随着各领域企业数目的迅猛增长,同业竞争日益激烈,行业调查数据表明高品质的客户更倾向于购买优质的产品和服务,企业的服务质量在市场竞争中的重要性日益凸显。河北某科技公司为保持其持久的行业领先优势,不断提升对客户的服务意识,需要建立企业的客服质检系统,通过对企业的客服通话进行全覆盖的智能质检,来完善公司的客服管理和考核评价,提升企业服务质量和形象。本文分析了企业客服质检领域和文本情感分析技术的研究现状,决定基于该公司的客服通话数据,采用基于深度学习的文本情感分析方法和技术来开展课题研究和工程实践,设计并实现了基于客户情感分析的智能客服质检系统,满足企业的实际需求。本文的主要工作如下:（1）理论研究。课题研究了几种文本在计算机中的表示方法和常用的深度神经网络模型,并分析了它们各自的优缺点,同时也研究了注意力机制（Attention Mechanism）在文本分类中的应用,最终选择采用BERT（Bidirectional Encoder Representation from Transformers）预训练语言模型来生成文本的向量表示,并将双向长短期记忆神经网络模型（Bidirectional Long Short-Term Memory Network,BLSTM）与注意力机制相结合用于对文本进行特征提取和情感预测。（2）数据获取和预处理。课题研究的初始数据源自该公司现存的客服通话录音,但现有语音数据不符合研究需求,经过分析采用语音转写技术,实现将客服的通话录音转写成文本格式的结构化数据,在转写过程中通过设置话者分离参数,对客服和客户进行角色区分,进而提取出客户的通话文本,然后运用文本纠错技术对客户文本数据进行纠错,最后对纠错后的数据进行类别标注预处理。（3）模型训练。本研究提出基于BERT+BLSTM+Attention的情感分析模型,该模型采用BERT预训练语言模型对字进行双向编码,生成了带有上下文语义的字向量,之后结合双向长短期记忆神经网络模型来进行文本特征提取,进一步提取上下文语义信息,然后利用注意力机制为每个特征根据其重要性分配不同的权重,得到文本的最终特征,然后进行预测输出并采用Softmax函数对输出结果进行归一化处理,最终得到客户通话文本的情感极性结果。（4）对比实验。本文采用根据通话数据进一步预训练的BERT语言模型来生成字向量,同时论文研究对比了Word2Vec词向量模型和官方的BERT语言模型。实验数据结果表明,本文采用的模型在测试集上的正确率和F1值更高,情感分类效果更好。（5）系统设计与实现。基于上述训练的情感分析模型,以及通过对公司的需求进行分析,设计并实现了智能客服质检系统的各个功能模块,主要包括数据处理、情感分析、质检员、客服和管理员五个功能模块。本文采用文本分段的方法解决BERT语言模型实际运用中输入数据长度限制问题,而且没有损失情感特征,不过相比较于截取法,采用分段方法模型的输入更长;利用BERT预训练语言模型获取到了包含上下文语义的字向量,解决了一词多义问题,并采用通话语料对语言模型进行了进一步预训练,使得模型更贴近客户情感分析任务。