现阶段,由于我国医疗资源分布不均衡,优质医疗资源多集中在大型医院,所以患者在就诊时会优先选择大型医院,这就造成大医院门诊人流量高居不下。而且大部分患者自身的医疗知识有限,大都无法根据自身情况选择正确的科室和适合的医生就诊。因此,当前的医院大厅都设有人工导诊台,帮助患者选择合适的医院科室或医生。传统的人工导诊方式,在面对大量患者时难以在短时间内对患者做出精确的科室分诊和医生推荐,导致患者的就诊流程不顺利,降低了患者的就医体验。目前,已有医院开通预约挂号和线上人工咨询的功能,在一定程度上缓解了线下导诊人员的工作压力。但是,仅仅把线下人工咨询工作转移到线上,不仅增加了医院投入的人力财力,而且难以从根本上提高患者的挂号效率和就诊体验。如何快速准确的引导患者挂号和选择医生就诊是现阶段大型综合性医院导诊工作中急需解决的问题。本文针对传统人工导诊方式在大型医院难以满足患者导诊需求的问题,提出一种基于机器学习的智能导诊模型。模型以患者在大型医院快速准确的就诊为主要研究对象,使用机器学习作为研究的方法,来解决大型医院在导诊工作中面临的两个关键问题——快速准确地科室分诊和医师推荐。本文针对智能导诊模型的功能进行分析,将本文提出的智能导诊模型分为三个部分。第一,是对患者主诉信息的症状实体抽取方法研究,传统导诊模型对患者症状的收集多采用患者自主选择的方式,但是患者自身的医疗知识水平有限,导致选择症状不准确,影响导诊的准确性,本文基于此问题提出一种基于字词特征联合的症状实体抽取方法,从患者的主诉信息中提取出患者的症状,并通过多组对照实验,证明该方法的有效性;第二,本文将科室分诊问题作为一个多标签分类问题,以机器学习中的集成学习思想为框架,提出基于症状贡献度和信息熵加权的Stacking科室分诊方法,通过实验验证,该方法能够完成科室分诊的任务,且相较于传统的分类方法,结果准确度提升明显;第三,是在科室分诊结果的基础上对患者的医师推荐方法研究,本文提出一种基于患者相似度和医师匹配度的医师推荐模型,主要是在协同过滤的基础上,引入患者相似度和医师匹配度,来缩小近邻患者的范围,以此来提高医师推荐的准确性和推荐效率,通过实验表明,该方法在精确度、召回率和时间耗费上的表现都优于传统的推荐方法。