伴随着互联网技术日益进步和信息化时代的到来,数据量呈现出一种爆炸式的增长态势。用户不得不面对大量冗余和复杂的数据,很难轻松且方便地获取本人想要查找的信息,面临很多阻碍。推荐技术在这一背景下逐步产生并发展起来。作为推荐技术的核心,推荐算法已经在各个领域中得到了普遍的应用。基于协同过滤的推荐算法仍然存在着数据稀疏、冷启动和可扩展性三类问题。针对上述问题,本文以医疗系统为背景,借助医疗数据,开展了以下研究工作:由于非注册患者,通常不具有评论权限,系统无法获得非注册患者的用户评分矩阵。本文针对非注册患者的点击和收藏数据,提出了偏好评分矩阵的概念。并以此为基础,提出了一种非注册患者的医疗推荐算法。该算法首先给出了目标对象特征属性的形式化定义。其次,根据用户不同的行为,分别考虑每种行为下,用户对于不同目标对象的偏好程度,提出用户偏好评分矩阵的概念。然后,对于不同行为分别计算各自的相似度,再给予各自的权重来综合考量用户之间的相似度,进而实施聚类操作。最后,结合具有相似偏好的用户集合和其他用户对该对象的评分信息,预测评分,排序后推荐排在前列的对象。对于注册患者来说,传统方法往往借助用户评分矩阵进行推荐。然而并非所有的注册患者会对医生进行评价或者注册患者仅对少部分医生进行评价。因此,会产生用户评分矩阵为空或稀疏的情况。在此背景下,本文整合了点击、收藏和评论三种数据,提出了用户偏好属性矩阵的概念,与用户评分矩阵相结合,提出了一种注册患者的医疗推荐算法。该算法,首先需要对用户评分矩阵和用户偏好属性矩阵形式化定义。其次,计算这两个矩阵各自的相似度,给予各自的权重综合衡量用户之间的相似度。最后,预测未评分对象,给出推荐结果。针对两种算法,本文分别通过与现有的协同过滤算法进行对比和分析,证明了这两种算法相比现有算法,最终得到的推荐结果更加准确,更加贴合用户的偏好。