Já existem relays WoT e apps que implementam WoT. Nesse caso, um dos objetivos dessas tecnologias é também combater spams, além de oferecer uma espécie de algoritmo de recomendação. O app da Coracle já implementa essa técnica de WoT baseada em mutes e follows. Vejo que é útil para spams.

Outra possível técnica aplicável a nível de cliente talvez seja a mesma usada por clientes de emails, baseado no teorema de Bayes (por exemplo). Antiga fórmula:

P(b|a) = (P(a|b) * P(b)) / P(a)

Essa é uma solução bem antiga e elegante. Mas não sei se seria performática para clientes Nostr, uma vez que precisa de uma coleção grande de dados considerados spam e isso exige um belo espaço de armazenamento. Além de precisar de muito espaço, talvez precise de muito processamento também, já que é preciso calcular em cima desse montante de informações pré existente. Isso durante o treinamento do modelo. Depois do tempo de treinamento a solução fica eficiente, mas pode levar tempo até o modelo ser treinado. Olhando por esse cenário talvez fosse mais performático aplicar isso em relays. Talvez não fosse um problema já que eles já estão armazenado todo esse entulho de spam de qualquer jeito. Apenas mudaria o gasto de armazenamento pra evitar dos usuários verem esses spams (ao menos até ter um modelo anti spam satisfatório). Acha que faz sentido algo do tipo? É basicamente uma solução com IA (machine learning pra ser mais exato) que já é usada por filtros de spam de emails. Como isso seria implementado a nível de Nostr? Boa pergunta!