近些年,互联网医疗逐渐被越来越多人接受并被广泛使用。互联网医疗优化了医疗流程,缓解了医疗资源分布不均,医疗信息不对称等难题。互联网医疗平台积累了大量的医生信息、患者信息、医患问答数据,形成了宝贵的互联网医疗大数据。在互联网医疗模式中,最为主流的服务模式之一是在线问诊。患者接受在线问诊时,希望找到针对自己疾病最有经验的医生,同时医生也希望应诊的患者所患的疾病是自己擅长的方向。医患匹配问题具有普遍性和紧迫性。医患匹配的模式既可以减少诊疗资源的浪费,又可以提高患者满意度。本文挖掘了在线问诊网站中积累的互联网医疗大数据,将医患匹配任务分成两个步骤:疾病自诊和医生推荐。疾病自诊是指:患者在线就诊时,如果不知道自己所患疾病,本文改进的知识图谱结合深度学习的疾病自诊模型可以让患者对自己所患疾病进行初步的诊断。为了降低患者在病情描述文本中对医疗实体的简写、错写等不规范行为对疾病自诊准确率造成的不利影响,本文在知识图谱结合深度学习实现疾病自诊的模型框架的基础上,应用了引入拼音的BERT+双向长短时记忆网络(Bi LSTM)+条件随机场(CRF)的医疗实体识别模型,实现对患者病情描述文本中的医疗实体进行更准确的识别;并且应用了基于多域索引的实体链接方法(IRNorm实体链接模型),将识别出的医疗实体更准确地链接到医学知识图谱中的标准实体上。实验结果显示,本文使用的疾病自诊模型相比基准模型可以有效地提高疾病自诊的准确率。医生推荐是指:在患者明确了自己所患疾病之后,需要找到针对自己疾病的综合评估多个方面特征后表现最好的医生进行在线就诊,本文结合医生的社会资本、在线声誉等特征,将医生推荐问题转化为一种医生的排序学习问题,通过Lambda MART排序学习算法,得出综合医生各个特征的医生综合评分与排名,实现面向患者所患疾病的医生推荐。本研究的创新点主要体现在以下三个方面:完善了知识图谱结合深度学习实现疾病自诊的模型。将排序学习应用于医生推荐,综合考虑了医生多个方面的特征进行排序。丰富了医患匹配问题的研究角度和研究方法。