随着互联网技术的飞速发展,网络空间丰富的信息和大数据共享为人们的工作和生活提供了极大的便利。然而,面对日益增长的海量数据和信息需求的不断提升量,信息按需获取、快速检索成为互联网时代亟待解决的问题。研究信息推荐技术与推荐系统可有效地提高信息获取效率,帮助用户从海量数据中按需高效获取有价值的信息,满足用户对信息的高层次需求。学位论文主要研究基于Python的医疗专家推荐系统与混合推荐算法设计问题。医疗专家系统不仅为用户提供医疗健康新闻、医疗专家信息等的搜索查询,也可以通过混合推荐算法为用户推荐最适合的医疗专家,为用户选择专家带来便利,主要工作内容包括以下三个方面:(1)利用网络爬虫技术,从健康网中获取医疗专家信息,通过文本数据预处理,对数据进行筛选、整合和处理等处理,获得医疗专家数据集。(2)对传统的推荐算法进行分析,针对医疗专家推荐需求,提出了基于项目和内容的加权融合混合推荐算法。通过在基于项目的推荐算法的相似度计算中融入信息熵,既用到了用户行为信息,又用到了项目本身信息。通过混合推荐算法,可为用户推荐更加匹配需求的医疗专家。(3)利用上述提出的混合推荐算法,设计了医疗专家推荐系统。系统使用Python语言开发,采用B/S(浏览器/服务器)模式、Django框架、SQL Server数据库等技术,进行医疗专家推荐系统的设计。基于Python的医疗专家推荐系统,功能包括登录注册、医疗新闻查询浏览、医疗专家推荐、用户留言、后台管理等。模块内部链接紧凑,模块之间耦合度低。根据需求分析对系统架构、流程、各个模块的数据流及接口进行了设计,在此基础上对各个模块进行了详细设计,系统将混合推荐算法在医疗专家推荐系统中进行了有效的应用,并验证了混合推荐算法的优越性和医疗专家推荐系统的可行性和有效性。在当今大数据与人工智能时代,基于Python的医疗专家推荐系统立足于医疗专家推荐需求与目标,研究推荐算法设计和人工智能语言Python的应用,具有广泛的应用前景。