我国人口众多的基本国情并未发生改变,同时,我国现有医疗人员并不能满足人们的日常生活需要。特别是在新冠肺炎疫情的影 响下,由于大量医疗人员都投身于新冠肺炎疫情的防控和治疗工作当中,使得非新冠肺炎患者就医难的问题显得更加突出。此外,药物推荐一直是医疗实践应用中常见的智能医疗手段,作为临床决策的一种,药物推荐主要是依靠大量的患者电子病历、医疗文献等知识库为基础,通过给出药物的种类、用药方式和剂量来辅助医生做出决策。现流行的药物推荐本质上是专家系统,只是对相应文本制定规则进行简单匹配,虽然在一定程度上可以辅助医生做出决策,但由于知识的复杂性和模糊性使得实际应用效果并不理想。同时,研读现有论文发现,少有人对药物说明书的信息充分利用。无论是医生还是患者,都离不开药物说明书的使用。充分挖掘药物说明书的信息,无疑是药物正确使用的首要步骤。融合药物说明书数据和患者诊断数据进行药物推荐既丰富了药物推荐的数据来源,提升了药物推荐效果,同时为药物说明书这样有特殊行文规范的文本类数据提取关键信息提出了新思路。此外,相较于在较短时间内提升医生平均知识水平和经验水平来说,让计算机习得根据患者病情来推荐药物更现实可靠,同时可以辅助医生进行药物调整,这有巨大的潜在社会价值和经济价值。本文在前人的研究基础上,借助某智能医疗公司提供的药物说明书实体标注数据和患者诊断数据搭建了药物推荐模型。首先,对药物说明书进行了词频分析,通过比较全文词频和不同实体类别的词频,发现对患者用药有重要帮助的关键信息仅占全文内容的5.22%。针对此类数据的信息分布特点提出利用命名实体识别技术提取药物说明书的重要实体作为药物说明书的关键词信息,在此环节通过对比CRF、LSTM、BERT及其常见组合模型的实体分类预测效果,针对不同实体类别选择其合适的命名实体识别模型,并对药物说明书所提取的相关实体进行汇总整理,为药物推荐提供数据支持。接着,对于处理好的药物说明书数据和患者诊断数据,通过分析实际用药情况制定不同的推荐策略,同时比较了不同策略下不同药物备选个数的药物推荐效果,据此选择出药物推荐效果最好的推荐策略及其适合的推荐药物个数来搭建最终药物推荐模型。本文在以下几个方面实现了创新。第一,本文采用的推荐模型在患者就医以及疫情防控中具有较强的实用价值,从选题上以及解决问题的视角上符合当下社会现状,有效缓解医生的压力,为患者就医提供有效帮助。第二,本文在药物推荐中引入了药物的相关信息数据,与现有推荐模型相比,在数据来源方面更加完善,既有效利用了患者信息,也结合了药物信息。第三,本文采用的推荐模型充分考虑了药物的适用性与患者的安全性,在进行药物推荐时先过滤了会对患者产生不良反应的药物,通过比较不同推荐策略,选出最佳的药物推荐模型,提升了模型效果。经过实证分析本文得到以下结论。第一,利用命名实体识别提取药物特征能显著提升药物推荐效果,相较于传统TF-IDF提取关键词的药物推荐准确率提升了 5.24%,召回率提升了 37.68%。第二,命名实体识别过程中针对不同类别实体采用不同的分类模型有效提升了实体识别的效果,不同实体选择不同模型可使准确率提升0.82%,召回率提升1.36%。第三,通过比较不同推荐策略对药物推荐效果的影响发现,利用患者特征来匹配药物特征可以有效提升药物推荐效果。第四,命名实体识别过程中BERT-BILSTM-CRF模型对于不同实体类别的分类效果都是最优或者接近最优的。