目前利用互联网平台实时在线满足患者的医疗咨询与“轻问诊”的需求,有效缩短医生和患者时间和空间上的距离,已成为医疗行业未来发展的新方向。但在一些的医疗咨询和导医系统中,患者咨询服务还处于被动服务的模式,患者需要按医院和按专科的形式“找”医生并等待医生的回复,线上的医生必须通过翻阅所有或者经过略微筛选的病情信息,来找到自己合适处理的患者问题。针对以上问题,本文研究面向在线患者咨询的医生的推荐系统,该系统通过海量咨询文本挖掘推荐合适医生,提高在线医疗咨询服务的效率、准确性和有效性,主要研究内容包括:(1)推荐框架设计。本文将医生推荐问题分解为两个阶段,第一个阶段将推荐问题转换为三层分类问题,首先构建网站的树形科室结构图,使用分类算法,先将病人划分到第一级科室,在每一个一级科室中重复使用分类算法将病人划分到下一级科室直至大类疾病。第二个阶段采用基于聚类的协同过滤推荐算法,通过聚类在疾病类下找到和病人病情类似的已解决病例,依据相似病例推荐适合解决该病例的医生,将医生推荐给病人。(2)针对患者咨询文本是短文本的特点,本文构建了基于词向量的文本表达模型和改进的向量空间模型,有效解决了咨询文本表达高维稀疏的问题。(3)设计了基于最大熵的文本多分类算法和快速密度峰值聚类的医生协同过滤推荐算法。(4)考虑到推荐的时效性,本文在推荐算法的设计时考虑了医生的活跃度,设计了医生活跃度的计算方法并对活跃度进行排名,优先推荐活跃度高的医生。本文最后基于好大夫网的患者咨询文本数据实现了医生推荐系统,并通过实验对所设计的算法在效果和运算效率上进行了比较分析,以验证有效性。