随着在线医疗服务平台的发展,积累了大量的电子健康记录,使得患者可以从丰富的医疗信息资源中获得更好的医疗服务。然而,患者很难从复杂的信息资源中找到最适合医治自己疾病的医生。这些医疗数据中存在许多无法察觉但是又十分重要的联系,所以发现数据中内部关联对于疾病预测及医生推荐问题具有一定的研究价值。有效分析和挖掘电子健康记录对患者及时、准确获得治疗也具有重要意义。传统的医疗诊断方式往往凭借医生的专业知识和实践经验,所以“治疗好或不好一种疾病很可能是由一个好或坏的医生引起的,而一个好或坏的医生在病人中就有高或低的评价”。就患者而言,最适合的医生实际上是要预测医生对病人所患疾病的准确表现,所以利用患者的评价信息来为患者推荐最适合特定疾病的医生是合理的。近年来深度学习技术作为大数据时代的一种数据建模方法已成为研究热点,在各个领域的应用中都产生了深远影响。本文提出了一种基于深度学习的方法Doc Inf,它能够为一个特定的疾病寻找最有效的医生。本文主要利用患者对医生治疗效果的评价数据构建一个医生-疾病异构信息网络,通过嵌入特征得到医生的特征表示,探索疾病与医生之间的潜在联系。为了获得更加细微抽象的医生和疾病特征,本文使用自动编码器来学习网络的嵌入式表示,以无监督的方式构造潜在特征表示。在此基础上,本文通过将学习到的潜在特征输入到极端梯度增强（XGBoost）算法中,来预测医生对特定疾病的经验得分,分数越高,医生的表现越好。本文评估了基于移动医疗服务平台（Guahao.COM）的数据集来验证Doc Inf方法的有效性。实验结果表明,与其他算法相比,本文提出的Doc Inf方法具有良好的性能,能够有效地预测医生对特定疾病的医生经验得分,为患者推荐更适合自己的医生。