본 논문은 사용자의 이전 상호작용 시퀀스를 모델링하여 사용자의 다음 항목 선호도를 예측하는 순차적 추천(SR)에 대해 연구한다. 기존 연구가 각 세션을 개별적으로 처리하고 시간 도메인 목표만을 사용하여 최적화하는 한계를 지적하며, 세션 간의 스펙트럼 의존성을 간과하고 예측된 스펙트럼 시그니처와 실제 스펙트럼 시그니처 간의 정렬을 강제하지 못하여 귀중한 주파수 정보를 충분히 활용하지 못하는 문제를 제기한다. 이에 대한 해결책으로, FreqRec을 제안한다. FreqRec은 학습 가능한 Frequency-domain Multi-layer Perceptrons을 통해 세션 간 및 세션 내 동작을 함께 캡처하는 Frequency-Enhanced Dual-Path Network이다. 또한, 교차 엔트로피와 주파수 도메인 일관성 손실을 결합한 복합 목표 하에 최적화되어 예측된 스펙트럼 시그니처와 실제 스펙트럼 시그니처를 명시적으로 정렬한다. 세 개의 벤치마크에 대한 광범위한 실험 결과, FreqRec이 강력한 기준선을 능가하고 데이터 희소성 및 노이즈가 있는 로그 조건에서도 견고함을 입증했다.
