由于互联网、大数据分析、人工智能等技术高速发展,各行各业的数据信息量呈现出直线增长态势,而医学资源作为海量互联网信息中的关键一员也出现“爆炸式”的增长速度,使得用户和使用者难以在海量的医疗信息中快速地找到自己所需要的指导和引导信息,这也是“信息爆炸”和“信息过载”的网络医学中所显示出的最大劣势。基于上述所发现的问题,本研究以大夫、药物、患者为重点研究对象,以大数据分析-信息咨询-知识管理为主线,从医生建议、医疗辅助、患者问答等一系列问题出发,综合使用了大数据挖掘、机器学习和人工智能等理论,构建了医生合作关系网络图,并提出了基于聚类的医生合作关系社区发现算法,建立了基于疾病信息的知识图谱,设计了基于医学知识图谱的智能问答,通过发掘医生合作内部的关联关系,从而更好地服务和引导医师内部的医生协作,辅助医师更高效精确地处理病人的医疗上的问题,运用知识图谱技术高效整理海量的医疗信息,建立交互式智能医学问答系统用于辅助用户完成初步自诊,目标是为了提高医疗保健服务质量,合理配置和利用医学网络资源,在一定程度上缓减医务人员的治疗压力,进一步提高医疗服务与品质。因此本文的研究重点是利用大数据挖掘和机器学习等算法深度发掘有关病情、用药、病人以及专家等医疗信息,以医生为研究对象,首先建立医生合作关系网,通过聚类的社区发现算法对形成的医生合作关系的复杂网络进行社区划分,然后对处于同一集合中的医生构建医疗小组,并根据其所划分的社区进行医生专家推荐。其次是通过疾病数据来构建知识图谱,最后建立交互式智能医疗问答系统用于辅助患者进行初步的自诊。本文首先通过网络爬虫技术从多源的医疗信息平台中获取医疗信息,并将不同医疗平台中获取的医疗信息内容进行校验、融合和整理,然后利用并查集算法整合数据,建立了基于原始的医生合作关系网络。提出了并行化的Louvain算法,接下来是从并行Louvain算法、Louvain算法、GN算法和谱聚类等四种聚类方法选出最适合的社区发现算法的策略,将原始网络划分成若干子社区,子社区内的医生间关联程度更高。使用Gephi可视化软件将医生合作关系网络可视化,并把子社区中度值最大的医生标记出来,作为患者所需的推荐医生。其次是对获得医疗数据进行知识抽取、知识融合以及知识存储等步骤构建医疗知识图谱。然后针对用户提出的自然语言组成的问题通过采用Aho-Corasick自动机算法来抽取用户问题中的实体,利用基于特征词的分类方法对用户问题的意图进行分类,将实体和意图解析成Cypher语句,在医疗知识图谱中进行知识寻找,并反馈答案给患者。