随着信息技术的普及、大数据时代的到来,数据深度分析的需求也越来越大,数据挖掘技术便是一种实现从信息到知识转变的有效工具。而朴素贝叶斯算法是国际权威的数据挖掘学术会议评选出来的数据挖掘领域的十大经典算法之一,朴素贝叶斯模型发源于古典概率论,有着坚实的数学基础,以及稳定的分类效率。同时,它所需估计的参数少,对缺失数据不太敏感,算法也比较简单。理论上,朴素贝叶斯模型与其他分类算法相比具有最小的误差率。但是由于其假设属性之间相互独立,而实际应用中这个假设往往不成立。在属性个数较多或者属性之间相关性较大时,模型性能会降低。本文主要针对朴素贝叶斯算法的不足在属性选择和属性加权两个方面对其进行改进。在属性选择方面,先引入信息价值指标,得到第一个与类别相关度较高的属性子集,然后在此基础上进一步过滤冗余属性,得到第二个属性子集,分别在这两个属性子集上构造朴素贝叶斯分类模型。分析发现对初始属性集合进行两次属性选择构造的朴素贝叶斯分类模型既实现了属性降维的目的又提高了分类准确率。在属性加权方面,通过层次分析法量化经验知识,对样本训练的权值进行调整,得到更加全面的权值,根据属性取值的重要程度对朴素贝叶斯分类计算公式中的后验概率加权,提高分类准确率。然后结合属性选择和属性加权的优势,对朴素贝叶斯算法进行选择加权,该算法先通过信息价值指标对初始属性集进行二次属性选择,再通过层次分析法计算权值,在最优属性子集上构造加权朴素贝叶斯分类器,并在通用数据集上进行实验验证。最后将改进的朴素贝叶斯算法合理地应用到电信行业的垃圾短信用户识别模型中,通过在Spark平台上进行实验分析证明其有效性,从而进一步提高垃圾信息治理工作效果,优化垃圾信息治理的技术。