具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本实施例的自动推荐客户服务策略的系统，包括中央处理器，中央处理器的输入端与输入单元的输出端电连接。

输入单元可以包括键盘、红外线摄像头和鼠标等，键盘的输出端与中央处理器的输入端电连接，红外线摄像头的输出端与中央处理器的输入端电连接，鼠标的输出端与中央处理器的输入端电连接，中央处理器的输出端与输出模块的输入端电连接，中央处理器与推荐客户服务单元双向电连接，推荐客户服务单元包括智能推荐模块和服务信息展示模块，中央处理器与命令生成单元双向电连接，命令生成单元对分析下达的命令任务拆解，匹配指令集的命令生成工作。

命令生成单元的输出端与联网检索单元的输入端电连接，联网检索单元的输出端与命令生成单元的输入端连接，联网检索单元的输出端与垃圾信息模块的输入端连接。

分析单元包括计算机历史对比模块、数据分析模块和参比值模块。历史对比模块对推荐的信息和历史库的进行对比，查看这条记录是否已经推荐过；数据分析模块分析这类推荐信息有没有点击动作；参比值模块分析这类推荐数据的推荐次数，是否超过3次。分析单元与删除筛选单元配合。

计算机历史对比模块的输出端与中央处理器的输入端电连接，数据分析模块的输出端与中央处理器的输入端电连接，参比值模块输出端与中央处理器的输入端电连接，垃圾信息模块与中央处理器双向电连接，垃圾信息模块包括反馈模块和删除筛选单元，反馈模块与中央处理器双向电连接，删除筛选单元与中央处理器双向电连接，垃圾信息模块的输出端与传输模块输入端电连接，传输模块与安全防火墙双向电连接，安全防火墙与储存单元双向电连接。

储存单元包括分类处理模块、加密转换模块和解密转换模块。分类处理模块对需要存储的数据进行分类，进行分类归类保存；加密转换模块对推荐发送到网页端的数据进行加密；同时对网页回传的加密信息，通过解密转换模块进行解密。

储存单元与信息提取单元双向信号连接，信息提取单元包括数据端口，储存单元和与中央处理器双向电连接，中央处理器与通信模块双向电连接，通信模块的输入端与基站的输出端信号连接，通信模块的输出端与基站的输入端信号连接，基站与用户服务中心双向信号连接，用户服务中心包括移动智能终端，用户服务中心与移动智能终端双向信号连接，通信模块与用户终端单元双向信号连接。

推荐客户服务单元包括智能推荐模块和服务信息展示模块，所述中央处理器与分析单元双向电连接，所述分析单元的输出端与联网检索单元的输入端电连接，所述联网检索单元的输出端与生成单元的输入端连接，所述联网检索单元的输出端与垃圾信息模块的输入端连接，所述生成单元包括计算机历史对比模块、数据分析模块和参比值模块，所述计算机历史对比模块的输出端与中央处理器的输入端电连接，所述数据分析模块的输出端与中央处理器的输入端电连接，所述参比值模块输出端与中央处理器的输入端电连接，所述垃圾信息模块与中央处理器双向电连接，所述垃圾信息模块包括反馈模块和删除筛选单元，所述反馈模块与中央处理器双向电连接，所述删除筛选单元与中央处理器双向电连接，所述垃圾信息模块的输出端与传输模块输入端电连接，所述传输模块与安全防火墙双向电连接，所述安全防火墙与储存单元双向电连接，所述中央处理器与通信模块双向电连接，所述通信模块与用户终端单元双向信号连接。

联网检索单元包括信息筛选处理器和信息标记模块。信息筛选处理器对选定用户兴趣下单特征因素进行处理，特征因素包括用户名称、账号信息、用户画像特征标签和客户服务下单信息，数据预处理；信息标记模块对分析需要的特征因素进行标记，作为算法分析的索引，针对这索引采用SQL语句对目标数据进行历史数据调取，并且分析，所述分析单元的输出端与信息筛选处理器的输入端电连接，所述分析单元的输出端与信息标记模块的输入端电连接。

输入单元包括键盘、红外线摄像头和鼠标，所述键盘的输出端与中央处理器的输入端电连接，所述红外线摄像头的输出端与中央处理器的输入端电连接，所述鼠标的输出端与中央处理器的输入端电连接。

通信模块的输入端与基站的输出端信号连接，所述通信模块的输出端与基站的输入端信号连接，所述基站与用户服务中心双向信号连接。

储存单元包括分类处理模块、加密转换模块和解密转换模块，所述储存单元与信息提取单元双向信号连接，所述信息提取单元包括数据端口，所述储存单元和与中央处理器双向电连接。

用户服务中心包括移动智能终端，所述用户服务中心与移动智能终端双向信号连接。分析单元基于检索单元输入的服务关键词，提供匹配度高的服务信息。

生成单元对网络上自动推荐服务使用点击率，及时转化为数据，并反馈至处理器；

垃圾信息处理单元包括反馈模块和删除筛选单元，删除筛选单元对检索单元检索出来的推荐服务信息进行二次清理，并对检测出的垃圾信息通过反馈模块传送至处理器；删除筛选单元每次对多条推荐的信息会进行记录保存，对某条成功推荐且推荐超过3次的推荐重复信息，进行分析，如果对这类推荐信息没有任何的点击动作，则定义为垃圾信息，删除筛选单元进行删除，并且记录在垃圾记录数据库；下次出现上述推荐直接删除不进行分析。

也就是说，接收到数据后，首先分析记录是否在垃圾记录数据库里面，在的直接删除，然后看数据那条已经重复推荐超过3次的，进行处理，最后有剩余的数据，如果只剩下一条，那么就推荐这条，如果还有多条，则提取用户感兴趣度最好的进行推荐，其余的删除。

推荐客户服务单元包括智能推荐单元和服务信息展示单元，智能推荐单元根据客户的历史下单情况，采用K-means算法，分析客户最感兴趣的服务。

分析客户最感兴趣的服务过程如下：

步骤(1)选定用户兴趣下单特征因素，特征因素包括用户名称、账号信息、用户画像特征标签和客户服务下单信息，数据预处理：

1.1历史下单服务情况数据，假设分析数据时所在月份为N，则抽取(N-4)月份、(N-3)月份、(N-2)月份、(N-1)月份即前4个月的特定用户下单的次数；此项因素主要反映对象的服务下单频度，与用户兴趣及需要情况成正比关系；

1.2加权历史下单金额数据，假设分析数据时所在月份为N，则抽取N-4月份、N-3月份、N-2月份、N-1月份即前4个月的特定用户下单的金额的和，计算和前，由判断每个服务下单的需求度，并根据需求需要程度进行加权；对此项因素主要反映服务对象的历史实际下单情况；

步骤(2)然后对样本进行离散化处理，并根据大小分出4个等级，每个等级数量记为一个组；

步骤(3)采用K-means算法处理数据。

根据所得的数据组，分析给定的数据：算法针对给定的样本集Q，开展聚类算法挖掘分析：

3.1从样本集Q中，在Q数据范围内，随机选择k个点，作为k个组的各自的中心；

3.2分别计算样本集Q中的点到k个组中心的相异度，并将其划归到与其相异度最低的组；两个点之间的相异度大小采用欧氏距离公式衡量，如下：

d＝sqrt((X₁-X₂)²+(Y₁-Y₂)²；

d为两个点T0(x1，y2)和T1(x2，y2)之间的欧氏距离为，每个点有两个维度，即特征因素；欧氏距离越小，说明相异度越小；

3.3根据聚类结果，重新计算k个组各自的中心，计算方法是取组中所有点各自维度的算术平均数；

3.4将样本集Q中全部点按照新的中心重新聚类；

3.5重复第3.4步，直到聚类结果不再变化；

3.6将用户兴趣聚类对象按照k组输出；

3.7分别使用k＝8，k＝4，k＝2，执行第3.1-3.6步；

通过上述算法计算结果，最终得出整个样本集的用户兴趣评定，即为符合怎么样的一个大小(数值)的下单金额和下单次数为客户最感兴趣和最需求的，以此作为智能推荐，推荐现有服务中，次数和金额与算法结果相近的服务；

其中，将特征因素的人用户名称，账号信息，作为算法分析的索引，针对这索引采用SQL语句对目标数据进行历史数据调取，并且分析；用户画像特征标签，为尽量在智能推荐中，根据用户的性别、年龄等进行进一步限定范围的推荐，避免推荐出现偏差，客户服务下单信息，即为以上智能推荐算法的核心分析数据。

综上所述，本发明通过分析单元、联网检索单元和生成单元的配合使用，使得客户在网站上输入相关服务的关键词，即可实现分析单元对其提供匹配度较高的服务信息，改善了客户或工作人员对服务信息作出的人工检索情况，以此提高该系统对客户提供的自动推荐效果，且生成单元能够对网络上自动推荐服务使用点击率，及时转化为数据完成分析，并反馈至中央处理器，以此方便工作人员了解对该系统在使用中存在的不足情况。

本发明通过垃圾信息模块的设置，垃圾信息模块内的反馈模块和删除筛选单元，能够对联网检索出来的推荐服务信息进行二次清理，并能够对检测出的垃圾信息通过反馈模块传送至中央处理器，为自动推荐服务信息检索的同时，由工作人员选择对此信息内容的取舍情况，进而工作人员在得到最终检索信息时，能够得到人性化的解决方法，更提高了该系统在使用中的检测效率。

本系统中涉及到的相关模块均为硬件系统模块或者为现有技术中计算机软件程序或协议与硬件相结合的功能模块，该功能模块所涉及到的计算机软件程序或协议的本身均为本领域技术人员公知的技术，其不是本系统的改进之处；本系统的改进为各模块之间的相互作用关系或连接关系，即为对系统的整体的构造进行改进，以解决本系统所要解决的相应技术问题。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。