FinTRec: Segmentação Contextual Unificada de Anúncios e Personalização Baseada em Transformers para Aplicações Financeiras

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

November 18, 2025

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

cs.AI

Resumo

As arquiteturas baseadas em Transformer são amplamente adotadas em sistemas de recomendação sequencial, porém sua aplicação em Serviços Financeiros (SF) apresenta desafios práticos e de modelagem distintos para recomendação em tempo real. Estes incluem: a) interações de usuário de longo alcance (implícitas e explícitas) abrangendo canais digitais e físicos, gerando contexto temporalmente heterogêneo; b) a presença de múltiplos produtos inter-relacionados exigindo modelos coordenados para suportar diferentes posicionamentos de anúncios e feeds personalizados, enquanto equilibra objetivos de negócio concorrentes. Propomos o FinTRec, um framework baseado em Transformer que aborda esses desafios e seus objetivos operacionais em SF. Embora modelos baseados em árvore tenham sido tradicionalmente preferidos em SF devido à sua explicabilidade e alinhamento com requisitos regulatórios, nosso estudo demonstra que o FinTRec oferece uma transição viável e eficaz para arquiteturas baseadas em Transformer. Através de simulação histórica e correlações de testes A/B em produção, mostramos que o FinTRec supera consistentemente a linha de base baseada em árvore de nível de produção. A arquitetura unificada, quando ajustada para adaptação de produto, permite o compartilhamento de sinais entre produtos, reduz custos de treinamento e dívida técnica, enquanto melhora o desempenho offline em todos os produtos. Até onde sabemos, este é o primeiro estudo abrangente de modelagem unificada de recomendação sequencial em SF que aborda considerações técnicas e de negócio.

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.