FinTRec: Transformer-gebaseerde geüniformeerde contextgerichte advertentietargeting en personalisatie voor financiële toepassingen

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

November 18, 2025

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

cs.AI

Samenvatting

Transformer-gebaseerde architecturen worden veelvuldig toegepast in sequentiële aanbevelingssystemen, maar hun toepassing in financiële dienstverlening (FD) brengt specifieke praktische en modelleeruitdagingen met zich mee voor realtime aanbevelingen. Deze omvatten: a) gebruikersinteracties (impliciet en expliciet) over een lange periode, die zich uitstrekken over zowel digitale als fysieke kanalen en een temporeel heterogene context genereren, en b) de aanwezigheid van meerdere onderling verbonden producten die gecoördineerde modellen vereisen om diverse advertentieplaatsingen en gepersonaliseerde feeds te ondersteunen, waarbij concurrerende bedrijfsdoelen in evenwicht moeten worden gehouden. Wij stellen FinTRec voor, een transformer-gebaseerd raamwerk dat deze uitdagingen en de operationele doelstellingen in de FD aanpakt. Hoewel op bomen gebaseerde modellen traditioneel de voorkeur genieten in de FD vanwege hun verklaarbaarheid en afstemming op regelgevende vereisten, toont onze studie aan dat FinTRec een haalbare en effectieve verschuiving naar transformer-gebaseerde architecturen biedt. Door middel van historische simulaties en correlaties met live A/B-testen tonen we aan dat FinTRec consequent beter presteert dan de productieklasse, op bomen gebaseerde baseline. De uniforme architectuur maakt, wanneer afgestemd voor productadaptatie, kruisproduct-signaaldeling mogelijk, verlaagt de trainingskosten en technische schuld, en verbetert tegelijkertijd de offline prestaties voor alle producten. Voor zover ons bekend is dit de eerste uitgebreide studie naar uniforme sequentiële aanbevelingsmodellering in de FD die zowel technische als bedrijfsmatige overwegingen adresseert.

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.