随着人工智能和机器学习的发展,各领域都逐渐步入智能化。作为一直以来受国家重视的医疗健康服务领域,它的智能化近年来更是受到了广泛的关注。如今的推荐系统在各个领域都有较为成功的应用,然而在医疗范畴的应用却仍需要进一步去挖掘。尽管医疗领域的推荐系统相比其他领域存在着更多的困难,即便如此国内外的学者们也从未停下探索的脚步。目前推荐系统在医疗行业较为成功的业务应用有:辅助诊疗、合理用药、就诊引导、精准医疗等,所用到的核心技术多以传统协同过滤为主。近些年来,张量分解也被应用到了推荐系统中,甚至在一定程度上优于传统的推荐算法。因此,本文选择以药物重定位作为本次推荐系统在医疗领域的研究应用方向,利用张量分解技术旨在构建一个基于张量的药物重定位推荐算法。本文首先对医疗大数据及相关业务应用场景做了较为全面的调研与综述,介绍了当今医疗范畴和推荐系统的关系。由医疗大数据引出了张量,由信息过载引出了推荐系统,而张量分解作为勾连二者的枢纽,将两个领域交汇在一起。接着对张量的理论基础和常见的概念方法进行了比较全面的整合阐述。又从经典的传统推荐算法入手,对推荐系统进行了一定的调研、整理和分析。并以药物重定位作为本次推荐算法在医疗范畴的应用方向,对推荐算法在其上的价值进行了说明。针对与药物重定位有关的医疗数据构建张量模型,借助PARAFAC2方法处理不规则数据矩阵集合进而得到规范化张量。利用张量常用于推荐系统的平行因子分解法实现疾病-药物的关系对预测,挖掘潜在的疾病-药物关系,最终完成药物重定位的TopN推荐。最后在公开的数据集下选取10%并抹去部分药物-疾病关系信息作为测试数据,利用K折交叉验证对本文的算法模型进行反复测试,和传统协同过滤模型相比较,验证了本次研究模型在precision、recall和F1-Measure上具有不错的表现,同时具备一定的新颖性和可行性。接着在原有模型的基础上引入置信矩阵进行了一定的改进,改进后的效果较之前模型在可靠性上有着一定的提高。最终表明,本文的算法为医疗领域的药物重定位研究提供了一定的参考价值,较好的实现了张量在医疗大数据的一次建模与推理。