1.客户诉求智能识别预警方法，其特征在于：包括，

设定初始采样批次采集客户诉求数据，中央平台基于NLP技术提取客户诉求数据的语义特征；

构建情感分析模型，动态调整采样批次持续采样训练情感分析模型得到最终情感分析模型，实时采集客户诉求数据输入最终情感分析模型得到情感分析结果；

基于语义特征和情感分析结果分析客户诉求优先度，按照优先度进行排序处理，并在处理后收集客户反馈数据分析客户满意度；

中央平台根据客户诉求数据计算客户诉求数据比例，并采取相应处理措施；

所述设定初始采样批次采集客户诉求数据，中央平台基于NLP技术提取客户诉求数据的语义特征指采集客户诉求文本数据，中央平台对客户诉求文本数据进行清洗过滤，使用高斯滤波器进行去噪处理，设定初始采样批次大小对采集的客户诉求文本数据进行随机分配形成初始采样批次，并使用NLP技术提取客户诉求文本数据中的语义特征；

所述构建情感分析模型，动态调整采样批次持续采样训练情感分析模型得到最终情感分析模型，实时采集客户诉求数据输入最终情感分析模型得到情感分析结果包括，使用HBRNN模型作为情感分析模型，包括双向递归神经网络层、全连接层和softmax层，其中双向递归神经网络层通过前向传播和后向传播获取隐藏状态，并通过全连接层连接至softmax层生成最终情感分析结果，包括正面情感状态、负面情感状态和无情感状态；

中央平台将每条客户诉求文本数据平均划分为前段和后段两部分统计词汇数量，并根据查找情感极性词典标记客户诉求文本数据中的正面词汇和负面词汇，并为每个词汇添加情感极性标签；

根据客户诉求文本数据前段和后段的情感词汇频率计算局部Valence(q)和局部Arousal(q)作为局部情感特征：Valence(q)＝log(x11)‑log(x22)；

Arousal(q)＝log(x11+x22)；

其中x11为客户诉求文本数据前段正面情感词汇频率，x22为客户诉求文本数据后段负面情感词汇频率；

根据客户诉求文本数据整体的正面情感词汇和负面情感词汇频率计算全局Arousal(p)和全局情感倾向g作为全局情感特征：其中xp1为客户诉求文本数据整体的正面情感词汇频率，xp2为客户诉求文本数据整体的负面情感词汇频率，wi为第i个词汇的情感极性标签，n为客户诉求文本数据中词汇数量；

提取初始采样批次中所有客户诉求文本数据的局部情感特征和全局情感特征，使用一维卷积神经网络处理局部情感特征，提取局部情感特征的高维特征hq，并应用多头注意力机制得到局部情感特征的注意力权重矩阵Aq，使用门控机制得到最终局部情感特征Q：使用双向长短时记忆网络处理全局情感特征提取隐藏状态hp，并引入基于空间的多层注意力机制计算全局情感特征的注意力权重，通过注意力权重对隐藏状态hp进行加权处理获得最终全局情感特征P；

采用特征向量拼接操作将最终局部情感特征Q和最终全局情感特征P进行拼接得到最终情感特征向量G；

收集历史客户诉求文本数据提取情感特征向量并标注情感分析结果作为训练集进行模型训练，并定义交叉熵损失函数和Adam优化器进行模型参数迭代优化，在每次迭代后计算模型参数梯度和模型损失变化率，并计算梯度方差的平均值和标准差，将梯度方差平均值和标准差之和作为梯度阈值，同步计算损失变化率方差平均值和标准差，将损失变化率方差平均值和标准差之和作为损失变化率阈值，基于梯度阈值和模型损失变化率调整采样批次大小：其中Bt为当前采样批次大小，Bt+1为下一次采样批次大小，Var(b)为梯度方差，δb为梯度阈值，ΔL为损失变化率，δL为损失变化率阈值；

模型训练完毕后，将最终情感特征向量G输入情感分析模型输出情感分析结果，并基于更新的采样批次大小进行下一次客户诉求数据采样。

2.如权利要求1所述的客户诉求智能识别预警方法，其特征在于：所述基于语义特征和情感分析结果分析客户诉求优先度，按照优先度进行排序处理指构建卷积神经网络模型，并设定损失函数进行卷积神经网络模型训练，将客户诉求数据中的语义特征和情感分析结果输入卷积神经网络模型中得到客户诉求优先度，按照客户诉求优先度从高至低对客户诉求文本数据进行排序，并通知工作人员按照排序对客户诉求进行处理。

3.如权利要求2所述的客户诉求智能识别预警方法，其特征在于：所述在处理后收集客户反馈数据分析客户满意度指在处理客户诉求后收集客户的反馈文本数据输入情感分析模型分析客户反馈情感分析结果，若客户反馈情感状态为正面或无情感状态，则标记为解决，若客户反馈情感状态为负面，则标记为未解决，通知工作人员重新对客户诉求进行处理。

4.如权利要求3所述的客户诉求智能识别预警方法，其特征在于：所述中央平台根据客户诉求数据计算客户诉求数据比例，并采取相应处理措施指中央平台实施通过情感分析模型分析得到客户诉求数据的情感分析结果，设置负面诉求阈值，计算客户诉求数据中负面情感状态的客户诉求数据占所有客户诉求数据的比例与负面诉求阈值进行对比，当负面情感状态客户诉求数据比例大于负面诉求阈值时触发负面诉求预警，通知工作人员对客户诉求数据进行分析，确定负面诉求原因进行处理。

5.如权利要求4所述的客户诉求智能识别预警方法，其特征在于：所述中央平台在收集客户诉求数据后将客户诉求数据按照时间在数据库中进行存储，并将客户诉求数据的情感分析结果和优先度存储在数据库中与客户诉求数据之间形成关联。

6.一种如权利要求1－5任一所述的客户诉求智能识别预警方法的客户诉求智能识别预警系统，其特征在于：包括，数据收集模块，用于收集客户诉求数据并进行预处理，同步提取客户诉求数据的语义特征；

情感分析模块，用于构建情感分析模型并对客户诉求数据进行情感分析获取情感分析结果；

诉求处理模块，用于构建卷积神经网络根据客户诉求数据的语义特征和情感分析结果分析客户诉求优先度，并按客户诉求优先度进行排序处理，同步收集客户反馈数据分析客户满意度；

监测存储模块，用于监测客户诉求中负面情感状态的客户诉求比例进行对应处理，并将客户诉求数据进行存储。

7.一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的客户诉求智能识别预警方法的步骤。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的客户诉求智能识别预警方法的步骤。