近年来,随着收入的提高,人们越来越重视身体健康。以往通常是在患有大病时才愿意前往医院就诊,但现在只要身体出现一些不适症状就会前往医院咨询就诊,这也加重了线下大医院的接诊压力。由于患者本身缺乏完善的医疗知识,自主挂号出错率很高,为此医院都设有人工分诊台,但人工分诊台在面对大流量患者时很难快速准确地对患者进行科室分诊以及医生预约,长时间等待和分诊错误导致患者就诊体验严重下降。为了减缓线下人工分诊台的压力,逐渐开设了线上挂号和线上问诊的功能。但对于医院而言,人工线上咨询更多的是把线下工作转移到了线上,虽避免了线下医院拥挤等待的问题,却没有从根本上解决人工咨询力量有限的问题。而且线上医疗信息数据庞杂且呈爆发式增长,反而加大了患者自主挂号的难度,因为患者很难在海量的信息中快速有效地找到对自己最有帮助的信息。因此需要一个能够高效处理和分析大量医疗信息的医疗推荐系统。面对海量的医疗信息,传统的医疗推荐系统存在计算复杂度高,推荐精度低,并且还普遍没有解决冷启动和数据稀疏性问题。本文针对传统人工分诊和自助挂号效率低,线上挂号问诊信息过载,患者难以快速准确获取有用信息的问题,提出了一种基于混合推荐算法的智能分诊推荐系统,来快速准确地对患者进行科室分诊和医师推荐,提升患者就诊体验。此智能分诊推荐系统主要分为三个部分:第一,对于无病史记录的新患者而言,推荐科室分诊存在冷启动问题。本文为解决此问题,首先是在从医疗预约平台实时数据仓库中获得了患者主诉症状分词的前提下,使用了TF-IDF技术量化患者主诉信息中的每个症状分词代表其病情的程度,进而构建患者的症状分词向量空间模型（VSM）用以表示患者病情。然后由患者症状模型并结合实际评分数据的特点,提出了一种基于评分加权的方法对TF-IDF算法改进,来对科室的症状贡献度向量空间模型进行构建,最后计算出患者和各科室症状模型的修正后的余弦相似度,相似度最大的科室即为科室分诊模型预测的结果。并通过多组对照实验,本文方法相比其他四种常用算法在精确率方面平均提升了8.12%,召回率提升了6.93%。第二,是在科室分诊的基础上进行医生推荐方法的设计。针对在大数据环境下传统单一推荐算法的推荐系统会存在计算时间复杂度高,数据稀疏,导致推荐效果差的问题,本文采用基于改进的聚类算法,矩阵分解和用户相似度协同过滤相结合的混合推荐算法。即在科室分诊结果基础上本文提出了一种基于信任关系改进的K-means算法提前对各科室内的历史患者症状向量进行聚类,按目标患者所属聚类簇查找目标患者近邻的这种方法,缩小了实时计算的范围,提升了实时推荐速度。历史患者集合按科室聚类之后再使用ALS的矩阵分解技术对各科室各聚类簇中稀疏的患者医生-评分矩阵进行预测填充成稠密的矩阵,然后使用基于用户相似度的协同过滤进行目标患者-医生的评分预测,最终为目标患者推荐预测评分高的医生。经过实验验证,该方法相比传统的推荐算法,准确度有明显提升。第三,对于K-means聚类算法和ALS矩阵分解算法在处理海量数据时单机环境下所面临的处理速度慢、计算资源多等问题,本文借助Spark在大数据环境下使用内存并行运算的优势,设计了一个基于混合推荐算法的智能分诊系统,并描述了该系统的架构,系统数据的流程,平台的运行环境搭建以及部分主要功能。