作为从Web信息资源中发现潜在的有价值知识的一种有效技术,基于Web的数据挖掘正倍受关注,Web文本挖掘是Web数据挖掘的一个研究热点。目前基于文本挖掘提出了很多算法,而简单贝叶斯算法是其中一种重要的方法。利用简单贝叶斯进行分类,需要大量训练文本来进行分类,代价很大。如何提高简单贝叶斯分类准确度,并减少训练文档数量是文本挖掘的研究重点。Web文本挖掘研究涉及取词、分词等切词处理,以及文本分类方法。这里针对英文文本作为文本分类的数据,采用改进的文档频度作为特征选取的标准,参照标准数据集进行文本特征抽取,基于简单贝叶斯带潜在主题词改进了文本分类器。在分类过程中,引入迭代因子提升迭代的速度,根据简单贝叶斯分类的基本原理,基于先验假定带有类别标签的文档,对潜在类别关键词通过有限次迭代得到分类结果。在每次迭代过程中,后验概率最大的潜在分类词作为该次迭代的分类结果,最终分类结果由每次迭代得到的分类结果综合而得。分类算法是针对Web文本分类而提出的一种基于简单贝叶斯文本分类方法,它利用了简单贝叶斯分类的基本原理,大大简化了构造贝叶斯网络的复杂性;又引用了潜在语义分析的思想,能减少贝叶斯分类的所需的大量训练文档,试验结果证明,它是一种比较有效的分类方法。所做的研究主要针对英文文本,考虑到中文取词分词的复杂性,在中文文本分类方面还需进行进一步研究。