1.一种基于无监督机器学习的自动生成规则系统，其特征在于，包括依次连接的深度特征合成模块、无监督聚类模块和自动规则生成模块；

所述深度特征合成模块，用于将输入的结构化数据表进行汇总和特征组合，生成一个新表；

所述无监督聚类模块，用于读取深度特征合成模块生成的表，并通过参数估计方法将其进行聚类，得到特征之间相关性的热力图，根据热力图通过信息增益方法获取聚类影响最大的若干维特征；

所述自动规则生成模块，用于将无监督聚类模块获取的若干维特征转化为规则表，并对规则表进行解析得到Drools规则语句，将Drools规则语句组装生成规则文件，完成自动生成规则。

2.根据权利要求1所述的基于无监督机器学习的自动生成规则系统，其特征在于，所述结构化数据表包括用于分析用户行为的属性数据和历史数据。

3.一种基于无监督机器学习的自动生成规则方法，其特征在于，包括以下步骤：S1、将输入的结构化数据表进行汇总和特征组合，生成一个新表；

S2、通过参数估计方法将生成的新表进行聚类，得到特征之间相关性的热力图；

S3、根据热力图通过信息增益方法获取聚类影响最大的若干维特征；

S4、将若干维特征转化为规则表，并对规则表进行解析得到Drools规则语句；

S5、将Drools规则语句组装生成规则文件，完成自动生成规则。

4.根据权利要求3所述的基于无监督机器学习的自动生成规则方法，其特征在于，所述步骤S1中结构化数据表包括用于分析用户行为的属性数据和历史数据。

5.根据权利要求3所述的基于无监督机器学习的自动生成规则方法，其特征在于，所述步骤S1的具体方法为：导入数据表创建实体并整合实体集，建立结构化数据表之间的关联，通过指定连接两张表的变量来形式化特征工具中的关联规则，并将关联规则添加至实体集中，通过标准差、平均值、计数、最小值、最大值和求和特征基元进行特征组合；判断组合后的特征是否超过阈值，若是则通过主成分分析法、线性判别分析法、局部线性嵌入法或拉普拉斯特征映射法进行特征降维，得到新表；否则直接得到新表。

6.根据权利要求3所述的基于无监督机器学习的自动生成规则方法，其特征在于，所述步骤S2中通过参数估计方法将生成的新表进行聚类的具体方法为：将得到的新表输入高斯混合模型，通过高斯混合模型期望最大化来对新表进行预测并得到聚类结果，根据聚类结果得到新表中特征之间相关性的热力图。

7.根据权利要求3所述的基于无监督机器学习的自动生成规则方法，其特征在于，所述步骤S4的具体方法为：将获取的若干维特征中获取需要生成规则的各项内容并以预设格式生成规则表，采用Excelparser库对规则表中的每一项内容进行解析，将Excel文件中的每一行对应java中的类实例，使用注解绑定Excel每一行中每类对应的每个属性；判断是否出现多个规则属性名对应同一个含义的情况，若是则采用Hashmap对其进行映射，并得到对应的Drools规则语句，否则直接得到对应的Drools规则语句。

8.根据权利要求3所述的基于无监督机器学习的自动生成规则方法，其特征在于，所述步骤S5的具体方法为：根据Drools规则文件中的when和then格式组装规则语句，得到标准的Drools规则文件，完成自动生成规则。