基于深度学习的互联网金融投诉文本分类探讨

题，也是目前人工智能研究的热点。随着传统金融企业进场互联网金融、5G运营技术普及、移动端的普及都促使互联网金融的大力发展，互联网金融这个行业模式众多，监管难度大，导致客户无处投诉，互联网投诉平台的应运而生给客户提供了新的投诉渠道。互金平台和监管机构将互联网投诉平台数据进行文本分析后，一方面帮助互金平台提前获取投诉信息及时避免投诉升级，另一方面帮助监管机构了解到行业各个互金平台的具体情况，经过分析具体结论如下：

（1）对于两个互联网投诉平台词频统计可见，聚投诉的问题类型中，多数和互联网金融有关，其中暴力催收、电话骚扰、违规使用客户信息等行业问题较为突出。黑猫投诉基于被投诉的互金平台分析可知借款支付服务费、逾期电话催收这两类问题较为突出。从聚投诉的投诉媒介中发现超过一半的投诉是使用App造成的。

（2）使用深度学习中的三种算法TextCNN，LSTM，FastText分类，对比后发现LSTM准确最高达到86%左右。 执行效率从快到慢依次是：FastText、TextCNN、LSTM。这三个模型对问题类型为违禁品买卖均无法预测。LSTM对于金融诈骗类、骚扰信息类、色情赌博类预测效果较好，F1值均在75%以上，侵害个人信息类F1值稍低57.59%。监管可以使用该LSTM模型进行投诉问题分类，将大量投诉分类减少人工操作，尽早制定预案，同时也使用LSTM模型预测黑猫投诉数据与人工达标数据对比，预测结果基本一致，在一定程度上可以扩展到多个互联网金融投诉渠道的数据分析。

参考文献（略）