随着信息技术的飞速发展,药品销售平台已经积累了大量的消费数据,如何从中提取出有价值的信息已经成为企业关注的焦点。截止到2019年底,我国已有500多家医药交易企业进入到电子商务领域,医药行业中的竞争日趋激烈,因此,企业迫切需要发展新的途径来提高竞争力。目前推荐技术已被广泛地应用在各行各业,它可以在海量的数据中挖掘出消费者的兴趣,推荐消费者喜欢的商品,提升消费者的体验和商家的销售额,从而促进商家发展。我国的医药销售平台还是以线下零售为主,线上电子商务的以B2B、B2C模式为主,本文主要研究如何在医药销售平台中提供精准的推荐服务。针对线上医药销售平台,本文分析大量的用户消费数据,根据每个用户的用户画像,采用了深度学习方法进行精确推荐。针对线下医药销售平台,根据消费者的购买规律、商家的商业需求,利用遗传算法生成的组合,既能满足消费者的需求,同时也能满足商家需求的组合药品,然后,通过协同过滤算法对消费者的购买概率、个性偏好因子进行预测,构建组合定价模型得到组合药品的最优价格。本文创新之处在于:1、针对具有用户数量多且评分数据稀疏等特点的线上医药销售平台,本文提出基于深度神经网络、卷积神经网络的推荐技术,预测用户对其未购买过的药品的评分。2、针对具有无法预先识别用户身份和覆盖用户范围较小等特点的线下医药销售平台,本文将用户购买规律跟商家的商业需求相结合,通过遗传算法得到最优组合,从而向线下药品销售平台推荐药品组合,同时对组合药品进行定价。经理论分析和实验结果证明了本文所提出的推荐方法的有效性,具有较高的推荐精度,满足医药平台的需求。定价策略模型在不同的约束和冲突之间使消费者购买概率与商家的总利润最大化达到最优平衡。