网络信息技术的不断发展,促进了资源共享和信息获取需求的不断提升。随着人们生活水平的不断提高,医疗信息的获取与应用越来越备受关注。如何在海量的医疗信息中快速找到符合目标的信息,是亟待研究的问题。传统的人工查找医疗专家信息,往往存在效率低下、信息不完整。根据当前人们对医疗专家信息的需求,利用计算机与信息处理技术和网络共享数据技术,研究基于Python的医疗专家推荐平台和信息推荐算法,向用户提供便捷、卓效的医疗信息查询与获取平台,具有广阔的应用前景。学位论文主要工作:在全面综述医疗专家推荐需求和推荐算法基础上,研究了医疗专家推荐平台和推荐算法设计等技术问题,内容包括:综述了医疗专家推荐平台的研究背景和研究意义以及国内外现状;简述了平台设计相关技术,分析了目前医疗专家推荐平台一般需求,剖析了基本推荐算法的优缺点;采用Django框架以及C/S模式进行了平台总体设计;利用网络爬虫技术,从特定网络获取医疗专家数据,利用数据清洗技术除去脏数据、保障信息的内容;对协同过滤推荐与基于标签的推荐算法原理进行详细分析,根据其算法特点,提出了协同过滤-标签组合推荐算法,利用标签信息进行相似度优化计算,根据优化的相似度对评分矩阵进行预测,得到推荐结果。最后,设计并实现医疗专家推荐平台原型,通过原型系统对医疗专家推荐结果进行分析和评价,验证协同过滤-标签组合推荐算法的有效性与可行性。原型测试表明,推荐效果达到预期设定目标,所提出的协同过滤与标签组合推荐算法,应用到医疗专家推荐平台中,可有效地处理传统算法中冷启动与数据稀疏性问题,提高了推荐结果精准度。