近年来,人工智能发展迅速,应用领域越来越广泛。在人工智能的众多应用领域中,金融领域是人们关注的焦点之一,因此人工智能与金融相结合衍生的交叉学科-智慧金融得以迅速发展。智慧金融研究方向众多,其中如何通过人工智能技术给予投资者个性化的金融服务凭借其广阔的应用前景脱颖而出成为大家研究的热点。如今的市场上个性化金融服务种类繁多,其中如何选择股票是投资者尤其是新手投资者在投资时最为关心的一项。基于以上背景,本文提出研究的重点:如何从投资者的投资行为出发提取投资者特征进而为投资者提供个性化的股票选择建议。针对提出的研究重点,本文开展如下研究。首先是投资者画像构建方法研究以及投资者群体关系挖掘方法研究。在投资者画像构建方面,本文从投资者基础信息、投资者能力评价、投资结果分析、投资者个性偏好四个维度进行投资者特征捕捉,构建投资者画像标签体系。在投资者画像标签体系的基础上进行投资者画像的构建。在投资者群体关系挖掘方面,本文主要针对传统遗传聚类算法GA-Cluster无法对离散型数据与连续型数据混合的基因进行编码的问题对其进行改进,得到优化的遗传聚类算法OGACluster。本文将OGA-Cluster应用于投资者画像聚类场景进行群体关系挖掘。对比实验的结果说明,提出的OGA-Cluster算法在基于投资者画像的聚类场景下比其他聚类算法效果更好。最后是基于投资者画像和图嵌入理论的个性化推荐方法研究。本文在前面工作的基础上提出一种个性化股票推荐模型SR-GIP,SR-GIP由三部分组成,第一部分是基于LSTM模型对股票未来价格进行预测,本文通过这个模块来保证推荐股票质量,筛选过滤掉可能会跌的股票;第二部分是对传统图嵌入模型进行改进得到的GEEI模型,GEEI模型通过引入股票多维额外信息解决冷启动问题,并通过构建揉合了投资者画像标签的投资者长短期兴趣向量表示（LSTIE）来获取初始推荐集合;第三部分是根据投资者画像进行相似度计算,从相似投资者的持仓集合中选取股票进行集合填充,获取最终的股票推荐集合。实验结果表明本文构建的SR-GIP模型在推荐的精确度、召回率上相较于其他推荐模型有所提升,股票推荐的质量也可以得到保证。