随着数字信息化的发展,医疗数据呈指数形式增长,使得医疗行业成为数据最密集的行业之一。根据IDC Digital的预测结果,医疗行业的数据量将在2020年时达到40万亿GB,预计是2010年医疗数据量的30倍,这些数据蕴藏着巨大的潜在价值。中国人口众多,“看病难、看病贵”成为当下的主要问题,其主要的原因在于医疗医护资源稀缺、分布严重不均衡,且看病效率低下,无法满足日益增长的民众需求。从供给层面来看,优质医疗资源更为紧张,体现得更为明显。在上述背景下,推荐预测系统成为解决该问题的方法之一。目前推荐系统已经广泛应用在各行各业并且取得了不错的成果,但是随着数据量的增多,数据关系的丰富,推荐系统也面临着冷启动、可解性、可扩展性等问题。本文针对上述问题结合医疗卫生数据的特点,提出了一种基于大数据的混合推荐算法,并基于此算法搭建了疾病预测系统。本文的主要研究内容如下:(1)医疗卫生数据集获取。医学数据的特殊性导致没有公开的标准数据集,且患者对于诊断结果或者症状没有明确评价导致数据的稀疏性,进而导致冷启动的问题,一般而言数据规模越大就越稀疏,因此,获取高质量的数据集成为必不可缺的前提。本文通过数据采集从业务系统获取所需医疗卫生数据,并对这些数据按照规则与标准进行清洗,最终使用数据质控算法衡量数据质量的优劣,以此获取高质量的医疗卫生数据集。(2)基于大数据的混合协同过滤推荐算法研究。目前,在医学推荐上大部分关于冷启动问题的研究主要从用户角度出发,通过分类、用户反馈或者利用专家进行标注来解决。虽然这些措施有助于优化用户的兴趣,但是都需要提前构建,不仅需要花费大的精力而且影响了算法扩展性。本文研究从内容入手,通过内容信息(关键字)为用户和疾病建立关联关系,并通过大数据获取大众的偏好来代替用户的偏好。基于此发现,本文在大数据情境下将协同过滤与基于内容的推荐算法结合,提出一种基于大数据的混合协同过滤推荐算法。分析显示该算法具有良好的可解性,并且实验结果表明本文所研究的算法不仅能够为新用户做出推荐而且相较于传统的算法性能更好。(3)疾病预测系统搭建。本文基于上述研究搭建了疾病预测系统,将基于大数据的混合推荐算法应用到实际中,并对预测系统进行测试,能够满足日常使用。