FinTRec: Segmentación Contextual Unificada de Anuncios y Personalización Basada en Transformer para Aplicaciones Financieras

FinTRec: Transformer Based Unified Contextual Ads Targeting and Personalization for Financial Applications

November 18, 2025

Autores: Dwipam Katariya, Snehita Varma, Akshat Shreemali, Benjamin Wu, Kalanand Mishra, Pranab Mohanty

cs.AI

Resumen

Las arquitecturas basadas en transformadores son ampliamente adoptadas en sistemas de recomendación secuencial, sin embargo, su aplicación en Servicios Financieros (SF) presenta desafíos prácticos y de modelado distintos para la recomendación en tiempo real. Estos incluyen: a) interacciones de usuario de largo alcance (implícitas y explícitas) que abarcan tanto canales digitales como físicos, generando un contexto temporalmente heterogéneo, b) la presencia de múltiples productos interrelacionados que requieren modelos coordinados para respaldar diversas ubicaciones publicitarias y feeds personalizados, mientras se equilibran objetivos comerciales en competencia. Proponemos FinTRec, un marco basado en transformadores que aborda estos desafíos y sus objetivos operativos en SF. Si bien los modelos basados en árboles han sido tradicionalmente preferidos en SF debido a su explicabilidad y alineación con los requisitos regulatorios, nuestro estudio demuestra que FinTRec ofrece un cambio viable y efectivo hacia las arquitecturas basadas en transformadores. Mediante simulación histórica y correlaciones de pruebas A/B en vivo, mostramos que FinTRec supera consistentemente a la línea base de producción basada en árboles. La arquitectura unificada, cuando se ajusta para la adaptación de productos, permite el intercambio de señales entre productos, reduce el costo de entrenamiento y la deuda técnica, al tiempo que mejora el rendimiento offline en todos los productos. Hasta donde sabemos, este es el primer estudio integral de modelado unificado de recomendación secuencial en SF que aborda consideraciones tanto técnicas como comerciales.

English

Transformer-based architectures are widely adopted in sequential recommendation systems, yet their application in Financial Services (FS) presents distinct practical and modeling challenges for real-time recommendation. These include:a) long-range user interactions (implicit and explicit) spanning both digital and physical channels generating temporally heterogeneous context, b) the presence of multiple interrelated products require coordinated models to support varied ad placements and personalized feeds, while balancing competing business goals. We propose FinTRec, a transformer-based framework that addresses these challenges and its operational objectives in FS. While tree-based models have traditionally been preferred in FS due to their explainability and alignment with regulatory requirements, our study demonstrate that FinTRec offers a viable and effective shift toward transformer-based architectures. Through historic simulation and live A/B test correlations, we show FinTRec consistently outperforms the production-grade tree-based baseline. The unified architecture, when fine-tuned for product adaptation, enables cross-product signal sharing, reduces training cost and technical debt, while improving offline performance across all products. To our knowledge, this is the first comprehensive study of unified sequential recommendation modeling in FS that addresses both technical and business considerations.