现如今,推荐系统无论是在电子商务还是在社交网络都占据着举足轻重的位置.而传统的以银行为代表的金融机构在个性化推荐方面的应用,较之于互联网行业略有不足.本文根据基于机器学习方法的隐语义模型,并结合用户的特征,生成一种融合用户特征的改进隐语义模型,并对金融产品进行推荐.在解决冷启动问题时,可以通过用户的人口统计学特征给新用户进行产品推荐.该方法计算用户的特征关于物品的兴趣度,将所有特征关于物品的兴趣度进行累积,从而得到用户关于物品的兴趣度.而隐语义模型（Latent Factor Model,LFM）是通过将物品分类,计算用户关于类的兴趣度_,6),和物品关于类的权重₄,6)),将二者相乘得到用户关于物品的兴趣度.两种推荐方法的结合点正是用户关于物品的兴趣度.本文将基于用户特征计算出来的用户关于物品的兴趣度与LFM计算出来的兴趣度进行线性组合,二者的权重则利用用户的活跃度进行衡量.利用训练出的模型对目标用户兴趣度较高的前个物品进行推荐（TopN）.通过在Movielens数据集和银行理财产品数据集上的实验测试,融合用户特征的改进隐语义模型在样本量较少和应对用户冷启动问题时,具有更好的推荐性能.