随着中国的疾病年轻化,就医人口在1990年到2000年短短10年由6299万增加至8811万,增加了2512万人,占总人口的比例也由5.57%上升为6.96%,就医人口正以每年5%的速度增加,到2040年将增加到7400多万人。由于疾病年轻化越来越严重,中国人口就医人数越来越多,随之带来的就医资源需求就越来越大。社会的发展以及环境的变化和人们生活水平的提高,导致对医疗服务的需求也在不断增长,医疗资源紧缺,有限的医疗资源不能较好的使用在合适的地方。为了应对庞大的就诊需求,提升广大群众就医效率和就诊体验,降低网上就医时间和缓解就诊压力,避免患者提出的就诊问题得不到及时答复导致延误患者病情等问题。因此,急需建立一种医生与患者之间的关联,通过“问题—医生”的专家推荐方法来缓解巨大的医疗卫生需求。针对以上问题,本文开展了一系列关于医疗专家推荐模型的相关理论和实验研究。本文采用卷积神经网络方法对在线健康社区医疗专家进行推荐,开展的主要工作内容如下:（1）获取在线健康社区医疗文本数据集并对数据集进行预处理,在以往研究中主要采用处理起来相对容易的结构化文本,但是该种数据的数据量较少。本文采用爬虫工具爬取2017,2018,2019共三年的医患问答数据,数据为非结构化文本,数据处理难度相对较大。本文通过对在线医疗社区医疗文本数据集的研究,挖掘其主要特征为后续模型构建和实验研究及后续改进提供理论支持。（2）构建了基于卷积神经网络的在线健康社区医疗专家推荐模型,对推荐系统神经网络模型进行实验研究,建立了基于CNN网络的在线医疗专家推荐模型,给出模型的四个卷积层的参数以及2个全连接层和输出层的参数,完成了卷积神经网络结构设计。（3）在理论研究的基础之上,完成实验平台的搭建以及对模型的训练与测试过程,采用MSE值、解决数据稀疏性问题能力、召回率、准确率以及loss和accuracy曲线等评价指标完成对模型的评价,通过模型参数优化,以及增加卷积层和池化层的方法进行优化研究,优化后的模型的准确率、召回率以及F1值都比未改进之前有明显的提升,平均召回率在65%以上,相比没优化之前均提升在20%以上,当迭代次数达到10000次的时候,损失误差值可以降到0.119以内,函数已经接近收敛,说明该模型在训练过程中可以达到要求;测试损失误差在最终稳定在0.45附近,测试精度最后达到88以上,表明该模型具有较高的推荐精度。（4）在推荐系统中引入医生的职称、是否为三甲医院以及年龄要求等上下文信息,上下文信息的加入使得推荐精度有了明显提高,构建了基于上下文信息的在线健康专家医疗推荐系统。通过论文研究,论文的主要贡献如下:（1）本文基于卷积神经网络理论,从患者病情信息、医疗专家特长信息的特征数据着手,通过建立基于卷积神经网络的医疗专家推荐模型对具体健康问题进行医疗专家推荐,将专家的擅长领域与病人的问题结合在一起进行推荐,该方法属于“一对一”的服务模式,具有智能、精准、高效的特征,可以大大缩减医患沟通时长,快速建立医患关系,提高了专家推荐的准确度,改进了社区医疗体系,提升了用户体验,目前在该领域研究较少。该系统推荐的医生与患者病情之间具有较高的匹配度,能够高质量的完成线上诊疗问题。同时,提高了医生诊治效率,对缓解巨大的医疗卫生需求具有十分广阔的应用前景。（2）在推荐系统推荐的过程中,以往的医疗专家推荐系统没有考虑医生职称、是否为三甲医院以及对医生的年龄要求等上下文信息。本文所描述的推荐系统加入了医生的职称、是否为三甲医院以及年龄要求作为推荐系统的上下文信息,上下文信息的加入使得推荐精度有了明显提高,构建了基于上下文信息的在线健康专家医疗推荐系统。（3）对在线医疗专家实验过程中,本文通过理论与实验相结合,对四种模型进行了研究,经过对比选择,进行了MSE值的分析,不同稀疏度下的对比实验,选出优选模型,并对优选模型进行参数优化,增加一个卷积层和一个池化层,此种优化方法取得了较好的效果。