Self-EvolveRec: Sistemas de Recomendación de Auto-Evolución con Retroalimentación Direccional Basada en LLM
Self-EvolveRec: Self-Evolving Recommender Systems with LLM-based Directional Feedback
February 13, 2026
Autores: Sein Kim, Sangwu Park, Hongseok Kang, Wonjoong Kim, Jimin Seo, Yeonjun In, Kanghoon Yoon, Chanyoung Park
cs.AI
Resumen
Los métodos tradicionales para automatizar el diseño de sistemas de recomendación, como la Búsqueda de Arquitectura Neuronal (NAS), a menudo se ven limitados por un espacio de búsqueda fijo definido por conocimientos previos humanos, lo que restringe la innovación a operadores predefinidos. Si bien los marcos recientes de evolución de código impulsados por LLM trasladan el objetivo del espacio de búsqueda fijo a espacios de programas abiertos, dependen principalmente de métricas escalares (por ejemplo, NDCG, Tasa de Aciertos) que no logran proporcionar información cualitativa sobre las fallas del modelo ni una guía direccional para su mejora. Para abordar esto, proponemos Self-EvolveRec, un marco novedoso que establece un ciclo de retroalimentación direccional mediante la integración de un Simulador de Usuario para críticas cualitativas y una Herramienta de Diagnóstico del Modelo para la verificación interna cuantitativa. Además, introducimos una estrategia de Co-Evolución del Modelo - Herramienta de Diagnóstico para garantizar que los criterios de evaluación se adapten dinámicamente a medida que evoluciona la arquitectura de recomendación. Experimentos exhaustivos demuestran que Self-EvolveSupera significativamente a los baselines state-of-the-art de NAS y evolución de código impulsada por LLM, tanto en rendimiento de recomendación como en satisfacción del usuario. Nuestro código está disponible en 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.