电信投诉业务作为电信网向公众提供的投诉反馈业务,随着数字化生活的品质提升,人们对通信、上网的需求也愈发强烈,传统电信投诉业务服务依赖于人工耗时费力地解决每一个电信客户的投诉问题,已经无法满足当前广大电信客户快速准确的反馈需求。智能业务处理系统融合自然语言处理、知识管理等先进技术,可以更好了解电信客户的投诉意图,再将准确的投诉解决方案提供给用户,或将投诉高效提交至所属处理部门进行处理。然而,现有的处理系统大多以大语料库作为知识来源,数据冗余且维度单一,同时受同义词和多义性的影响,加之电信客户投诉的内容并不能清晰地反映他们的诉求,会导致错误返回答案和不正确的系统分类结果等情况。基于转换器的双向编码表征模型（Bidirectional Encoder Representation from Transformers,BERT）的上下文语义融合技术给以上问题提供了良好的方案。本文将BERT技术与投诉文本处理系统相结合,使用电信领域数据集作为投诉文本处理系统的知识源,描述了语义和知识层次上的信息,引入了语义理解和文本分类技术,解决了传统投诉文本处理系统中电信客户投诉意图模糊和分类匹配度差的问题,实现智能投诉文本处理系统语义理解能力和文本分类能力的提升,提供准确全面的投诉文本处理服务。本文主要工作如下:（1）提出一种基于BERT与融合网络（Fusion network,Fusion Net）的语义理解模型（BERT and Fusion Network for Semantic understanding,BFNet）。该模型用于实现投诉文本处理中解决方案的抽取功能。本文BFNet模型基于BERT模型的上下文语义向量输出,再将词性（Part-of-Speech,POS）向量、命名实体（Named Entity,NE）向量、单词频率向量和精确匹配向量进行拼接,作为类似Fusion Net交互层的网络输入,再将问题和文章多次互注意力和自注意力处理后,根据输出层获得所有问题单词向量的含参加权和,计算出每个词作为“开始”和“结束”的概率,最终抽取出答案。（2）构建一种基于BERT与卷积神经网络（Convolutional Neural Network,CNN）的文本分类模型BERT＿CNN。该模型为系统中语义理解任务筛选更准确的候选文章提供有效支持,并实现投诉文本的分类功能。本文文本分类模型通过BERT模型得到依赖词语概率分布和联系上下文信息的向量表示,再以该向量作为CNN网络的输入,经过卷积层、池化层和全连接层,最后根据softmax函数归一化结果给出分类。实验表明,相比于Text CNN、Fast Text、BERT、BERT＿RNN等模型,该方法可得到更好的分类效果。（3）实现了一个基于语义理解的投诉文本处理系统。以电信投诉领域为背景,构建FAQ库,设计FAQ问答和语义理解结合的投诉解决策略,实现为客服提供优良的解决方案建议。系统同时提供文本分类、FAQ库管理和投诉文本处理平台的可视化操作界面。最终通过系统功能测试验证了系统的实用性,以及通过性能测试和黑白盒测试验证了投诉文本处理平台结合语义理解任务和文本分类任务的高效性。