随着互联网的发展,在线问诊平台由于可以实现医患之间的互动,解决患者轻问诊需求,逐渐受到大众的信赖和认可。如国外的Health Tap、American Well和Doctor On Demand,国内的春雨医生、好大夫在线等。患者浏览医生主页,寻找感兴趣的医生,通过提问的方式与医生进行互动。与传统的线下就诊相比,避免了时间和空间因素带来的限制,能够方便地进行疾病咨询。但是,随着医生和患者规模的扩大,大量的医患互动信息以及评价信息产生,患者无法快速识别并选择优质的医生资源,从而降低患者问诊体验。为了发现优质的医生资源,提高患者满意度,个性化医生推荐受到越来越多的关注。在这种背景下,本文基于对目前医生推荐系统的深入研究,包括对在线问诊平台中医生与患者特征分析后,以复杂网络的相关理论为基础,通过多种推荐策略的组合来提高医生推荐结果的准确性,结合目前主流的个性化推荐技术,同时引入语义挖掘技术、社会网络分析法和统计学方法,构建一种基于组合条件的个性化医生推荐模型,其中包括基于相似患者的医生推荐模型,基于相似领域的医生推荐模型和基于医生绩效的医生推荐模型。在基于相似患者的医生推荐模型中,根据从众心理理论,患者一般更青睐于曾经诊治过相同疾病的医生,从而设计了基于患者咨询文本的推荐,主要运用Word2vec模型训练词向量,计算患者相似度,确定候选医生推荐集A;在基于相似领域的医生推荐模型中,认为相同患者往往关注的医生拥有共同特征,如医生的知识结构相似、行为网络关系密切,基于此,构造了两个子模型:医生知识模型和医生行为网络模型,主要是利用Jaccard系数分别计算医生知识结构相似度和医生行为网络相似度,最后,应用Comb SUM算法整合这两种相似度,得到医生之间的领域相似度,从而确定扩展医生推荐集;在基于医生绩效的医生推荐模型中,根据医生的历史评分数据,通过构建医生绩效指标体系对医生的线上服务质量进行测量,从而确定候选医生推荐集B;最后对三种推荐结果进行合并,计算医生的综合得分,确定最终医生推荐集。同时,为了模型应用的清晰性与完整性,本文构建了基于组合条件的个性化医生推荐模型架构,并采集“好大夫在线”真实数据进行模型验证。实验结果表明,模型具有良好的应用可行性和较好的推荐效果。