Self-EvolveRec: Selbst-evolvierende Empfehlungssysteme mit LLM-basierter gerichteter Rückmeldung
Self-EvolveRec: Self-Evolving Recommender Systems with LLM-based Directional Feedback
February 13, 2026
papers.authors: Sein Kim, Sangwu Park, Hongseok Kang, Wonjoong Kim, Jimin Seo, Yeonjun In, Kanghoon Yoon, Chanyoung Park
cs.AI
papers.abstract
Herkömmliche Methoden zur Automatisierung des Designs von Empfehlungssystemen, wie Neural Architecture Search (NAS), sind oft durch einen festen Suchraum eingeschränkt, der durch menschliche Prämissen definiert ist. Dies begrenzt die Innovation auf vordefinierte Operatoren. Während neuere, durch LLM gesteuerte Code-Evolutions-Frameworks das Ziel von festen Suchräumen auf offene Programmräume verlagern, stützen sie sich primär auf skalare Metriken (z.B. NDCG, Hit Ratio), die keine qualitativen Einblicke in Modellfehler oder richtungsweisende Hinweise für Verbesserungen liefern. Um dieses Problem zu adressieren, schlagen wir Self-EvolveRec vor, ein neuartiges Framework, das eine richtungsweisende Feedback-Schleife etabliert, indem es einen User Simulator für qualitative Kritiken und ein Model Diagnosis Tool zur quantitativen internen Verifikation integriert. Darüber hinaus führen wir eine Diagnose-Tool – Modell-Co-Evolution-Strategie ein, um sicherzustellen, dass sich die Bewertungskriterien dynamisch anpassen, während sich die Empfehlungsarchitektur weiterentwickelt. Umfangreiche Experimente zeigen, dass Self-EvolveRec state-of-the-art NAS- und LLM-gesteuerte Code-Evolution-Baselines sowohl in der Empfehlungsleistung als auch in der Benutzerzufriedenheit signifikant übertrifft. Unser Code ist verfügbar unter https://github.com/Sein-Kim/self_evolverec.
English
Traditional methods for automating recommender system design, such as Neural Architecture Search (NAS), are often constrained by a fixed search space defined by human priors, limiting innovation to pre-defined operators. While recent LLM-driven code evolution frameworks shift fixed search space target to open-ended program spaces, they primarily rely on scalar metrics (e.g., NDCG, Hit Ratio) that fail to provide qualitative insights into model failures or directional guidance for improvement. To address this, we propose Self-EvolveRec, a novel framework that establishes a directional feedback loop by integrating a User Simulator for qualitative critiques and a Model Diagnosis Tool for quantitative internal verification. Furthermore, we introduce a Diagnosis Tool - Model Co-Evolution strategy to ensure that evaluation criteria dynamically adapt as the recommendation architecture evolves. Extensive experiments demonstrate that Self-EvolveRec significantly outperforms state-of-the-art NAS and LLM-driven code evolution baselines in both recommendation performance and user satisfaction. Our code is available at https://github.com/Sein-Kim/self_evolverec.