随着信息化的发展，互联网和智能终端的大规模普及，从用户端的可获取信息量越来越多，这些海量的信息的背后蕴含着巨大的实用价值。例如通过获取用户的对话信息，通过这些信息能够识别出对话情景，判断出用户的行为和意图，从而为其提供所需的服务。准确的对话情景识别在优化人机交互和推动智能产品发展方面有着重要的作用。本文在现有理论研究的基础上，采用朴素贝叶斯算法和特征权重实现了可自学习的情景词库，并将其部署在自建的分布式并行计算环境中。朴素贝叶斯算法能够计算出对话隶属于某个对话情景的概率，但是，为了减少复杂的关系计算，提高算法的性能，朴素贝叶斯分类算法采用了独立性的假设，即属性之间相互条件独立，独立性假设忽略了在现实环境中属性之间具有一定关联性的特性，这给算法的分类准确性带来一定的影响。为此，本文提出了改进的TF-UIDF加权算法，对比传统的加权算法，TF-UIDF算法加入了属性在不同情景类别的分布情况，并且对文本训练集偏斜具有很强的适应性。通过TF-UIDF算法对属性在分类中的重要性进行评估，能够在不影响分类性能的情况下，用于帮助朴素贝叶斯分类器过滤掉重要性较低的属性，强化重要属性在分类计算中的作用。此外，为确保情景词库的可持续性使用性，本文在词库中加入了机器自学习的模块，采用预替换和评估系统相结合的方式确保了情景词库每一次学习的有效性，通过持续不断的学习和优化过程使得情景词库的分类效果保持最优。而在分布式环境方面，本文通过对主流的分布式框架进行分析，实现了轻量级的DaSys分布式并行框架，DaSys框架采用了基于计算类型的负载均衡算法和冗余主服务机的方式，使得情景词库具备了较高的性能和容错性。实验结果表明，TF-UIDF算法很好地弥补了朴素贝叶斯算法的不足，其训练集适应能力和分类准确性均高于传统算法；机器学习模块在实际的学习过程中亦表现出较好的训练集优化能力。情景词库在具备了基本的情景分类和学习功能外，还实现了高性能的需求，能够满足高并发请求的处理。