随着债券市场的不断发展和完善,近年来企业有更强烈的意愿通过发行债券实现融资需求。银行等金融机构亦可通过承销债券的发行实现自身发展,但在债券营销过程中存在承销对象局限性大等问题。因此面向银行等金融机构,开展债券推荐研究将帮助其以较少的工作量发现商机,实现债券承销业务的发展。在债券推荐问题中,涉及到多种复杂关系,不仅和历史发行类型相关,同时和行业、评级等存在复杂的关系,还和企业财务特征存在联系。在推荐领域中被广泛应用的协同过滤等算法仅关注用户和物品间的关系,因此对于复杂场景下的推荐问题难以产生较好的推荐效果。另外基于异构信息网络(Heterogeneous Information Network,HIN)的推荐,基于节点间的复杂关系挖掘潜在的信息,但该方法没有把应用领域的约束条件纳入模型,也没有考虑网络中节点自身的特征。通常,这些节点特征对推荐结果也有很重要的影响。针对具有复杂关系的推荐问题,本文将充分利用节点间的复杂关系以及节点自身特征实现更加有效的推荐。在金融场景下,本文提出了基于HIN特征表示和财务数据聚类的债券推荐研究。该模型包含三部分,一是基于异构信息网络特征表示的推荐模型,该模型基于各节点间的复杂关系实现推荐,并且针对具有背景约束问题,提出了基于元路径的约束游走方法。二是基于财务面板数据聚类的推荐模型,该模型基于企业节点的经营状况特征实现推荐,并且改进了数据转换公式,最大化利用了有限数据。三是基于一定规则实现了复杂关系和节点特征对应模型的有效融合。另外提出了基于用户反馈的增量训练方法以及基于行业信息的企业冷启动方法。在真实的债券发行数据和企业经营财务数据上的实验证实了本文所提模型的推荐效果优于基于专家规则及协同过滤算法的推荐模型。另外提出的基于用户反馈的增量训练方法使推荐效果得到了进一步提升,并且证明了企业冷启动方法的有效性。