随着互联网的普及与通信技术的发展,以及生活水平的提高与生活节奏的加快,越来越多的人关注自身的健康与保健知识,有许多医疗健康类网站为用户提供了相关健康资讯。但大部分医疗类服务将收集的健康知识千篇一律的推送给用户,没有考虑用户实际需求。而且随着健康知识数量的不断增加,用户面对琳琅满目的知识条目需要花费大量时间经行浏览与筛选,浪费了精力与时间。为了帮助用户在海量数据中查询想要的结果,推荐技术与各种推荐系统应运而生。本文提出了一种面向用户的个性化健康知识推荐方法,结合用户对健康信息的兴趣度以及自身相关性,考虑到用户对物品进行评分之后会对自身带来的潜在效用,参考传统协同过滤算法思想,设计出用户个性化健康推荐系统,以达到用户对健康知识的需求。本文的主要工作如下:首先,本文介绍了个性化医疗健康知识推荐系统的研究背景和研究意义,明确了本文的研究目标及需要研究的内容,随后对国内外该领域的研究近况进行了分析。接着对本文中需要的相关理论和技术进行了介绍,分析了各种推荐算法的优缺点,为文章的后续提供了基础。然后,参考传统的推荐算法,提出了一种加权高效用因子的混合推荐算法。用户评分除了根据对物品的感兴趣度之外,还会考虑对物品进行评分带来的潜在效用,从用户的评分记录中挖掘潜在高效用因子与物品被靶向概率因子用于推荐算法中用户对物品预测评分进行加权。接着,本文对个性化健康知识推荐算法展开研究,从用户和健康知识两方面进行特征分析和模型建立,完成了加权高效用因子推荐算法的设计。对于用户需要了解其年龄、性别等基本信息,兴趣偏好以及用户近期搜索的内容,对于健康知识数据系统需要根据其内容分析所属类别,并且利用TF-IDF空间向量模型对健康知识内容进行建模。最后对个性化健康知识推荐系统的设计与实现做了介绍。从需求分析的角度设计了系统的模型,对系统的核心模块做了具体的介绍。为了验证推荐方法的有效性和推荐系统的可行性,设计了相关的测试实验并对实验结果进行了分析,结果表明,本文设计的推荐方法及推荐系统具有良好的适应性,达到了预期结果。