Журнал «Доклады Томского государственного университета систем управления и радиоэлектроники» / Архив / Выпуск журнала № 1, т. 29 за 2026 год / Экспериментальная оценка самообучающейся рекомендательной системы для банковского сектора

Экспериментальная оценка самообучающейся рекомендательной системы для банковского сектора

DOI: 10.21293/1818-0442-2026-29-1-160-165

Скачать текст статьи в формате PDF

Скачать JATS xml

Аннотация: Актуальность. В банковском секторе персонализированные рекомендации должны быть точными, устойчивыми к изменению поведения клиентов и безопасными с учетом финансовых рисков. Особую значимость имеет проверка таких систем в условиях макроэкономических шоков, когда стандартные модели быстро теряют качество. Цель исследования. Оценить эффективность прототипа самообучающейся рекомендательной системы для банковских продуктов, объединяющей обучение с подкреплением, учет макроэкономического контекста и фильтрацию аномальных событий. Методы. Применены экспериментальное моделирование, сравнительный анализ с базовыми алгоритмами, кластеризация клиентов методом k-средних, глубокое Q-обучение, лес изоляции для выявления аномалий, а также статистическая оценка метрик P@5, NDCG@5, конверсии, F1-меры и задержки формирования рекомендаций. Научная новизна. Предложен комплексный подход к построению банковской рекомендательной системы, в котором адаптивная политика рекомендаций дополнена механизмами учета макроэкономических режимов и предварительного выявления аномалий. Результаты. В рамках синтетического эксперимента показано, что разработанный прототип превосходит базовые модели: P@5 составила 0,623, NDCG@5 – 0,712, конверсия в стабильном режиме достигла 82%, а снижение эффективности в кризисном режиме ограничилось 7%. Модуль аномалий обеспечил F1-меру не ниже 0,86, средняя задержка рекомендации составила 23 мс. Практическая значимость. Результаты могут быть использованы при проектировании банковских систем персонализации, выборе архитектуры рекомендательных сервисов, оценке их устойчивости и внедрении механизмов риск-контроля в цифровые каналы обслуживания клиентов.

Ключевые слова: рекомендательные системы, глубокое обучение с подкреплением, банковский сектор, персонализация, макроэкономические сценарии, детекция аномалий, метрики качества

Библиография статьи:
Аскеров З. Х. Экспериментальная оценка самообучающейся рекомендательной системы для банковского сектора / З. Х. Аскеров // Доклады Томского государственного университета систем управления и радиоэлектроники. – 2026. – Т. 29, № 1. – С. 160–165. DOI: 10.21293/1818-0442-2026-29-1-160-165

Авторы и правообладатели:

Аскеров З. Х. , Национального исследовательского ядерного, университета «МИФИ» (НИЯУ МИФИ), Каширское шоссе, 31, г. Москва, Россия

1. Gigli A. Recommender systems for banking and financial services / A. Gigli, F. Lillo, D. Regoli // Poster Track of the 11th ACM Conference on Recommender Systems (RecSys 2017). – Como, Italy: CEUR-WS.org, 2017. – P. 315–316.
2. Oyebode O. A hybrid recommendation system for the financial service sector / O. Oyebode, R. Orji // Journal of Banking and Financial Technology. – 2020. – Vol. 4. – P. 17–32.
3. Sharaf M. A survey on recommendation systems for financial services / M. Sharaf, E.E.D. Hemdan, A. El-Sayed, N.A. El-Bahnasawy // Multimedia Tools and Applications. – 2022. – Vol. 81, No. 12. – P. 13617–13642.
4. Vaquero-Patricio C. Recommenders in Banking: An End-to-End Personalization Pipeline within ING / C. Vaquero-Patricio, N. van Ommeren, S. Gil-Begue // Proceedings of the 15th ACM Conference on Recommender Systems (RecSys 2021). – Amsterdam, Netherlands: ACM, 2021. – P. 587–589. DOI: 10.1145/3460231.3474612.
5. Afsar M.M. Reinforcement learning based recommender systems: A survey / M.M. Afsar, T. Crump, B. Far // ACM Computing Surveys. – 2021. – Vol. 54, No. 3. – Article 42. – P. 1–38.
6. Chen M. Top-K off-policy correction for a REINFORCE recommender system / M. Chen, A. Beutel, P. Covington, S. Jain, F. Belletti, E. Chi // Proceedings of the 12th ACM International Conference on Web Search and Data Mining (WSDM 2019). – Melbourne, VIC, Australia: ACM, 2019. – P. 456–464. DOI: 10.1145/3289600.3290999.
7. Mnih V. Human-level control through deep reinforcement learning / V. Mnih, K. Kavukcuoglu, D. Silver et al. // Nature. – 2015. – Vol. 518, No. 7540. – P. 529–533.
8. Wang Z. Dueling Network Architectures for Deep Reinforcement Learning / Z. Wang, T. Schaul, M. Hessel et al. // Proceedings of the 33rd International Conference on Machine Learning (ICML 2016). – New York, NY, USA: PMLR, 2016. – P. 1995–2003.
9. Кутянин А.Р. Рекомендательные системы: обзор основных постановок и результатов / А.Р. Кутянин // Интеллектуальные системы. Теория и приложения. – 2017. – Т. 21, № 4. – С. 18–30.
10. Меньшикова Н.В. Обзор рекомендательных систем и возможностей учета контекста при формировании индивидуальных рекомендаций / Н.В. Меньшикова, И.В. Портнов, И.Е. Николаев // Academy. – 2016. – № 6 (9). – С. 20–22.
11. Павлов Д.А. Универсальная рекомендательная система банковских продуктов на основе гибридного подхода / Д.А. Павлов, О.С. Косюга // Научные труды КубГТУ. – 2022. – № 1. – С. 88–97.
12. Аркадьева О.Г. Модели машинного обучения как инструмент обнаружения подозрительных банковских транзакций / О.Г. Аркадьева, А.В. Петров // Вестник Сургутского государственного университета. – 2025. – Т. 13, № 3. – С. 8–21. DOI 10.35266/2949-3455-2025-3-1.
13. Koren Y. Matrix factorization techniques for recommender systems / Y. Koren, R. Bell, C. Volinsky // IEEE Computer. – 2009. – Vol. 42, No. 8. – P. 30–37.
14. Rendle S. BPR: Bayesian Personalized Ranking from Implicit Feedback / S. Rendle, C. Freudenthaler, Z. Gantner, L. Schmidt-Thieme // Proceedings of the 25th Conference on Uncertainty in Artificial Intelligence (UAI 2009). – Montreal, QC, Canada: AUAI Press, 2009. – P. 452–461.
15. Järvelin K. Cumulated gain-based evaluation of IR techniques / K. Järvelin, J. Kekäläinen // ACM Transactions on Information Systems. – 2002. – Vol. 20, No. 4. – P. 422–446.
16. Liu F.T. Isolation Forest / F.T. Liu, K.M. Ting, Z.-H. Zhou // Proceedings of the 8th IEEE International Conference on Data Mining (ICDM 2008). – Pisa, Italy: IEEE, 2008. – P. 413–422. DOI: 10.1109/ICDM.2008.17.
17. Hariri S. Extended Isolation Forest / S. Hariri, M. Carrasco Kind, R.J. Brunner // IEEE Transactions on Knowledge and Data Engineering. – 2021. – Vol. 33, No. 4. – P. 1479–1489.
18. Pang G. Deep learning for anomaly detection: A review / G. Pang, C. Shen, L. Cao, A. van den Hengel // ACM Computing Surveys. – 2021. – Vol. 54, No. 2. – P. 1–38.
19. Hilal W. Financial fraud: A review of anomaly detection techniques and recent advances / W. Hilal, S.A. Gadsden, J. Yawney // Expert Systems with Applications. – 2022. – Vol. 193. – Article 116429.
20. Bifet A. Learning from time-changing data with adaptive windowing / A. Bifet, R. Gavaldà // Proceedings of the 7th SIAM International Conference on Data Mining (SDM 2007). – Minneapolis, MN, USA: SIAM, 2007. – P. 443–448. DOI: 10.1137/1.9781611972771.42.
21. Lu J. Learning under concept drift: A review / J. Lu, A. Liu, F. Dong, J. Gama, G. Zhang // IEEE Transactions on Knowledge and Data Engineering. – 2019. – Vol. 31, № 12. – P. 2346–2363.
22. Hoi S.C.H. Online learning: A comprehensive survey / S.C.H. Hoi, D. Sahoo, J. Lu, P. Zhao // Neurocomputing. – 2021. – Vol. 459. – P. 249–289.
23. Raab C. Reactive and self-adjusting sliding windows for efficient event stream processing with general delay distributions / C. Raab, B. Ziebart, M. Kellermeier, S. Schelter // Neurocomputing. – 2020. – Vol. 416. – P. 340–351.
24. De Lange M. A continual learning survey: Defying forgetting in classification tasks / M. De Lange, R. Aljundi, M. Masana et al. // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2022. – Vol. 44, No. 7. – P. 3366–3385.
25. Bank of England; Financial Conduct Authority. Machine learning in UK financial services: report. – October 2022. – URL: https://www.bankofengland.co.uk/report/2022/machine-learning-in-uk-financial-services (дата обращения: 26.02.2026).
26. Nystrup P. Detecting change points in finance: A mid-2020 review / P. Nystrup, E. Lindström, T. Christiansen, H. Madsen, A. Engsø // Expert Systems with Applications. – 2022. – Vol. 77, No. 1. – P. 5–47.
27. Fortunato M. Noisy Networks for Exploration / M. Fortunato, M.G. Azar, B. Piot et al. // Proceedings of the International Conference on Learning Representations (ICLR 2018). – Vancouver, BC, Canada: OpenReview.net, 2018. – 13 p. – URL: https://openreview.net/forum?id=rywHCPkAW (дата обращения: 26.02.2026).

Рукописи статей направлять на адрес редакции: journal@tusur.ru

Последний выпуск

Доклады ТУСУР – выпуск № 1, т. 29 2026г.

Доклады ТУСУР
№ 1, т. 29, 2026

Адрес редакции

634050, г. Томск, пр. Ленина, 40, МК, каб. 310/2

(3822) 701-582, внутр.: 1456

journal@tusur.ru

Подписка на обновления

Оформить подписку на получение обновлений журнала