本文研究了一种新的医生推荐任务，使用医生的个人资料和上下文对话，结合多头自注意机制来自动地把一个患者与一个拥有相关专业知识的医生匹配起来，此方法在一个大规模的在线医疗论坛的实验中表现出卓越的效果，优于只考虑医生资料和过去对话的基线方案。

Mar, 2022

设计了一个基于患者和药物特征的全面药物推荐系统，将数据从多个数据库中整合为一个患者和药物信息的数据集，其中使用了人工智能模型、自然语言处理方法和推荐系统算法进行数据建模，通过药物相互作用、患者条件和药物特征生成了基于矩阵分解的模型，构建了基于规则的知识库系统。

Dec, 2022

本研究介绍了一种基于患者数据的新型患者聚类模型，利用约束低秩逼近的方法，结合患者的临床数据以及数字交互数据（包括浏览和搜索），构建患者个人资料。通过生成非负嵌入向量作为患者低维表示，我们的模型在真实世界的患者数据上进行了评估，综合考虑了聚类和推荐功能，与其他对照组相比，我们的方法在聚类一致性和推荐准确性方面表现出卓越性能。

Aug, 2023

该论文论述了在线约会存在信息过载的问题，使用协同过滤算法的推荐系统可以有效提高用户体验和商业价值。

Mar, 2007

本文提出了一种基于神经网络的数据驱动模型，可根据病人最近的临床记录自动推荐必要的诊断流程，以替代手动创建的临床清单，具有更高的准确性，可帮助卫生系统扩大对患者的及时初步医疗专科诊断工作。

Jul, 2020

该研究介绍并评估了一种基于个人偏好识别的推荐系统方法，即 Personality Diagnosis (PD)，它具有传统相似度加权技术的优点，并能提供有意义的概率解释，同时支持价值信息计算。

Jan, 2013

研究使用极端多标签分类方法解决医生推荐系统中的医疗转诊问题，并提出了一个统一的模型利用患者病历。相比使用相同特征的最先进推荐系统，该方法在有咨询历史的患者中稳定改善了标准推荐度量指标达约 10%。对于新患者，极端多标签分类方法在利用可用特征方面表现更好，在有利情况下胜过基准系统，特别是强调召回度量指标。因此，该研究方法使医生推荐系统更加有效和个性化，并将极端多标签分类方法作为一种有前途的替代选择，并指出使用该方法时需要考虑的关键方面。

Aug, 2023

采用基于内容的方法和 KNN 与余弦相似度算法，匹配用户意向和偏好筛选，推荐基于用户位置和价格的最相似的健康管理机构，提高尼日利亚医保参与率。

May, 2023

该论文提出了一种医生推荐系统，采用时间嵌入和异构图注意力网络，重建患者和医生之间的潜在连接，并基于最小化优化模型提出了联邦去中心化学习方法来解决患者数据共享的隐私问题。该基于图的推荐系统在 EHR 数据集上有效地提高了 AUC 达到 6.2％，联邦去中心化算法不仅能够实现虚拟融合中心的性能，而且具有 O（1/T）的收敛速率。

Jul, 2022

介绍了微软学术使用的大规模混合论文推荐系统的设计和方法论，并通过用户研究评估了生成的推荐结果的质量，发现需要进一步改进基于内容的推荐精度。

May, 2019