随着近年来互联网经济的快速发展,各个领域的行业都开始使用互联网与用户进行沟通和交流。伴随着人力成本的不断提高以及用户对实时交互的要求日渐增长,为了能够给用户提供及时的答疑服务,提高用户满意度,传统的人工客服已经无法满足这些需求。在面对大量的用户时,不可避免的会出现许多重复的疑问,将昂高贵的人力资源成本投入其中必将造成巨大的开销。在这一背景下,研发一个能够与用户自主交流的实时智能客服便显得尤为迫切。本文旨在对智能客服相关技术进行研究,设计出效果更加优良的文本相似度计算方法,并以此为基础设计证券智能客服系统,用以辅助用户日常业务咨询,提供24小时不间断服务,帮助客户快速得到想要的答案。本文的工作如下。首先本文阐述了证券问答系统的研究背景及意义,分析了自然语言处理和问答系统在国内外的研究现状,阐述了本文将要研究的内容。其次对证券客服系统中所用到的技术进行了概述,分析了 one-hot编码、Word2vec等词集/词袋模型在文本向量生成上的不足之处,并简要介绍了 bert模型的原理及其优势。在对客服系统关键技术的研究上,首先研究了目前常用的文本相似度算法,总结出各种算法的利弊,经过研究设计本文提出了基于LDA(Term Frequency Inverse Document Frequency)与TF-IDF(Term Frequency Inverse Document Frequency)混合计算文本相似的算法,并通过实验室证明其提高了文本相似度计算的准确性。在此基础上,本文构建了以该模型为技术核心的证券智能客服系统。