银行是经营货币信贷业务的重要金融机构,它的存在促进了社会资金的融资与融通,极大方便了人们的生活。随着金融行业日益膨胀,各大金融机构竞争越来越激烈,衡量金融机构的重要指标之一是运营服务的质量,金融消费者对金融机构业务服务质量也有了更高的要求,当达不到消费者的要求就会发生投诉行为。如何快速且高效地处理银行等金融机构的客户投诉,提高金融机构业务服务质量,降低消费者不满意程度,成为目前银行等金融机构领域管理人员及学者最为关注的事情。银行等金融机构的客户投诉一般以文本的形式储存,并且数目巨大,若仅仅依靠人工处理,费时费力效率低,因需要采用自然语言处理方法,本文通过主题建模、自动分类模型、情感分析等方法实现银行等金融机构投诉文本的分析,围绕银行投诉与文本挖掘的相关概念与理论、我国银行客户投诉的数据背景、银行等金融机构客户投诉的投诉内容等方面展开研究与分析,为相关金融机构有效处理客户投诉,提升业务服务质量提供参考价值。主要研究内容及结论如下:（1）梳理了2018年12月—2020年12月银行等金融机构客户投诉的文本内容,共4723条,揭示了目前银行等金融机构的投诉现状:投诉量大、投诉类别多、相关部门处理时间滞后等,这意味着金融机构处理客户投诉的难度大,对责任归属部门提出了更高的要求,为了减少客户投诉量、提升金融机构口碑名誉,必须寻求有效方法。（2）构建了专业领域的分词词典与停用词词典,进行了投诉文本分词、去除停用词等预处理,统计了银行等金融机构客户投诉分词结果的词频,实现了投诉文本可视化分析,通过词云图可知银行等金融机构客户投诉最多的是业务办理、信用卡、征信、贷款、客服态度及处理问题效率等方面;计算了相应词语的TF-IDF值,TFIDF值表示了某个词在文档中的重要程度,根据词向量结果对客户投诉进行特征提取,将每一条客户投诉看做一个文档,构建了文档—词条矩阵,测算了每个词语在每个文档中的影响力;计算了不同词条间的欧氏距离,采用了层次聚类Ward法大致观测客户投诉所集中的类别。（3）构建了银行等金融机构客户投诉的LDA（Latent Dirichlet Allocation）主题模型。针对主题数目k值不确定的问题,引入了主题困惑度指标,根据主题困惑度与银行等金融机构的实际业务类别进行主题数的确定;结合第三章基于TF-IDF值构建的文档—词条矩阵,采用吉布斯抽样算法构建主题模型,生成文档—主题矩阵与主题—词条矩阵,对矩阵结果进行可视化分析,最终根据银行投诉文本析出16种主题类型,为按类处理客户投诉提供决策依据。（4）构建了银行等金融机构投诉文本自动分类器。按照7:3的比例把客户投诉文本数据划分为训练集与测试集,原投诉文本定义为预测集。采用朴素贝叶斯分类算法、KNN算法和随机森林集成算法对训练集进行建模训练,研究发现,三种自动分类器的准确率分别为:60.90%、70%、90.29%,随机森林自动分类器得到了较好的分类效果。基于随机森林算法的银行等金融机构客户投诉文本分类结果,构建了银行投诉领域情感词典,对不同类别的投诉文本进行了情感评分,责任相关部门按评分由低到高的顺序进行响应处置,这能有效降低客户的不满情绪。总之,本文为高效处理银行等金融机构的客户投诉文本数据作了不懈努力,所构建的投诉文本自动分类器以及其分词词库、停用词词库和情感词典等,具有较强的创新性,为辅助银行等金融机构处理客户投诉提供工具支持和对策建议,具有良好的应用价值。