医患纠纷裁判文书（简称医患纠纷案例）是人民法院在民事诉讼中,为解决医疗机构与患方间民事权利义务争议的文书。而今医患纠纷裁判文书数量逐渐增多,法律工作者难以在短时间内找到合适的类案,且不同类型用户对有效类案的评判通常是不一致的,用户在不同阶段的评判标准也可能不同。为此,需要快速精准地分析历史案例,及时捕获用户偏好,据此实时推荐类案,为法官的审判提供科学指引,帮助当事人了解责任范围,提升调解的效率。但现有的类案推荐系统存在以下问题:（1）医患纠纷类案相似度计算问题。由于类案推荐需先提取要素信息,据此计算案例相似度,而医患纠纷案例属于非结构化长文本,内容分散且专业性强,因此很难精准提取要素,进而影响案例相似度计算的准确性;（2）面向不同法律用户的个性化推荐问题。由于传统的用户偏好通过显式反馈采集,但在实际场景中不能保证用户都能自发反馈,因此难以采集到足够的反馈数据导致推荐结果不准确;（3）医患纠纷类案实时推荐问题。随着裁判文书数量和用户反馈记录不断增加,相似度计算和推荐计算耗时随之增加,传统集中式、离线批量计算系统架构已难以满足快速计算的需求,因此无法进行实时精准的更新推荐。为了解决以上问题,论文具体研究工作包括以下几个方面:（1）医患纠纷类案相似度计算方法的研究。针对案例要素抽取困难导致相似度计算不准确这一问题,首先将案例抽象化为可以结构化表达的医疗事件,抽取要素信息并过滤冗余信息,提供事件模板动态调整机制以支持用户对要素关注度的差异表达;其次,引入Bi-LSTM-CRF模型,根据医疗事件模板准确抽取案例要素;然后,提出基于医疗事件的医患纠纷案例相似度计算方法,根据相似度排序返回Top-K类案候选集合。（2）医患纠纷类案个性化推荐算法的研究。针对面向不同法律用户的个性化推荐问题,首先,基于前端埋点技术捕获用户在类案候选集上的反馈行为,量化反馈行为获取用户对案例的评分;然后,使用推荐模型迭代训练学习得到用户对各要素的关注程度,形成个性化事件模板,据此模板更新用户对于案例的评分,排序后返回Top-K案例集合。（3）实现基于Spark的医患纠纷类案实时推荐系统。针对医患纠纷类案实时推荐问题,本文设计的类案实时推荐系统基于Spark分布式计算框架,能够实时处理用户对历史推荐列表的反馈,定期训练推荐模型,得出用户新的关注要素权重,据此定期更新推荐列表,使得推荐结果不断向用户偏好靠拢。实验表明,本文提出的基于医疗事件的医患纠纷案例相似度计算方法在一定程度提升案例相似度计算结果的准确性;在医患纠纷类案个性化推荐的任务中,将传统矩阵分解推荐算法与基于要素的矩阵分解推荐算法做对比,基于要素的矩阵分解推荐算法的准确性更高;在医患纠纷类案实时推荐的任务中,本文设计的基于Spark的类案实时推荐系统比传统基于Hadoop的推荐系统具有更好的时效性,有效提升了推荐系统的性能。