目前,医疗领域“信息过载”的问题越来越严重,海量医学数据的积累导致患者就诊效率得不到显著的提升,医疗人员无法迅速高效的获取对患者就诊有益的医疗信息,医疗信息得不到有效的利用,导致患者就诊体验感大幅度降低。医疗推荐系统作为信息过滤的关键技术,目前已经引起领域学者的极大关注与研究,其通过分析患者与医疗项目信息之间的特征关系,并依据患者自身兴趣偏好给出合适的医疗推荐方案信息,推荐医疗信息中包含领域内各个方面的信息,包括药物推荐、医生推荐、理疗建议等,由此可知医疗推荐系统在医疗信息领域内扮演着重要的角色。本文首先阐述传统的推荐方法,以及推荐模型中使用到的多种技术、医疗推荐系统技术以及融合推荐算法的基本概念,传统的医疗推荐算法存在推荐准确度不高、应用场景受限的不足,本文设计的融合医疗推荐算法,结合PPSVD方法和改进的知识图谱技术,前者主要是通过建立新的边缘数据临界值,并以此为基础,设定改进的去除“患者-医疗项目”偏好矩阵中的边缘噪声数据方法,并设定患者对医疗项目的预测评分模型。鉴于PPSVD方法仅仅依靠偏好数据给出预测分数,忽略了医疗推荐系统中患者与医疗项目本身的语义信息以及二者之间信息的紧密关联,因此本文依据知识图谱技术提出新的“患者偏好兴趣等级模型”和“项目正反相关判定模型”,并融合前面提出的PPSVD方法,设定融合医疗推荐模型,给出医疗推荐方案,另外在建立“患者兴趣偏好等级模型”之前,本文首先建立模型提取患者与知识图谱中多实体之间的关系,并对患者自身医疗特征信息进行学习训练,得出患者医疗特征信息,为后续章节建立的兴趣偏好模型奠定技术基础。最后本文通过实验对比其他多种同类型的推荐算法,并设定多个实验指标:类别多样性指标、准确率指标、分类器指标、平均倒数排名,基于这些指标开展试验,实验结果表明本文提出的融合医疗推荐方法具有更高的准确度和可使用性,从而验证本文提出的推荐模型的结果准确性。文章最后开发设计本文医疗推荐系统,并阐述系统核心子模块的功能需求,详细阐述每个子模块的实现过程以及模块之间的交互过程,并展示系统核心功能的页面。