随着电子商务的发展,客户留言的价值逐步突显。从结构化、半结构的文本数据中获取高质量相关建议信息,呈现不可估量的商业发展前景。建议识别是自然语言处理中文本分类的一个应用场景,旨在利用自然语言处理技术,挖掘客户留言构成的自然文本,从而准确识别出哪些文本具有建议的属性,让商家聚焦这些建议内容,改进服务质量。本文从深度学习技术入手,探究如何建立有效的识别模型,如何利用文本蕴含的特征来增强建议识别模型的准确性。本文的主要工作如下:（1）将建议识别作为一个分类问题进行研究,构建基于深度神经网络的分类模型BERT-CNN,描述其设计原理、损失函数和优化方法。对构成建议识别模型的文本表示与特征学习两个模块,分别进行消融研究,尝试不同词向量或语言模型,如Word2Vec、Glo Ve、Fasttext、ELMO、BERT与基本神经网络组件,如GRU、LSTM、Bi LSTM、Bi LSTM-Att、CNN-Att、CNN的组合,探究不同的文本表示方法和特征学习模块对分类模型效果的贡献情况,证明BERT-CNN模型在建议识别中效果优于其他模型并进行超参数分析。（2）研究建议识别文本特征增强的方法,分别提出了文本词扩充与文本表示扩充两种建议文本增强的方法增强模型效果。文本词扩充通过TF-IDF识别重要词汇,计算总文本中权重较大的重要词汇,然后引用Microsoft概念标记模型数据库,补充重要词汇相关特征,完成对原始文本的扩充,有效地补充了文本特征。文本表示扩充使用图卷积技术提取文本特征,将获得的文档表示与BERT-CNN得到的文本表示进行融合,充分利用词之间的共现关系,文档和文档之间的共现关系等信息,实现文本表示的增强。实验证明,这两种文本增强的方法有效地提升了建议识别模型精度。