FEDIN: 클릭률 예측을 위한 주파수 강화 심층 관심 네트워크

FEDIN: Frequency-Enhanced Deep Interest Network for Click-Through Rate Prediction

순차 추천 모델은 종종 사용자 관심사의 잠재적인 주기적 패턴을 파악하는 데 어려움을 겪는데, 이는 주로 시간 영역 행동 데이터에 내재된 노이즈 때문입니다. 주파수 영역 분석은 이러한 문제를 해결하기 위한 전체적인 관점을 제공하지만, 기존 방법은 일반적으로 사용자 시퀀스를 개별적으로 처리하여 대상 항목의 중요한 맥락을 간과합니다. 본 연구에서는 새로운 경험적 관찰 결과를 제시합니다. 즉, 사용자 어텐션 점수는 양수 및 음수 대상 항목에 조건화될 때 뚜렷한 스펙트럼 엔트로피 분포를 나타냅니다. 구체적으로, 실제 사용자 관심사는 주파수 영역에서 낮은 엔트로피를 갖는 고도로 집중된 스펙트럼 패턴으로 나타나는 반면, 관련 없는 행동은 고엔트로피 노이즈로 나타납니다. 이러한 통찰력을 바탕으로, 주파수 강화 심층 관심 네트워크(FEDIN)를 제안합니다. FEDIN은 대상 항목에 대한 정보를 활용하여 주기적인 관심 신호를 분리하는 대상 인식 스펙트럼 필터링 메커니즘을 사용하는 주파수 영역 브랜치를 도입합니다. 세 개의 공개 데이터 세트에 대한 광범위한 실험 결과, FEDIN은 최첨단 순차 추천 기준 모델보다 일관되게 우수한 성능을 보이며, 노이즈에 대한 뛰어난 강건성을 입증합니다. 저희 코드는 다음 링크에서 확인할 수 있습니다: https://github.com/otokoneko/FEDIN.

Sequential recommendation models often struggle to capture latent periodic patterns in user interests, primarily due to the noise inherent in time-domain behavioral data. While frequency-domain analysis offers a global perspective to address this, existing approaches typically treat user sequences in isolation, overlooking the crucial context of the target item. In this work, we present a novel empirical observation: user attention scores exhibit distinct spectral entropy distributions when conditioned on positive versus negative target items. Specifically, true user interests manifest as highly concentrated spectral patterns with lower entropy in the frequency domain, whereas irrelevant behaviors appear as high-entropy noise. Leveraging this insight, we propose the Frequency-Enhanced Deep Interest Network (FEDIN). FEDIN introduces a frequency-domain branch that utilizes a target-aware spectrum filtering mechanism to isolate these periodic interest signals. Extensive experiments on three public datasets demonstrate that FEDIN consistently outperforms state-of-the-art sequential recommendation baselines, demonstrating superior robustness against noise. We have released our code at: https://github.com/otokoneko/FEDIN.