临床诊疗决策支持是医学人工智能研究的核心内容。中医是我国独具优势和特色的传统医学体系,以四诊信息(主要包括症状与体征等信息)为依据,进行个体化诊疗是其主要临床模式。因此,中医人工智能研究的核心任务之一是实现以症状体征为输入,处方信息为输出的临床处方决策支持技术和方法。鉴于中医临床处方的复杂性和个体性,临床处方的决策支持技术研究一直是未能有效解决的研究难题。随着大量以电子病历信息为主要载体的临床数据积累,基于大规模临床数据,结合当前的机器学习和信息推荐方法进行个体化处方推荐成为可能。本文基于较大规模的中医临床病历数据,结合信息推荐和表示学习等方法,开展了中医临床处方推荐方法及系统研究,主要工作包括以下几个方面:(1)利用脱敏后的11379例中医临床病历数据,进行基于正则表达式的数据预处理,对现病史中的症状进行批量结构化解析,形成了具有较高质量的临床处方推荐数据集,该数据集包含11379条现病史,11247副处方和463味中药等主要信息,为开展中医临床处方信息推荐方法研究提供了重要数据基础。(2)针对处方推荐中需要利用症状集和处方信息等问题,构建了包含症状集和处方的异质网络,在此基础上,采用网络嵌入表示学习方法进行特征学习,并研制了基于类方分析和相似度的处方推荐算法。经实验分析表明,基于社团划分的处方推荐方法具有较好的处方推荐性能,实现了一定程度的个体化推荐效果。(3)面向临床数据预处理和中医处方推荐应用,本文设计并实现了中医临床处方推荐原型系统,该系统基于Flask框架和Neo4j的图数据库存储,实现了基于Web的临床数据检索、症状结构化处理及处方推荐等功能。