随着我国金融行业的日益活跃和科技的迅猛发展,各类金融产品（如基金、债券和股票等）的种类和数量逐渐增多,对于投资者而言,如何在以众多金融产品中快速、准确地找到自己需要的产品是一件非常重要且极具挑战的事情。对于拥有海量的用户信息和用户行为数据的证券公司而言,迫切需要充分利用和挖掘这些业务数据的价值,挖掘出用户的偏好,及时向用户推荐合适的金融产品,从而实现交易量和利润的增长。推荐系统可以有效地缓解上述信息过载问题。在此背景下,本文对推荐算法在金融投资领域的应用进行了大量的调研,提出将用户情感分析与用户投资行为相结合的推荐算法,通过对用户投资行为分析,结合用户的历史交易数据和用户评论信息,研究适用于金融产品的个性化推荐算法,设计并实现了一个完整的金融产品个性化推荐系统。本文具体研究内容如下:（1）本文提出了基于用户投资行为分析的推荐模型AE＿xDeepFFM,在xDeepFM子模型中引入了FFM模型,利用多头注意力机制对xDeepFM的网络结构进行优化改进,能够根据用户自然属性和历史行为记录,充分挖掘用户在系统上浏览、搜索、分享、收藏、购买等行为背后的隐式特征交互,捕捉用户动态兴趣变化,预测用户对给定金融产品的评分或偏好,同时为了缓解冷启动问题,对生成的推荐列表依据用户群体偏好分析进行重排序,得到最终的金融产品推荐列表。通过多组对比实验表明,本文所提出的AE＿xDeepFFM算法在各项算法评价指标上较传统推荐算法均有明显提升。（2）本文提出了基于用户评论的深度情感分析模型BERT-BiGRU,以预训练模型BERT作为教师模型,通过知识蒸馏的方式,将教师模型学习到的“知识”迁移至学生模型BiGRU中,实现对股评文本的自动情感分类。实验结果表明,本文提出BERT-BiGRU模型比BiGRU等模型具有更高的预测精度,同时引入BERT模型可以明显提升情感分析的精度。将得到的用户情感特征向量和第四章提取到的用户特征加权融合作为AE＿xDeepFM模型的输入,能够更好地挖掘用户真实的兴趣所在,实现高质量的推荐服务。（3）设计实现了基于AE＿xDeepFFM和BERT-BiGRU算法的金融产品推荐系统,介绍了推荐系统的总体架构以及推荐流程,详细说明了系统相关模块的实现原理,并重点介绍了离线分析和在线推荐的处理流程。经测试本系统功能完善,运行稳定,可以快速高效地对不同的用户进行金融产品推荐。