随着人类社会进入互联网时代,人们生活的方方面面都与网络密切相关。截止至2021年6月,我国网民人数已达到10.11亿。在如今数据量庞大的信息时代,人们对查找信息的速度、效率有了更高的要求。为提高信息检索效率,智能问答系统应运而生。现有的医学问答系统大多采用医生在线问诊,存在患者需要等待一定的时间、与医生沟通不及时、问诊价格昂贵、医生资源有限等问题。当前面向医学领域的智能问答系统在提取医学实体时存在提取缺失、系统后端缺少医学实体审核的过程,导致数据库中医学数据与非医学数据相互混杂,问答效率大大降低,在智能医学问答领域未取得较好效果。线下就诊存在知名医院的专家号一号难求、排队时间占据就诊时间的75%以上、患者对应挂科室模糊不清等问题。2020年初,由于新型冠状病毒肺炎疫情的爆发,医院对患者的就医做出了更为严格的规定,这就导致了患者就医更加困难。在这种情况下,人们更加希望通过专业高效智能的医学问答平台查询自己的病症,寻求治疗方法。因此,构建一个面向医学领域的智能问答系统刻不容缓。随着深度学习技术的发展,将深度学习方法与医学问答系统相结合,利用深度学习方法对医学数据进行快速准确地提取与分类,形成面向医学领域的纯净数据库,以此提高问答效率,解决人工问诊造成的问答效率较低、问诊等待时间长等问题。为了缓解就医压力,满足用户对线上就医的需求,本文开发了一个基于循环神经网络的智能医学问答系统。针对现有医学问答系统解析自然语言能力较差,以及系统后端缺少对医学实体审核的问题。本文在问答系统后端数据处理部分使用基于BERT-Bi LSTM-CRF的医学实体识别模型对非结构化医学数据进行医学实体识别。本文在系统后端增加医学文本分类模块用于对医学实体审核,在该模块中使用本文提出的基于BERT-RNN的医学文本分类模型将医学文本数据与非医学文本数据进行分类。为了提高模型分类的准确率与速度,使用本文提出的mean＿relu激活函数取代RNN原有的激活函数,并对RNN网络结构进行调整,以此实现对医学数据的高效分类。由于医学词语存在特殊性,同一个词语在句中不同的位置可能代表不同的疾病名称。因此,上述两种模型的词向量转化部分均使用BERT实现,通过BERT词向量转化方法融合句子中字向量、文本向量和位置向量信息,使得词向量不仅学得了该词本身所具有的所有语义信息,还可以学得句子中其他词与该词的关系。这样便使医学问答系统从根源上获得更加准确的医学数据表达,有利于系统功能的实现。最后,通过将本文提出的BERT-RNN医学文本分类模型与现有的BERT-LSTM文本分类模型在相同数据集、相同迭代次数下进行分类准确率与分类速度的对比,可以得到本文提出的BERT-RNN医学文本分类模型在分类准确率上可达到91.2%,相较于B ERT-LSTM文本分类模型在分类准确率上提升了5.9%。分类速度上,在同样迭代10000次的情况下,本文提出的BERT-RNN医学文本分类模型分类速度为30m46s,相较于BERT-LSTM文本分类模型,分类速度提升了1m45s。本文首先对面向医学领域的智能问答系统进行需求分析,根据系统需求分析确定了本文所设计的系统采取B/S体系架构。在此基础上对系统的总体框架、总体功能结构、系统所涉及的数据库进行了设计。最后对系统开发框架、运行系统所需的软硬件环境进行相应的配置。搭建好系统所需环境后,实现系统所具备的功能。通过测试验证了系统的功能和性能达到了预期效果,系统能够实现设计中的各项功能,各个模块均达到理想状态。基于循环神经网络开发的智能医学问答系统可以实时回答用户提出的问题、提高医学资源的利用率以及问答的准确率、满足用户对医学问答系统的需求。故此,本文开发的基于循环神经网络的智能医学问答系统具有良好的应用前景。