在竞技游戏中,恶意聊天一直是个棘手问题,因此需要持续进行内容管理。但这些努力面临诸多挑战:恶意行为具有情境依赖性,可能涉及多条消息,还受玩家和团队动态的影响。我们通过将文本与结构化的比赛元数据(如玩家和团队标识符,仅有约100场标记过的比赛)结合,对RoBERTa模型进行了改进,以用于游戏内容管理。我们提出了上下文领域自适应预训练(C-DAP),这是一种DAP变体,在预训练和微调过程中将玩家/团队标识作为自定义标记注入,从而学习与游戏相关的上下文嵌入。利用《Defense of the Ancients 2》(DOTA 2)和《Call of Duty?: Modern Warfare?III》(MWIII)的数据集,我们比较了不同上下文来源(元数据、以往互动记录、对话历史)的作用,确定了它们最有效的使用时机,并展示了如何加以利用。C-DAP在保持简单且可重复使用的特点的同时,始终优于其他强大基准模型。我们的研究结果表明,针对特定领域的上下文感知建模对于主动进行内容管理具有重要意义,同时也为训练出高效、适用于游戏的文本恶意内容检测器提供了实用方法,且无需大量标注工作。