1.一种面向无监督聚类的热点事件内部评价方法，其特征在于，包括以下步骤：(1)对一批投诉工单通过预处理删除文本多余的空格和标点符号，使用BERT模型得到每个投诉工单的特征表示，所有投诉工单的特征表示构成特征空间；

(2)使用不同的参数k值初始化的k‑Means聚类算法作用于这批投诉工单的特征空间，得到若干个不相交的子集，即聚类结果；其中每个子集称为一个事件簇；所述k值的范围为2到 其中N为一批投诉工单的数量；

(3)通过衡量所有事件簇的平均微分熵来判断聚类结果的紧密性；再通过衡量每个事件簇的簇心所构成空间的微分熵来判断聚类结果的分离性；所述紧密性和分离性的分布为不同聚类结果下的归一化后的值；

(4)将步骤(3)所述的紧密性减去分离性，将相减后得到的值对聚类结果效果进行内部评价，得到最优聚类结果即获得投诉工单中的热点事件。

2.根据权利要求1所述的一种面向无监督聚类的热点事件内部评价方法，其特征在于，所述步骤(3)中的通过衡量事件簇的平均微分熵来判断聚类结果的紧密性具体为：T

令H为特征空间，其中H＝{h1,…,hN} ；假设N个投诉工单被划分为k个事件簇，即H1,…,Hk，令特征矩阵Hk服从多元高斯分布，这k个事件簇的紧密性被定义为k个事件簇的平均微分熵：其中，DiffEntropy(·)为多元高斯分布的微分熵，i为第i个事件簇的索引。

3.根据权利要求1所述的一种面向无监督聚类的热点事件内部评价方法，其特征在于，所述步骤(3)中每个事件簇的簇心所构成空间的微分熵来判断聚类结果的分离性具体为：令μk为第k个事件簇的簇心，即， 其中，Ck为第k个事件簇，

hi为第k个事件簇下第i个投诉工单的特征表示；

令这k个事件簇的簇心服从多元高斯分布，k个事件簇的分离性定义为由k个簇心构成的特征矩阵的微分熵，即：DiffEntropy(Hμ)，T

其中，Hμ＝{μ1,…,μk}，即每个簇心所构成的特征子空间。

4.根据权利要求1所述的一种面向无监督聚类的热点事件内部评价方法，其特征在于，所述步骤(4)中的内部评价为：基于紧密性和分离性，k个事件簇的内部评价为紧密性norm减去分离性norm；所述紧密性norm和分离性norm分别代表不同聚类结果下归一化后的值；内部评价方法采用紧密性减去分离性的形式，若有一系列用来比较的聚类结果，在对紧密性和分离性相减之前，将分别对紧密性和分离性执行归一化操作使得他们在同一范围里面；当在执行最大最小归一化后得到内部评价的范围，在范围内中内部评价的值越小表明聚类结果更好；

在得到聚类结果后，再对聚类结果中的每个事件簇进行统计，筛选出最优的聚类结果，即获得投诉工单中的热点事件。