FinTRec：面向金融应用的基于Transformer的统一上下文广告定向与个性化
机器学习
2025-11-20 v1
摘要
Transformer-based架构在顺序推荐系统中广泛应用，但在金融服务（FS）中的应用面临现实和建模挑战。这些挑战包括：a)跨越数字和物理渠道的长时程用户互动（隐式和显式），产生时序异构的上下文；b)多个相互关联的产品需要协调模型以支持多样化的广告放置和个性化信息流，同时平衡竞争的业务目标。我们提出FinTRec，一个针对FS挑战的Transformer框架。虽然树模型在FS中因可解释性和合规性要求而被传统偏好，但我们的研究表明FinTRec为向Transformer架构的有效转变提供了可行方案。通过历史模拟和实时A/B测试相关性，我们展示FinTRec在生产级树模型基准上持续优于。统一架构经过针对产品适配的微调，可实现跨产品信号共享，减少训练成本和技术债务，同时在所有产品上提升离线性能。据我们了解，这是首个在FS中解决技术与业务考量的统一顺序推荐建模的全面研究。
关键词
引用
@article{arxiv.2511.14865,
title = {FinTRec: Transformer Based Unified Contextual Ads Targeting and Personalization for Financial Applications},
author = {Dwipam Katariya and Snehita Varma and Akshat Shreemali and Benjamin Wu and Kalanand Mishra and Pranab Mohanty},
journal= {arXiv preprint arXiv:2511.14865},
year = {2025}
}
备注
10 pages, 7 figures, Accepted at CARS @ RecSys 2025