随着人口老龄化的加剧,我国肿瘤的新发数和死亡数持续上升,导致多数人认为患上肿瘤就等同于死亡。而事实上,如果人们能提前了解肿瘤的相关知识,并积极采取行动,那将有近半数的肿瘤病例是可以避免的。在肿瘤知识信息化的今天,人们虽然可以很轻易的通过搜索来获取所需,但这其中包含着大量不准确的信息,严重影响了人们的判断。于是,肿瘤知识推荐系统应运而生。它可以向公众科普肿瘤预防的方法,改善肿瘤患者的生存质量,同时帮助医护人员获取前沿的肿瘤知识,提高治疗和护理水平。目前,推荐系统的主流算法多以协同过滤为基础,即通过比较用户或物品的相似度来预测,准确度高但需要有一定的数据规模,难以对新用户起作用。针对这个问题,本文提出混合预测算法来开发肿瘤知识推荐模型,从而更好地引导用户发现有用的肿瘤知识。首先,本文通过训练Attention模型来预测肿瘤知识的分类,并结合用户的肿瘤疾病编码、肿瘤知识标签,得到一个初步的肿瘤知识推荐集合,实现对新用户的推荐。其次,基于协同过滤算法,从用户的注册信息和历史阅读记录两个维度来预测用户对肿瘤知识的评分,以改善推荐的效果。最后,将Attention和协同过滤的预测结果混杂,存入Redis缓存中供推荐时使用,从而提高推荐系统的响应速度。近年来,小程序技术开始兴盛,相比于需要下载安装才能使用的App,小程序具有即用即走、易于开发等优势。而在众多提供小程序应用的平台中,微信承载了大量的用户。因此,为了让人们能更便捷的获取肿瘤知识,本文基于微信小程序和SSM框架设计与构建了肿瘤知识推荐系统。它可以通过数据预处理和Word2vec训练词向量,嵌入Attention和协同过滤模型,实现个性化的肿瘤知识推荐,以解决人们在肿瘤知识检索上的难题。