社交媒体大数据分类对于热点新闻事件的发现、个性化推荐、舆情监控及垃圾信息过滤、品牌提升等方面都有重要的实用价值。大部分社交媒体以文本为主,即使是图像、视频、音频等多媒体社交数据,也有相应的文本标记或通过多媒体信息检索得到相应的文本描述,因此,本文主要对文本型社交媒体大数据的分类方法展开研究,并对伯努利型和多项式型朴素贝叶斯文本分类方法进行了相应的改进。首先,介绍文本型社交媒体大数据分类的基本原理和相关技术,包括社交媒体大数据中的文本信息表示方法、朴素贝叶斯分类过程和分类器的基本结构、特征选择方法和Hadoop平台等,并从贝叶斯公式出发,对朴素贝叶斯文本分类的原理进行了详细的分析。其次,针对特征项服从伯努利概率模型的社交媒体大数据朴素贝叶斯分类,在分析朴素贝叶斯文本分类原理的基础上,提出了通过特征项规范化处理、让“正方”特征项参与运算、调整平滑参数的方式对其进行改进的方法。改进后的伯努利型朴素贝叶斯分类方法的分类速度有了较大提高,并且在样本不均匀情况下分类性能也有所提高。最后,针对特征项服从多项式概率模型的社交媒体大数据朴素贝叶斯分类,在TF-IDF算法中,通过引入IDF对数函数自变量的系数,给有益于分类的特征项赋予更高的权重,并归一化特征项权重,对多项式型朴素贝叶斯分类方法进行改进。在MapReduce框架下,根据朴素贝叶斯分类过程和相关计算公式,对改进的多项式型朴素贝叶斯分类方法进行了并行化实现。实验结果表明,本文提出的并行化多项式型朴素贝叶斯分类方法是有效的,并且具有一定的可扩展性和可靠性。