FinTRec: Трансформерная модель для контекстного таргетирования рекламы и персонализации в финансовых приложениях

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

November 18, 2025

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

cs.AI

Аннотация

Трансформерные архитектуры широко применяются в системах последовательных рекомендаций, однако их использование в финансовых услугах (ФУ) создает уникальные практические и модельные проблемы для рекомендаций в реальном времени. К ним относятся: а) длинные последовательности пользовательских взаимодействий (неявных и явных) в цифровых и физических каналах, создающие временно неоднородный контекст; б) наличие множества взаимосвязанных продуктов требует скоординированных моделей для поддержки различных рекламных размещений и персонализированных лент при балансировании конкурирующих бизнес-целей. Мы предлагаем FinTRec — трансформерный фреймворк, решающий эти проблемы и операционные задачи в ФУ. Хотя древовидные модели традиционно предпочтительны в ФУ благодаря их интерпретируемости и соответствию регуляторным требованиям, наше исследование демонстрирует, что FinTRec предлагает жизнеспособный и эффективный переход к трансформерным архитектурам. Посредством исторического моделирования и корреляции с живыми A/B-тестами мы показываем, что FinTRec стабильно превосходит промышленную древовидную базовую модель. Унифицированная архитектура, донастроенная для адаптации к продукту, позволяет осуществлять кросс-продуктовый обмен сигналами, снижает стоимость обучения и технический долг, одновременно улучшая оффлайн-производительность для всех продуктов. Насколько нам известно, это первое комплексное исследование унифицированного последовательного рекомендательного моделирования в ФУ, учитывающее как технические, так и бизнес-аспекты.

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.