现阶段,随着国内肿瘤防治形式日趋严峻,肿瘤患者对肿瘤知识的需求愈发迫切,而在“信息过载”的冲击下,传统的信息检索手段已经无法满足用户需求。在这一背景下,肿瘤知识推荐系统的研究势在必行。肿瘤知识推荐系统能够帮助患者在海量医疗相关信息中,挖掘出需要的部分,有利于间接改善患者的生存质量。同时,肿瘤知识推荐系统还能为医患之间的沟通创造媒介,帮助医生通过调查问卷等形式了解患者的病情,进而促成良好的医患关系。冷启动问题是知识推荐系统开发中的一项重要挑战,在系统运行初期,这一问题尤为明显,从用户初次使用系统到能够生成准确的推荐结果往往需要漫长的过程。针对这一问题,本文提出了一种基于LSTM文本分类的冷启动问题解决策略,可以基于患者的住院病案首页和浏览行为,结合LSTM文本多分类算法,快速预测患者的知识偏好,向其推荐感兴趣的内容。首先,本文设计并实现了基于文本分类的冷启动问题初步解决策略,通过训练LSTM模型,实现了对肿瘤知识的疾病分类预测,并结合患者病案首页的ICD-10编码,完成了粗略的推荐,这一策略解决了系统的冷启动问题。然后,针对初步解决策略中的精度不足等问题,本文进一步融合了协同过滤算法,提出了优化后的冷启动问题解决策略,通过分析用户病案首页和浏览行为的相似性,预测用户对文章的评分,并将评分预测结果与LSTM模型的预测结果进行融合,形成最终的混合推荐结果。该策略不仅解决了肿瘤知识推荐的冷启动问题,并能够达到较高的推荐精度。基于以上策略,本文设计并实现了肿瘤知识推荐系统,系统能够采集用户的浏览时长、文章评分等信息,并上传到服务端,还存储了患者的住院病案首页信息,在用户完成病案首页关联后,可以根据用户的病案首页、浏览行为等,由算法服务器生成文章推荐列表,并通过微信公众号,定期向用户提供文章推送服务。