面向服务系统的执行能力依赖第三方提供的服务，在复杂多变的网络环境中，这种依赖会带来服务质量（QoS）的不确定性.而QoS是衡量第三方服务质量的重要标准，因此，有效监控QoS是对Web服务实现质量控制的必要过程.现有监控方法都未考虑环境因素的影响，比如服务器位置、用户使用服务的位置和使用时间段负载等，而这些影响在实际监控中是存在的，忽略环境因素会导致监控结果与实际结果有悖.针对这一问题，提出了一种基于加权朴素贝叶斯算法wBSRM（weightednaive Bayes running monitoring）的Web Service QoS监控方法.受机器学习分类方法的启发，通过TF-IDF（term frequency-inverse document frequency）算法计算环境因素的影响，通过对部分样本进行学习，构建加权朴素贝叶斯分类器.将监控结果分类，满足QoS标准为c0，不满足QoS标准为c1，监控时调用分类器得到c0和c1的后验概率之比，对比值进行分析，可得监控结果满足QoS属性标准、不满足QoS属性标准和不能判断这3种情况.在网络开源数据以及随机数据集上的实验结果表明：利用TF-IDF算法能够准确地估算环境因子权值，通过加权朴素贝叶斯分类器，能够更好地监控QoS，效率显著优于现有方法.