FinTRec: 금융 애플리케이션을 위한 트랜스포머 기반 통합 상황 인식 광고 타겟팅 및 개인화

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

November 18, 2025

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

cs.AI

초록

Transformer 기반 아키텍처는 순차 추천 시스템에서 널리 채택되고 있으나, 금융 서비스(FS)에서의 실시간 추천 적용은 실질적이고 모델링 측면에서 독특한 과제를 제기합니다. 이러한 과제에는 a) 디지털 및 물리적 채널에 걸친 장기간의 사용자 상호작용(암묵적 및 명시적)으로 인해 발생하는 시간적 이질적 컨텍스트, b) 다양한 광고 배치와 개인화 피드를 지원하면서 상충되는 비즈니스 목표를 균형 있게 조정해야 하는 다중 상호 연관된 상품의 존재가 포함됩니다. 본 논문은 이러한 FS의 과제와 운영 목표를 해결하는 Transformer 기반 프레임워크인 FinTRec를 제안합니다. 설명 가능성과 규제 요구사항 충족으로 인해 FS 분야에서는 전통적으로 트리 기반 모델이 선호되어 왔지만, 본 연구는 FinTRec가 Transformer 기반 아키텍처로의 실질적이고 효과적인 전환을 제공함을 입증합니다. 과거 데이터 시뮬레이션 및 라이브 A/B 테스트 상관관계 분석을 통해 FinTRec가 상용 등급의 트리 기반 기준 모델을 지속적으로 능가함을 보여줍니다. 통합 아키텍처는 상품 적용성을 위해 미세 조정될 때, 상품 간 신호 공유를 가능하게 하고 훈련 비용과 기술 부채를 줄이는 동시에 모든 상품에서 오프라인 성능을 향상시킵니다. 저자가 알고 있는 한, 이는 FS 분야에서 기술적 및 비즈니스적 고려 사항을 모두 다루는 통합 순차 추천 모델링에 대한 최초의 포괄적인 연구입니다.

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.