、聞きたくない、となるような物を作り、問い続けるちょっとした創作者

コメントを残す

メールアドレスが公開されることはありません。 ※ が付いている欄は必須項目です