当前,用户投诉成为供电企业关注的一项重点,如何有效地减少用户投诉,提供更好的电力服务,从而提升用户的满意度成为了供电企业努力的方向。近年来,随着供电企业管理水平的不断提高,优质服务的落地要求也越来越高。95598对电力投诉工单的分类依然采取人工分类的方法,效率低下且存在主观误差。如何快速高效地对电力投诉工单进行分类成了提高供电企业服务质量的关键。对电力投诉工单进行分类本质上是对自然语言的文本分类。当前国内外对文本分类算法进行了许多研究,提出或改进了很多分类模型,但以上研究都存在不同的问题:是否在对数据进行预处理时考虑到单词的权重问题;是否考虑到特定的背景下进行预处理而导致产生脏数据的问题;使用传统分类方法并行分布处理能力差,学习能力弱等。本文使用一种基于词频-逆文档频度(Term Frequency-Inverse Document Frequency,TF-IDF)相似度向量的数据向量化方法。通过对语料进行建立停用词表,结巴分词、去停用词、词性过滤等步骤得到关键词,同时制作字典;接着使用Word2vec(Word to Vector)工具进行文本特征向量化;最后,对训练文档和测试文档进行文本特征向量的TF-IDF计算并进行余弦相似度计算比较,获得若干相似度。从精确率,召回率和F1得分三项指标对模型进行评价,并分别对比使用Word2vec向量,字典向量,TF-IDF向量,和TF-IDF相似度向量输入进行预处理,通过对比试验,同时使用深度玻尔兹曼机作为训练模型的情况下,本文所提出的数据预处理方法在三项指标上优于其他方法。本文提出一种基于深度玻尔兹曼机(Deep Boltzmann Machine,DBM)的电力投诉工单分类模型,对DBM采用贪心逐层预训练的方法,并将预处理获得的余弦相似度导入到DBM模型中进行训练。从精确率,召回率和F1得分三项指标对模型进行评价,使用TF-IDF相似度向量输入进行预处理,并分别对比增强学习算法AdaBoost,最邻近结点算法(K-Nearest Neighbor,KNN)分类算法和决策树三种分类模型。实验证明,本文所使用的分类模型的在三项指标上优于其它三种分类模型。