随着市场经济的不断发展,人们除了温饱问题,还会有更多的诉求。不管是一个企业还是地方政府都需要及时应对这种改变,更好地为“客户”服务。因此越来越多的机构开始关注工单,虽然目前有很多机构有自己的工单系统,但是工单全由客服人员手动分配到各个处理员工或者部门,导致效率低下不能及时响应投诉者的诉求,甚至会造成同类工单爆发,因此服务工单的推荐系统的建立有着非常重要的意义。而工单推荐算法的准确率以及推荐列表的排序直接影响着工单推荐系统的工作效率,本文主要完成的工作如下:(1)提出了一种混合推荐模型LDTF。通过对投诉工单数据分词、利用混合数据模型LDTF提取工单的特征向量,以及建立处理员工的偏好向量,为处理员工推荐合适的工单。同时本文提出了一种新的为特征向量降维的方法。为了进一步提升工单推荐算法的推荐准确率,本文又提出了一种改进的特征词提取算法PG-TF/IDF,提出了词性比和基于词性的信息增益的概念,更准确地的计算员工处理工单的兴趣向量,从而提高推荐算法的准确率。通过一系列的实验验证,本文提出的改进算法、模型和将为方法在工单数据集上有着较高的推荐准确率和召回率,以及有更少的运行时间和低维特征向量。(2)将排序学习算法应用到基于工单的推荐算法中,并且提出了一种新的排序学习模型LTE,将情感分析、工单的文本内容、工单流转时间融合,得出的新的排序学习模型LTE,通过一系列的实验,该排序模型能够比较准确的对员工处理工单的顺序进行预测。(3)设计与开发了工单推荐系统。这个系统包括工单处理子系统和后台管理子系统。工单处理部分包括工单展示、工单处理、工单退单功能。管理部分包括工单建立、工单分配、工单推荐等模块。