通过词向量和CNN模型构建文本分类模型，实现对投诉单的快速自动分类。

通过biLSTM-CRF构建结构的序列标注，实现对关键字段信息的结构化抽取。

结合客户场景的业务词汇训练新的语言模型，结合拼音识别、匹配算法和语言模型进行文本纠错，还原投诉文本信息中对业务专业词汇的错误判断。

依托于银行多年积累的海量数据，引入数理统计的方法，对预警指标的阈值实现自适应的自动化设置。

结合行内的基础数据及加工统计数据，采用特定的数理统计方法进行原因排查，最终根据定位的问题制定优改计划。

采用通过海量中文数据预训练好的Google最新发布大规模模型BERT，极大提升投诉分类的准确率。

结合LDA主题生成模型和文本聚类算法，对相关投诉内容进行汇总统计，方便快速查看相同诉求和用户反馈的问题集中度。

结合tf-idf和textRank对文本提及的关键词/属性词进行提取，再通过文本关联规则和词向量进行关联统计分析，并可通过TOP关键词排序、关联关键词快速识别当前投诉的热点，关注并快速提出解决方法。

通过词向量和CNN模型构建文本分类模型，实现对投诉单的快速自动分类。

通过biLSTM-CRF构建结构的序列标注，实现对关键字段信息的结构化抽取。

结合客户场景的业务词汇训练新的语言模型，结合拼音识别、匹配算法和语言模型进行文本纠错，还原投诉文本信息中对业务专业词汇的错误判断。