随着计算机技术的发展,国家大力推进“互联网+”产业模式的建设,在线医疗产业作为我国全民信息化健康平台的重要组成部分,促进了优质医疗资源的共享,推动了高水平医疗的普及化与多元化发展。然而,传统数据处理方式难以有效处理随之产生的医疗文本数据,制约了在线医疗的发展。因此,如何建立有效的数据处理方式,从中挖掘有价值的医疗信息,已成为我国在线医疗产业亟待解决的关键问题之一。本课题针对传统数据挖掘算法难以有效处理在线医疗服务平台的大规模、低质量文本数据,提出了基于深度学习的在线医疗服务平台数据的语义挖掘算法。首先,通过对在线医疗服务平台数据的分析发现,该类数据具有语义复杂多样性、医学专业词汇缩写多、噪声词干扰性强等特点。针对上述特点,本课题提出基于动态规划计算词汇编辑距离的语义消歧模型。该模型结合医学缩写词库利用正则表达式对原始数据进行缩写还原,并在此基础上结合大规模英文常用词库利用动态规划计算词汇编辑距离,修正拼写错误词汇,消除缩写词与错误词对文本数据的干扰。在此基础上,利用自然语言处理技术对数据进行降维,提高模型的计算效率,为实体识别提供数据基础。其次,针对传统数据挖掘算法难以对专业词汇进行命名实体识别,本课题提出了基于膨胀卷积神经网络与条件随机场相结合的命名实体识别算法。膨胀卷积神经网络较传统卷积神经网络具有更大感受视野,充分利用了文本语义环境,有效解决了因文本长距离依赖带来的实体识别不准问题。在此基础上,结合噪声线性余弦衰减算法提高学习率衰减加速度,加快模型进入精细学习阶段,增大模型训练最优解的出现。最后利用条件随机场计算标注序列的转移概率,输出最大转移概率的实体词汇,从而实现了对在线医疗服务平台文本中专业词汇的实体抽取。最后,为提高在线医疗服务平台提取实体语义关系的有效性,本课题基于词频-逆文档频率算法思想提出噪声率、平衡因子及逆文件词组频率三类量化因子,利用量化因子对提取的实体语义关系的重要度进行量化,并根据量化结果评定实体语义关系的紧密度。在此基础上,利用提取的实体语义关系查询并返还包含此类关系的文本数据,从而实现了对在线医疗服务平台文本中实体语义关系的有效提取。经实验验证,本课题方法可充分利用文本语义环境,提高对实体抽取及其语义关系提取的能力,从而挖掘出在线医疗文本中的潜在医疗知识,推动我国全民健康信息平台的发展。因此,本文的研究具有一定的实际应用价值。