1.基于数字化的家政服务质量分析系统，其特征在于：包括数据收集模块（100）、客户满意度分析模块（200）、员工服务能力分析模块（300）和综合比较与分析模块（400），其中：所述数据收集模块（100）用于收集线上客户反馈数据、线下客户反馈数据以及员工服务数据；

所述客户满意度分析模块（200）对线上客户反馈数据进行文本预处理、情感分析以及情感词典法统计正面、负面和中性词汇的数目，并通过计算正面词汇的占比作为客户的线上满意度得分；对线下客户反馈数据采用卷积神经网络得出线下客户满意度得分；并将线上客户满意度得分和线下客户满意度得分进行求和平均，得出最终客户满意度得分；

所述员工服务能力分析模块（300）利用规则系统对员工服务数据进行一次分析，规则系统通过预先定义的评价规则对员工服务数据进行员工能力的评估，根据员工服务数据中每个数据特征评估结果的占比，确定一次分析的员工服务能力；

所述综合比较与分析模块（400）将最终客户满意度得分转换为与一次分析的员工服务能力相同的文本级别，生成文本客户满意度，并比较文本客户满意度与一次分析的员工服务能力，若匹配一致，则确定该一次分析的员工服务能力为最终员工的服务能力；

否则，利用最大间隔分类器算法对该员工所对应的员工服务数据进行二次分析，生成二次分析的员工服务能力，并将二次分析的员工服务能力与文本客户满意度进行二次比较，若匹配，将二次分析的员工服务能力结果发送给管理人员，若仍不匹配，将该员工服务数据进行错误标记，发送给管理人员；

其中，所述综合比较与分析模块（400）将最终客户满意度得分转换为与一次分析的员工服务能力相同的文本级别的转换过程具体包括：

若最终客户满意度得分范围为80‑100分之间时，将其转换为高；

若最终客户满意度得分范围为60‑79分之间时，将其转换为中；

若最终客户满意度得分范围为0‑59分之间时，将其转换为低。

2.根据权利要求1所述的基于数字化的家政服务质量分析系统，其特征在于：所述数据收集模块（100）中收集的数据包括线上客户反馈数据、线下客户反馈数据以及员工服务数据，其中线上客户反馈数据包括但不限于客户在官网上对员工的评论；线下客户反馈数据通过员工配备的麦克风和摄像头设备进行收集，线下客户反馈数据包括客户声音数据和客户图像数据；员工服务数据包括但不限于服务时间、出勤率、服务项目类型和服务项目的完成情况。

3.根据权利要求2所述的基于数字化的家政服务质量分析系统，其特征在于：所述客户满意度分析模块（200）包括线上数据分析单元（201）、线下数据分析单元（202）和最终客户满意度确定单元（203），所述线上数据分析单元（201）对线上客户反馈数据进行文本预处理、情感分析以及情感词典法统计正面、负面和中性词汇的数目，并通过计算正面词汇的占比作为客户的线上满意度得分；所述线下数据分析单元（202）对线下客户反馈数据采用卷积神经网络得出线下客户满意度得分；所述最终客户满意度确定单元（203）将线上客户满意度得分和线下客户满意度得分进行求和平均，得出最终客户满意度得分。

4.根据权利要求3所述的基于数字化的家政服务质量分析系统，其特征在于：所述综合比较与分析模块(400)包括一次比较单元(401)、二次分析单元(402)和二次比较单元(403)，所述一次比较单元(401)将最终客户满意度得分转换为与一次分析的员工服务能力相同的文本级别，生成文本客户满意度，并比较文本客户满意度与一次分析的员工服务能力，若匹配一致，则确定该一次分析的员工服务能力为最终员工的服务能力；否则，所述二次分析单元(402)利用最大间隔分类器算法对该员工所对应的员工服务数据进行二次分析，生成二次分析的员工服务能力；所述二次比较单元(403)将二次分析的员工服务能力与文本客户满意度进行二次比较，若匹配，将二次分析的员工服务能力结果发送给管理人员，若仍不匹配，将该员工服务数据进行错误标记，发送给管理人员。

5.根据权利要求4所述的基于数字化的家政服务质量分析系统，其特征在于：所述线下数据分析单元（202）处理和分析通过员工配备的设备收集到的客户声音数据和客户图像数据，客户声音数据通过模数转换、傅立叶变换进行数字化和频域转换，客户图像数据与转换后的频谱图一并经过标准化处理，利用卷积神经网络的多层结构捕获图像中的复杂模式，并通过非线性激活函数、池化层和全连接层，最终经softmax函数转化为线下客户满意度得分。

6.根据权利要求5所述的基于数字化的家政服务质量分析系统，其特征在于：所述二次分析单元（402）利用最大间隔分类器算法对该员工所对应的员工服务数据进行二次分析，通过对员工服务数据进行预处理，使用独热编码将非数值类型数据转换为数值类型数据，收集包含与员工服务数据相同的数据特征和以及员工服务能力作为训练数据，并将员工服务能力赋予它们数值标签；

通过该训练数据训练最大间隔分类器模型，通过梯度下降算法优化目标函数，根据训练数据特征最大化分类间隔，用于区分不同类别的训练数据，通过交叉验证确立模型参数C和gamma；

最大间隔分类器模型训练完成后，将处理好的员工服务数据输入到训练好的最大间隔分类器模型中，最大间隔分类器模型根据处理好的员工服务数据进行标签值的输出，将标签值转换为高、中、低的分类标签，作为二次分析的员工服务能力。