FinTRec : Ciblage contextuel unifié et personnalisation des publicités basés sur les Transformers pour les applications financières
FinTRec: Transformer Based Unified Contextual Ads Targeting and Personalization for Financial Applications
November 18, 2025
papers.authors: Dwipam Katariya, Snehita Varma, Akshat Shreemali, Benjamin Wu, Kalanand Mishra, Pranab Mohanty
cs.AI
papers.abstract
Les architectures basées sur les transformers sont largement adoptées dans les systèmes de recommandation séquentielle, mais leur application dans les Services Financiers (SF) présente des défis pratiques et de modélisation distincts pour la recommandation en temps réel. Ceux-ci incluent : a) des interactions utilisateur à long terme (implicites et explicites) couvrant à la fois les canaux numériques et physiques, générant un contexte temporellement hétérogène, b) la présence de multiples produits interdépendants nécessitant des modèles coordonnés pour prendre en charge divers placements publicitaires et flux personnalisés, tout en équilibrant des objectifs commerciaux concurrents. Nous proposons FinTRec, un cadre basé sur les transformers qui relève ces défis et répond aux objectifs opérationnels dans les SF. Bien que les modèles arborescents aient traditionnellement été privilégiés dans les SF en raison de leur explicabilité et de leur conformité aux exigences réglementaires, notre étude démontre que FinTRec offre une transition viable et efficace vers les architectures basées sur les transformers. Grâce à des simulations historiques et des corrélations de tests A/B en direct, nous montrons que FinTRec surpasse constamment la baseline arborescente de qualité production. L'architecture unifiée, lorsqu'elle est affinée pour l'adaptation aux produits, permet le partage de signaux inter-produits, réduit les coûts d'entraînement et la dette technique, tout en améliorant les performances hors ligne pour tous les produits. À notre connaissance, il s'agit de la première étude complète sur la modélisation unifiée de recommandation séquentielle dans les SF qui aborde à la fois les considérations techniques et commerciales.
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.