随着通信技术与互联网行业的发展,我们目前不仅仅是处于信息时代,而且还是“信息过载”的时代。不论是线上APP,还是各种线下平台,产生的数据量正在呈几何级增长。在种类繁多的商品、不断更新的新闻以及铺天盖地的广告中,所产生的信息远超我们个人的信息接受程度,我们很难从中获得自身感兴趣的信息。但随着信息技术与大数据技术的深入应用,也不断推进着个性化推荐技术和推荐系统的发展。目前,各种电商、视频、知识内容等平台,自主设计与研发的推荐系统日渐成熟,但是在互联网医疗领域,有效的个性化推荐应用尚还匮乏。因此,本文提出了一个基于深度学习的加强召回和排序的推荐系统,旨在解决在线医疗领域的文章推荐问题。本文以基于深度学习的推荐模型为主要研究内容,旨在通过本文推荐模型的研究与应用,使医疗文章推荐更加准确、有效。基于加强召回和注意力机制的推荐模型,针对传统推荐采用单路召回时,召回效果不佳的问题,提出一种加强召回策略,对海量文章进行召回,并采用了深度学习技术,以深度神经网络为基础,引入注意力机制,使文章推荐时考虑到用户的历史点击行为,从而让推荐的文章更加符合用户特点。论文主要完成以下三个方面的工作:（1）根据推荐系统的组成与各功能阶段的划分,在推荐系统的召回阶段提出加强召回策略,通过多种方式召回文章,并将各路召回结果合并作为候选文章,提高了召回效果,为排序阶段提供良好的数据基础。（2）在推荐系统的排序阶段会对候选文章进行评分并预测其点击率等工作,需要对文章等进行特征分析,传统模型通常可以解决一维或二维的特征交叉问题,但在高维特征交叉分析上,还不能有效解决。因此本文采用深度神经网络,通过神经网络来学习高维的特征交叉过程中的隐含信息,并引入注意力机制,使待推荐列表与用户历史行为产生有效交互。（3）以文本研究设计的模型为基础,为探究模型在文章推荐上的召回效果与推荐效果,进行召回阶段与整体模型的对照实验。采用Tianchi开源数据,数据集为某移动应用程序30万用户的医疗文章点击日志数据。对照实验分为单路召回对比实验、加强召回对比实验和基线模型对比实验,通过多维度对比来探究本文研究模型的推荐效果。实验结果表明,本文提出的模型针对医疗文章的推荐具有出色的效果,文章召回评价达到0.2111,最终推荐评价达到0.2909,优于其他对比模型。