CETN: CTR 예측을 위한 대비 강화 네트워크 통합 기법

클릭률(Click-through Rate, CTR) 예측은 산업용 추천 시스템, 온라인 광고, 웹 검색과 같은 개인화된 정보 검색 시스템에서 핵심적인 과제이다. 기존의 대부분의 CTR 예측 모델은 암묵적인 특성 상호작용의 성능 한계를 극복하기 위해 명시적인 특성 상호작용을 활용한다. 이에 따라 서로 다른 의미 공간에서의 통합 정보를 획득하기 위해 평행 구조를 기반으로 한 깊이 있는 CTR 모델(예: DCN, FinalMLP, xDeepFM)이 제안되어 왔다. 그러나 이러한 평행 하위 구성 요소들은 효과적인 감독 신호를 갖지 못하여, 다양한 의미 공간 내에서 유의미한 다중 시점 특성 상호작용 정보를 효율적으로 포착하는 데 어려움이 있다. 이러한 문제를 해결하기 위해, 우리는 특성 상호작용 정보의 다양성과 동질성을 보장할 수 있도록, 간단하면서도 효과적인 새로운 CTR 모델인 CTR를 위한 대비 강화형 통과 네트워크(Contrast-enhanced Through Network, CETN)를 제안한다. 구체적으로 CETN은 특성 상호작용을 위한 곱셈 기반 접근법과 대비 학습(contrastive learning)에서 유도된 증강(perturbation) 개념을 활용하여, 각각 다른 활성화 함수를 갖는 서로 다른 의미 공간으로 특성 공간을 분할한다. 이를 통해 모델이 포착하는 특성 상호작용 정보의 다양성을 향상시킨다. 또한, 각 의미 공간 내에서 자기지도 신호(self-supervised signals)와 통과 연결(through connection)을 도입함으로써, 포착된 특성 상호작용 정보의 동질성을 보장한다. 네 개의 실질 데이터셋을 대상으로 수행한 실험과 연구 결과, 제안한 모델은 AUC와 Logloss 측면에서 20개의 기준 모델을 일관되게 상회함을 입증하였다.