受益于互联网技术的发展和用户行为观念的改变,互联网金融成为经济生活的新热点。互联网金融蓬勃发展的同时,也因理财产品的多样化,给投资者带来了不知如何挑选适合自己理财产品的困扰。进行个性化推荐是解决此问题最有效的方法之一。目前,基于机器学习的推荐算法较广泛的应用于电子商务平台,以及音乐、视频和新闻的个性化推荐。但在理财产品领域还未被广泛研究。因而,利用机器学习进行高效的理财产品推荐对每一位投资者和经营商都具有重大意义。针对上述问题,本课题主要研究理财产品的推荐算法。数据为某金融APP里的理财产品和用户行为信息。理财产品为现有的直销银行旗下的产品,主要包括银行发行的理财和基金公司发行的基金类(货币基金和纯债基金)产品。将推荐分为召回和排序两个部分。召回部分主要采用了两种方法。一是针对传统的协同过滤存在没有考虑时间因子的问题,根据理财产品的自身生命周期和用户对理财产品的兴趣变化,拟合时间衰减函数,并将其加入到协同过滤算法中,使得推荐结果体现时间效应。二是提出改进的随机游走图模式推荐算法,为游走加入权重,减少了随机游走的算法中存在的个性化程度不高和推荐结果冷门产品占比较高的现象出现。对于理财产品推荐的准确率和召回率都有了一定的提升。最后,加入重排序阶段,增大召回结果,并对其进行重排序,借助机器学习的方法,使用XGBoost模型来综合多方面的因子进行排序。更深层地挖掘用户的行为,更全面地了解到用户偏好。实验证明,重排序可以更好地满足用户的需求,更准确地预测用户的点击概率,提升推荐效果。