FinTRec: Targeting Contestuale Unificato e Personalizzazione delle Pubblicità Basato su Transformer per Applicazioni Finanziarie

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

November 18, 2025

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

cs.AI

Abstract

Le architetture basate su Transformer sono ampiamente adottate nei sistemi di raccomandazione sequenziale, tuttavia la loro applicazione nei Servizi Finanziari (FS) presenta sfide pratiche e di modellazione distinte per la raccomandazione in tempo reale. Queste includono: a) interazioni utente a lungo raggio (implicite ed esplicite) che abbracciano sia canali digitali che fisici, generando un contesto temporalmente eterogeneo; b) la presenza di prodotti multipli interrelati richiede modelli coordinati per supportare inserzioni pubblicitarie varie e feed personalizzati, bilanciando al contempo obiettivi di business concorrenti. Proponiamo FinTRec, un framework basato su Transformer che affronta queste sfide e i suoi obiettivi operativi nei FS. Sebbene i modelli basati su albero siano stati tradizionalmente preferiti nei FS per la loro spiegabilità e conformità ai requisiti normativi, il nostro studio dimostra che FinTRec offre un cambiamento valido ed efficace verso le architetture basate su Transformer. Attraverso simulazioni storiche e correlazioni di test A/B live, mostriamo che FinTRec supera costantemente la baseline di produzione basata su alberi. L'architettura unificata, quando messa a punto per l'adattamento del prodotto, consente la condivisione di segnali cross-prodotto, riduce i costi di addestramento e il debito tecnico, migliorando al contempo le prestazioni offline su tutti i prodotti. A nostra conoscenza, questo è il primo studio completo sulla modellazione unificata della raccomandazione sequenziale nei FS che affronta sia le considerazioni tecniche che quelle di business.

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.