随着互联网技术的飞速发展,互联网金融对于传统金融市场的冲击也越来越猛烈,传统金融机构在产品营销方面面临的压力也是与日俱增,如何进行个性化营销成了亟需解决的问题。目前针对个性化推荐,金融机构使用的模型方法还较为简单,较传统营销方式效果提升不明显,故本文基于金融业务,提出了一套推荐方法,该方法能够很好地捕捉到用户的真实喜好,从而做到个性化推荐。它通过利用用户的历史购买记录,生成金融理财产品的向量表示与用户的向量表示,然后利用产品向量与用户向量的余弦相似度进行k近邻搜索完成快速召回,之后对召回的产品进行打分排序,将得分最高的N个产品推荐给用户。该方法由两个模型组成:召回模型与排序模型。召回阶段,基于业务场景,将用户的购买记录转化为拓扑图,创造性地设置风险因子捕捉产品之间的关系,同时基于SR-GNN模型引入产品的辅助信息,对图上节点学习其向量表达形式,使得向量表达可以包含更多的内容,之后将用户的历史购买情况的向量表达视为用户的向量表示,完成快速召回,将召回的产品输入至排序模型。排序阶段,引入自注意力机制,捕捉用户的购买偏好,同时利用用户画像以及目标产品画像的信息,来预测用户会不会购买目标产品,从而为每个用户对召回的候选产品打分,向用户推荐得分最高的N个产品。这套流程,权衡了训练开销与模型效果,同时召回阶段的词嵌入训练模型也一定程度上缓解了新产品的冷启动问题,对新物品依旧可以直接进行训练,具备了较强的落地能力。同时本文也通过实验比较,证明了该方法的有效性。这种方法可以深挖用户的真正需求,把握住用户偏好的变化情况,从用户的角度精准定位可续的需求,进行有针对性的推荐。该推荐系统的搭建应该可以给予金融机构一些参考。