随着人们生活质量的提高,人们逐渐认识到理财的重要性,越来越多的人不再传统的将钱存入银行机构,而是去购买基金,股票等理财产品。截至2017年末,国内基金的规模已经超过10万亿,上市的基金管理公司达到100多家。对于投资者而言,自然会去选择使得他们获得投资收益最好的基金公司,而对基金公司而言,则是面临着如何更有效率地为人们提供投资推荐的问题。正确评估企业的投资价值是基金管理公司为人们提供合理的投资决策的基础。而基金管理公司在进行企业价值评测时,常常面临着无法获取充足的企业指标数据的问题。当下对于该问题的解决方法有很多种,个性化推荐技术就是其一。协同过滤算法是推荐技术中最为广泛使用的方法之一。协同过滤的基本思想是根据用户对项目的历史评分数据预测用户的兴趣从而实现个性化推荐。但是直接使用传统的协同过滤算法并不能准确预测出企业的缺失指标值,从而无法帮助基金管理公司进行合理的上市企业的推荐。针对以上问题,本文提出了一种基于改进的协同过滤算法来进行上市企业推荐的方法。本文的主要研究工作如下:(1)针对传统的协同过滤算法在数据稀疏时的情况下预测结果不理想的问题,本文提出了基于隐藏关系的协同过滤算法。首先,根据用户的共同评分信息构建用户间的隐藏关系,通过该隐藏关系发现用户间潜在的联系。然后将该隐藏关系与皮尔逊相关系数法相结合,改善皮尔逊相关系数在高维稀疏矩阵时的相似度计算结果不理想的问题。(2)针对传统的协同过滤算法面对新用户问题时的预测结果不理想的问题,本文提出了基于相似性局部填充的协同过滤算法。首先,采用基于项目的协同过滤算法来初步预测新用户的可能评分并对新用户进行局部填充,然后,基于填充后的评分矩阵再使用基于用户的协同过滤算法实现推荐。(3)本文通过网络爬虫的方式抓取wind网站上多个上市企业公开发布的指标数据,并提出了数据对数化方法来缓解极值问题,最后使用本文提出的改进的协同过滤算法来解决基金公司没有充足的指标数据而无法准确评价上市公司经营状况的问题,从而帮助基金管理公司实现对上市公司的推荐。