人工智能的发展开拓着一个又一个新的领域,经济水平的提高使得人们对健康服务的需求不断扩大。目前我国医疗资源存在着分布不平衡、卫生服务供不应求以及医患关系紧张的问题,这些问题在疫情期间体现尤为突出。在线医疗平台是解决我国卫生服务不平衡的一个重要方法,医疗问答社区平台是在线医疗中的一个主要存在形式,患者可以通过与医生以在线交流的方式了解病情,但患者提出问题的数量远大于医生数量,如何通过人工智能的方法推进医患关系,提高专家回答效率是其中一个亟待解决的问题。本文围绕着如何更好的对患者进行专家推荐作为研究对象,提出基于深度学习和语义层面的推荐方法,以期加强专家与患者的互动效果。文章认为每位专家都有其擅长的领域,通过利用每位专家与患者的交流对话建立专家档案,对档案分析得到专家专长。专家专长与患者的健康问题进行相似度匹配,以匹配度为依据对患者推荐合适的专家。为提高推荐效果,本文将分为两个步骤实现此目标。第一步:建立文本分类模型,将每个健康问题推荐到对应的科室,以“健康问题”和“科室”分别作为特征矩阵与标签。通过Word2Vec和Glove模型训练词向量,建立起以Bi GRU神经网络和Capsule算法融合的科室分类模型。第二步:构建主题推荐模型,对每个科室的专家依据专家档案建立Labeled-LDA主题模型,得到每个专家的专长分布,并预测测试集中患者健康问题的主题分布。专家主题分布和健康问题主题分布的JS散度作为医患匹配度,根据匹配度的大小对健康问题进行专家推荐。最终实证结果如下:（1）在健康问题的科室分类中,构建了Bi GRU-Capsule神经网络,并使用逻辑回归、Light GBM和双向GRU作为对比模型,使用准确率和F1-score作为评价指标,结果表明深度学习方法在整体效果上要好于机器学习模型,其中Light GBM在准确率上要略高于双向的GRU网络,但在两个指标上都低于Bi GRUCapsule算法;（2）在专家推荐模型中,本文从回答和采纳两个层面上衡量了推荐效果,以准确率和召回率作为衡量指标,结果显示在回答层面上的准确率和召回率均高于采纳层面,原因在于采纳层面条件较为苛刻,患者容易受到时间、情绪和习惯等因素的影响。通过以上的研究工作,本文为在线医疗问答社区的专家推荐提出了相对合理的研究方法和依据。