随着信息技术的发展,以好大夫在线、丁香医生、微医为代表的在线医疗平台越来越受到人们的青睐和关注。在线医疗中的问答社区因其专业性和便利性,已经成为患者求医的一大途径。随着使用在线医疗问答社区的患者日渐增多,产生的问题也相应增多,同时医生因时间、精力、专业等限制导致可回答的问题有限。因而,如何充分利用已有数据提高医患匹配,成为了当前的一大研究热点。本文以在线医疗问答社区为研究对象,从患者和医生的双边角度出发,对医患匹配问题展开研究,主要研究内容如下:首先,针对患者端的个人偏好学习问题,本文考虑了患者同时具有显性偏好和隐形偏好,并针对不同形式的偏好给出不同的刻画方式。针对显性偏好,引入前景理论将区间偏好转化为方便量化的满意度指标。针对隐形偏好,改进加权时间函数计算时间权重,再基于时间权重来计算满意度。在多特征进行融合时,针对特征之间的优先级关系,引入POWA算子进行融合。其次,针对医生端的专业能力学习问题,本文将医生回答问题的专业能力分为医生-专业分布和专业-问题分布两块。在医生-专业分布中,利用医疗关系构建超图网络,然后基于谱聚类进行超图分割,求出医生在每个专业知识点下的隶属度,即医生-专业分布。在专业-问题分布部分,本文用代表性问题来代表专业知识点。从超图中的医生顶点和标签顶点两个角度学习代表性问题,待匹配问题和代表性问题之间的相似度为专业-问题分布。最后,针对匹配模型的构建问题,以患者和医生总体满意度最大化为目标函数,以医生的精力限制和一个问题被多位医生回答为约束条件。考虑到多阶段中,参加匹配的患者、医生及医生的精力状况等不断变化,建立了动态匹配模型。在模型求解中,考虑医生端的目标函数具有更高的优先级,因此引入约束法进行求解,最终获得匹配结果。本文提出的模型不仅为医患匹配提供新的解决思路,有利于提高患者和医生双边满意度,还能保证在线医疗问答社区中医生回答质量,节约患者等待时间,在一定程度上缓解当前紧张的医患关系。针对在线医疗问答社区中医患匹配决策问题,本文提出的方法能为相关研究提供理论层面和实际应用层面的借鉴和参考。