随着大数据时代的迅猛发展,互联网上的数据爆炸增长。用户在面对繁杂的信息时无法快速选出对自己有用的信息。推荐系统能够通过用户的兴趣偏好主动为用户推荐他们所感兴趣的内容,在过去几十年中得到了充分发展,其广泛应用于包括购物、旅游、美食等领域。同时,深度学习技术飞速发展,通过将其与传统的推荐算法结合,也为推荐系统发展创造了新的生命力。近些年随着互联网医疗信息化的发展,网络上积攒了大量的医学数据,导致大量的医疗数据不能被有效利用,个性化医疗推荐服务相对较少,研究关于个性化医疗的推荐有着重要意义。为了提升医疗推荐的性能,解决在评分预测问题中出现的评分与评价的不匹配问题以及评论文本的静态编码问题,本文研究了基于评分特征和评论文本情感分析融合的深度个性化医疗推荐,主要工作如下:1)提出一种融合修正评分与评论文本特征的个性化推荐方法。本章采用融合评分与评论文本特征的方法解决了在医疗推荐领域中用户对医生的评价与评分不匹配的问题,即出现用户对医生的评价不太好,但是评分相对较高的情况。该方法通过将用户对医生的原始评分与评论情感分析值相结合得到修正后的评分特征,选取为最终的评分特征,同时对评论文本进行word2vec嵌入表示,最后将修正后的评分与评论文本输入到模型中。通过在医疗数据集中实验结果证明,该方法对缓解医疗领域评分与评价不匹配问题起到一定作用。2)提出一种基于评分与评论情感特征融合的深度个性化医疗推荐。本章采用BERT预训练技术解决了评论表示方法的不准确性问题,通过结合深度学习方法对医疗文本进行深度特征提取。对于医疗文本,首先利用BERT预训练技术对其进行向量表示,将向量化表示的评论文本和修正后的评分特征拼接在一起作为输入数据,输入到卷积神经网络中,以提取用户和医生深层次的非线性特征向量。最后,使用因子分解机进行特征交互,利用均方根误差衡量模型性能。通过四组实验对比分别验证了:（1）采用BERT的效果要优于word2vec。（2）使用深度学习的方法优于传统方法。（3）使用双层网络的性能强于单层网络。（4）通过消融实验证明同时使用修正后的评分特征和BERT对评论文本做嵌入的方法比单独使用其一的效果要好。