随着互联网的兴起与繁荣,人们的在线学习娱乐及交流变得非常便捷高效。计算机以及移动智能设备成为了人们工作和交流的主要工具之一。伴随着互联网电脑端及移动端用户数量的增长,热门网站的用户数量及日点击率也在迅速升高。作为全球最大的视频网站,YouTube拥有海量视频及数十亿活跃制作上传者及观看用户。由于每一位互联网用户均可以快速发表评论信息,加之YouTube实行了视频制作者鼓励措施,视频广告评论占比迅速提升,给视频上传者和常规观众带来许多烦扰,严重干扰了用户的正常评论与交流。基于词袋的传统垃圾广告检测算法通常从语句用词入手,具有特征维度高、模型复杂等特点,而且随着广告评论的升级也日益显示出不足。因此本文从语义理解的思路出发,结合前人工作和理论,提出了基于语义的广告评论检测方法。此方法首先对语句进行语义角色标注,提取语义特征,并手动提取常见广告评论的句式特征加入到特征集合,进行建模试验。通过实验反复验证,此方法有效地降低了训练数据的特征维数,并且达到了较高的检测率,在标注数据集多样化不足的情况下仍然能够保持一定的分类稳定性,因此具有一定的可行性。由于现实网络中,有标记的数据的获取比较难,因此本文通过采用半监督的协同过滤算法,有效地利用了未标记文本,并且实验结果证明在训练过程中后加入的数据可以有效提高识别准确率。具体地说,本文的工作主要包含以下内容:(1)总结了常见的垃圾文本过滤方法,包括特征选择方法,模型分类算法。(2)提出基于语义的特征的文本过滤方法,并提出语义特征提取方法,并在此基础上进行机器学习建模,取得了较好的效果。(3)在语义特征与词汇特征两个视图上采用协同训练的方法,解决了在有限标记数据和大量未标记数据的情况下对于文本广告评论的有效识别问题。