الگوریتمهای پیشنهاد دهنده برای مدیریت هزینهها و پیشنهادهای پرداخت شخصی سازی شده

این پژوهش به طراحی یک سیستم پیشنهاددهنده شخصی سازی شده برای کاربران کارت اعتباری می پردازد با تحلیل داده های مالی ۸۹۵۰ کاربر و مهندسی ویژگی های رفتاری. ابتدا با استفاده از تحلیل مولفه های اصلی (PCA) و الگوریتم K-Means خوشه بندی انجام شد. بهترین ساختار با دو خوشه و امتیاز Silhouette معادل ۰۳۴۱۶ و شاخص Davies-Bouldin برابر با ۱.۲۹ حاصل شد. مدل DBSCAN به دلیل Silhouette منفی و نرخ نویز ۱۰.۱۷ عملکرد ضعیف تری داشت. سپس با استفاده از ترکیب فیلترینگ مشارکتی و قواعد رفتاری هر خوشه، سیستم توصیه گری توسعه یافت که برای هر کاربر گزینه های پرداخت متناسب پیشنهاد می دهد. ارزیابی مدل با ۲@Precision و ۲@Recall معادل ۱۰۰۰ و خطای MAE در سطح ۱۰-۱۶، دقت و کارایی بالای آن را تایید می کند. این چارچوب رویکردی داده محور و تفسیرپذیر برای ارتقاء سواد مالی کاربران و بهینه سازی رفتارهای پرداختی ارائه می دهد.

کلیدواژه ها:

خوشه بندی ، سیستم پیشنهاددهنده ، فیلترینگ مشارکتی ، مدیریت مالی شخصی