随着科技与金融行业的不断发展,基于互联网的金融产品数量和种类飞速增长,给用户带来便捷的同时,产品的质量和信用参差不齐,用户需要花费大量时间和精力寻得适合自己需求的产品。面对海量的产品信息,传统的搜索已经不能满足用户的个性化需求,推进系统在这个背景下应时而生。推荐系统通过分析用户自己上传的个人信息以及其行为日志,捕获用户的偏好数据,进而向用户推荐可能感兴趣的物品。目前针对互联网金融产品推荐领域使用最广泛的方法是协同过滤算法,即通过用户对产品的购买或关注等行为信息,计算出产品矩阵中的空缺元素,向用户推荐未关注但可能感兴趣的产品。金融产品的特殊性在于其属性值(如七日年化收益率、每万份收益等)会随着时间变化,购买者的选择也会考虑时下符合自己需求的产品。由此可见时序因素在金融产品推荐中的重要性不可忽视。传统的推荐算法无法获取用户对产品兴趣的变化和产品本身特征随着时间的改变,即推荐时缺少时序因素。同时对于大多数推荐算法来说,冷启动问题依旧是挑战,在金融产品推荐领域,若对新用户的推荐准确率过低,会直接影响用户满意度与新用户留存率。因此,面对所有用户提升推荐算法性能的同时,需要着重考虑优化新用户冷启动问题。本课题针对上述两个问题进行了研究。对于金融产品推荐依赖时序因素的问题,利用深度学习中Transformer框架在处理时间序列上的优势,提出一种基于Transformer的推荐算法R-Transformer:采用2个R-transformer网络分别挖掘用户和金融产品基于时间序列的评分,再将用户评分向量和金融产品评分向量的内积作为最终评分,该方法可以有效解决时序因素在推荐过程中缺失的问题,通过实验结果验证该推荐算法的准确率和召回率较传统推荐算法有所提升。对于优化新用户冷启动问题,提出一种重排序阶段的新用户优化算法,计算出每个产品的偏好用户特征,再根据新用户特征对召回阶段生成的推荐列表进行重新排序,再将TOPN的产品作为最终推荐结果。通过实验结果分析该算法可以提高新用户推荐的准确率,从而提高新用户的信任度。