2026年3月15日，北京中医药大学管理学院郭凤英副教授课题组在Decision Support Systems杂志上发表了题为“A novel approach for recommending doctors in online health communities based on the coordination of deep learning and reinforcement learning”的学术论文。该论文提出了一种基于深度学习和强化学习协同的在线医疗社区医生推荐方法。管理学院人工智能与大数据教研室讲师赵步天为文章第一作者，大数据管理与应用专业大三本科生张雪皓、陈民瑜分任第二、第三作者，郭凤英副教授为通讯作者；管理学院人工智能与大数据教研室王若佳副教授、中医学院田甜副教授、东直门医院闫占峰教授等共同参与了本研究工作。。
在线医疗社区近年来成为患者获取医疗信息和咨询医生的重要渠道，但如何在海量医生资源中实现高效、精准的医生推荐，仍然是智能医疗领域的重要研究问题。针对现有研究在标签有效性、推荐目标稀疏性和问诊文本的特殊性等方面存在的问题，研究团队提出了一种融合深度学习与强化学习的两阶段医生推荐新方法。该方法通过一个具有疑问句注意力机制的深度神经网络，将患者提出的问题转化为特殊的特征向量，进而映射到一个适合的科室，随后基于深度强化学习模型，结合医生的相关信息，为患者在科室内分配一个能有效回答其问题同时也能最大化其满意度的医生。
首先，基于深度学习的分诊模型对患者咨询文本进行专业化语义表征，将其精准分配至对应临床科室，从而有效缩小候选医生范围；其次，基于深度 Q 网络（Deep Q-Network, DQN）的推荐模型以医患匹配信息为依据优化奖励函数，最终推荐既契合患者临床诊疗需求、又符合其主观满意度的医生人选。在两个真实在线医疗社区数据集上，与当前最优基线方法的对比实验结果表明：所提分诊模型在准确率指标上平均提升 7.43 个百分点，在 F1 值指标上平均提升 10.30 个百分点；推荐模型则实现了平均奖励 38.70% 的相对提升与平均用户选择率 6.94 个百分点的增益。消融实验进一步验证了模型各核心组件的有效性。本研究提出的 “分诊 + 推荐” 范式显著提升了在线医疗社区场景下的医患匹配效能。
《Decision Support Systems》是由Elsevier出版社发行的学术期刊，主要集中在决策理论、计算机支持的协同工作、管理科学等领域，主要刊载与支持增强决策的理论和技术问题相关的研究成果，为中科院“计算机：人工智能”类1区TOP期刊、ABS高质量学术期刊指南3星期刊，影响因子6.8。
（管理学院/撰稿：陈民瑜 赵步天/审核：郭凤英 李蔓荻）