FinTRec: 金融アプリケーション向けTransformerベースの統合的文脈的広告ターゲティングおよびパーソナライゼーション

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

November 18, 2025

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

cs.AI

要旨

Transformerベースのアーキテクチャは系列推薦システムで広く採用されているが、金融サービス（FS）分野でのリアルタイム推薦への応用には、実践的およびモデル化における特有の課題が存在する。これらには以下が含まれる：a）デジタルと物理チャネルに跨る長期的なユーザーインタラクション（暗黙的および明示的）が時間的に不均一な文脈を生成すること、b）複数の相互関連する商品が存在するため、多様な広告掲載やパーソナライズドフィードをサポートしつつ、競合するビジネス目標のバランスを取る調整モデルが必要となること。本研究では、これらの課題とFSにおける運用目標に対処するTransformerベースのフレームワークFinTRecを提案する。従来、FS分野では説明性と規制要件への適合性から木ベースモデルが好まれてきたが、本研究はFinTRecがTransformerベースアーキテクチャへの実用的で効果的な転換を提供することを実証する。履歴シミュレーションとライブA/Bテスト相関を通じて、FinTRecがプロダクショングレードの木ベースベースラインを一貫して上回ることを示す。製品適応のためにファインチューニングされた統一アーキテクチャは、クロスプロダクト信号共有を可能にし、トレーニングコストと技術的負債を削減しながら、全製品におけるオフライン性能を向上させる。我々の知る限り、技術的・ビジネス的な考慮事項の両方に対処したFS分野における統一的な系列推薦モデリングの包括的研究は本論文が初めてである。

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.