نظام ذكي للتصنيف الدلالي للنفقات الشخصية انطلاقًا من أوصاف المعاملات
DOI:
https://doi.org/10.36602/ijeit.v14i2.609الكلمات المفتاحية:
تحليل بيانات مالية، ذكاء اصطناعي، تصنيف نفقات، نموذج ذكي، معالجة نصوصالملخص
أدى النمو المتزايد في المعاملات الإلكترونية إلى زيادة الحاجة إلى أساليب ذكية لتحليل البيانات المالية الشخصية. تعتمد معظم أدوات إدارة النفقات على التصنيف اليدوي والعرض المرئي الأساسي، مما يوفر قيمة تحليلية محدودة. تقترح هذه الدراسة نظامًا ذكيًا قائمًا على الويب للتصنيف التلقائي للنفقات الشخصية انطلاقًا من أوصاف المعاملات غير المهيكلة باستخدام معالجة اللغة الطبيعية وتعلّم الآلة. يعتمد النظام على المعالجة المسبقة للنصوص، وتمثيلات الجمل الدلالية، والتصنيف الخاضع للإشراف باستخدام خوارزمية XGBoost. تُظهر النتائج التجريبية أن التمثيلات الدلالية تتفوق بشكل ملحوظ على الأساليب المعتمدة على TF-IDF، حيث حققت دقة بلغت 93.6% عند التعامل مع نصوص المعاملات المالية القصيرة. يدعم النظام المقترح تصنيف النفقات بدقة وعلى نطاق واسع، كما يتيح تحليلًا تجميعيًا للإنفاق يخدم ذكاء الأعمال ويوفر رؤى اقتصادية على مستوى القطاعات.
التنزيلات
المراجع
[1] Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. https://doi.org/10.1145/2939672.2939785
[2] Chen, J., Li, X., & Zhao, Y. (2024). Deep learning models for intelligent financial text classification. IEEE Access, 12, 45678–45690. https://doi.org/10.1109/ACCESS.2024.3365123
[3] Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, 16, 321–357. https://doi.org/10.1613/jair.953
[4] Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1), 108–116.
[5] Fernández, A., García, S., Herrera, F., & Chawla, N. V. (2018). SMOTE for learning from imbalanced data: Progress and challenges. Pattern Recognition, 61, 363–378. https://doi.org/10.1016/j.patcog.2016.08.003
[6] García-Méndez, S., López-García, P., & Ruiz-Martínez, A. (2024). Natural language processing techniques for bank transaction categorization. Knowledge-Based Systems, 292, 111671. https://doi.org/10.1016/j.knosys.2024.111671
[7] He, H., & Garcia, E. A. (2009). Learning from imbalanced data. IEEE Transactions on Knowledge and Data Engineering, 21(9), 1263–1284. https://doi.org/10.1109/TKDE.2008.239
[8] He, X., Zhang, J., & Wang, M. (2021). Learning user spending behavior for intelligent financial recommendation systems. Information Sciences, 570, 84–99. https://doi.org/10.1016/j.ins.2021.04.056
[9] Jeong, S., Kim, H., & Park, J. (2025). Transformer-based models for financial transaction understanding. ACM Transactions on Information Systems, 43(1), Article 7. https://doi.org/10.1145/3634129
[10] Joachims, T. (1998). Text categorization with support vector machines: Learning with many relevant features. Proceedings of the European Conference on Machine Learning (ECML), 137–142.
[11] Jørgensen, R. K. (2021). Machine learning for financial transaction classification using character-level word embeddings. Information Systems Audit and Control Journal, 6(2).
[12] Lei, Z., Zhang, H., & Chen, L. (2025). Semantic text representation for short financial transaction classification. Information Processing & Management, 62(1), 103109. https://doi.org/10.1016/j.ipm.2024.103109
[13] Maree, R., Fourie, J., & Eloff, J. H. P. (2020). Automated financial transaction classification using machine learning. South African Journal of Information Management, 22(1), a1196. https://doi.org/10.4102/sajim.v22i1.1196
[14] McCallum, A., & Nigam, K. (1998). A comparison of event models for Naive Bayes text classification. AAAI Workshop on Learning for Text Categorization.
[15] Oyewole, O. O., Adekunle, A. A., & Salami, R. A. (2024). Machine learning approaches for automated expense classification in financial systems. Expert Systems with Applications, 235, 121065. https://doi.org/10.1016/j.eswa.2023.121065
[16] Reimers, N., & Gurevych, I. (2019). Sentence-BERT: Sentence embeddings using Siamese BERT-networks. Proceedings of EMNLP-IJCNLP, 3982–3992. https://doi.org/10.18653/v1/D19-1410
[17] Ta, V. T., Liu, C., & Zhang, J. (2018). FinTech and banking: A systematic review and future research directions. International Journal of Financial Studies, 6(2), 53. https://doi.org/10.3390/ijfs6020053
[18] Talasila, S. (2024). AI-driven personal finance management: Revolutionizing budgeting and financial planning. International Journal of Advanced Research in Computer Science and Technology, 12(1), 45–54.
[19] Toran, L., et al. (2023). Scalable and weakly supervised bank transaction categorization using NLP. arXiv preprint arXiv:2305.18430.
[20] Wei, J., & Zou, K. (2019). EDA: Easy data augmentation techniques for boosting performance on text classification tasks. Proceedings of EMNLP-IJCNLP, 6383–6389.
[21] Wang, Y. (2024). Artificial intelligence techniques for personal financial management: Trends, challenges, and opportunities. Journal of Financial Technology, 8(1), 1–15. https://doi.org/10.1016/j.jft.2024.01.003
التنزيلات
منشور
إصدار
القسم
الفئات
الرخصة
الحقوق الفكرية (c) 2026 The International Journal of Engineering & Information Technology (IJEIT)
هذا العمل مرخص بموجب Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
