近年来,随着医学与计算机科学的不断发展,医疗方案的相关推荐方法得到了越来越多的的关注。将人工智能的相关算法应用于医疗方案的推荐上,势必能改善医学诊断,并辅助医生做出更好的诊断,以造福人类。文章紧密围绕医疗方案推荐算法及其应用这一话题展开讨论,研究提升推荐准确性和加快推荐速度的方法。首先,文章介绍了基于知识的医疗方案推荐方法以及基于案例的医疗方案推荐方法。这两种方法被作为文章研究的基础。针对基于知识的推荐方法,文章介绍了决策树结构以及规则化的知识来源;针对基于案例的医疗方案推荐方法,文章介绍了特征工程,k N N算法,并借助优化算法对特征向量中属性的权重进行了优化。在基于案例的医学方案的中,推荐依赖于历史相似患者的治疗方案,这些标签化的数据由专家给出,而针对同一个患者,专家的意见往往不尽相同,这使得标签本身带有一定的不确定性。文章详细地讨论了现有的基于案例的医疗方案推荐方法忽略了样本标签不确定性这一问题,并基于Dempster-Shafer证据理论对标签不确定性进行了分析以改善推荐的性能。实验表明,考虑标签的不确定性确实改善了针对医疗方案推荐预测效果。文章所介绍的医疗方案推荐方法被应用后,系统可能被服务化并部署在云端,有较大的访问量,这对推荐算法的计算速度提出了要求。针对这一问题,文章利用边界树算法对基于案例的医疗方案推荐方法进行了优化,同时充分考虑了标签本身的不确定性。实验表明,文章提出的方法可以在保证推荐准确率的前提下较好地优化推荐速度。针对医疗方案推荐算法的实际应用,文章在最后介绍了推荐系统的系统架构,系统平台使用到的技术,并对推荐系统的运行过程进行了说明。