依托于銀行多年積累的海量數(shù)據(jù)，引入數(shù)理統(tǒng)計(jì)的方法，對(duì)預(yù)警指標(biāo)的閾值實(shí)現(xiàn)自適應(yīng)的自動(dòng)化設(shè)置。

結(jié)合行內(nèi)的基礎(chǔ)數(shù)據(jù)及加工統(tǒng)計(jì)數(shù)據(jù)，采用特定的數(shù)理統(tǒng)計(jì)方法進(jìn)行原因排查，最終根據(jù)定位的問(wèn)題制定優(yōu)改計(jì)劃。

采用通過(guò)海量中文數(shù)據(jù)預(yù)訓(xùn)練好的Google最新發(fā)布大規(guī)模模型BERT，極大提升投訴分類的準(zhǔn)確率。

結(jié)合LDA主題生成模型和文本聚類算法，對(duì)相關(guān)投訴內(nèi)容進(jìn)行匯總統(tǒng)計(jì)，方便快速查看相同訴求和用戶反饋的問(wèn)題集中度。

結(jié)合tf-idf和textRank對(duì)文本提及的關(guān)鍵詞/屬性詞進(jìn)行提取，再通過(guò)文本關(guān)聯(lián)規(guī)則和詞向量進(jìn)行關(guān)聯(lián)統(tǒng)計(jì)分析，并可通過(guò)TOP關(guān)鍵詞排序、關(guān)聯(lián)關(guān)鍵詞快速識(shí)別當(dāng)前投訴的熱點(diǎn)，關(guān)注并快速提出解決方法。

通過(guò)詞向量和CNN模型構(gòu)建文本分類模型，實(shí)現(xiàn)對(duì)投訴單的快速自動(dòng)分類。

通過(guò)biLSTM-CRF構(gòu)建結(jié)構(gòu)的序列標(biāo)注，實(shí)現(xiàn)對(duì)關(guān)鍵字段信息的結(jié)構(gòu)化抽取。

結(jié)合客戶場(chǎng)景的業(yè)務(wù)詞匯訓(xùn)練新的語(yǔ)言模型，結(jié)合拼音識(shí)別、匹配算法和語(yǔ)言模型進(jìn)行文本糾錯(cuò)，還原投訴文本信息中對(duì)業(yè)務(wù)專業(yè)詞匯的錯(cuò)誤判斷。