Self-EvolveRec : Systèmes de recommandation auto-évolutifs avec rétroaction directionnelle basée sur LLM
Self-EvolveRec: Self-Evolving Recommender Systems with LLM-based Directional Feedback
February 13, 2026
Auteurs: Sein Kim, Sangwu Park, Hongseok Kang, Wonjoong Kim, Jimin Seo, Yeonjun In, Kanghoon Yoon, Chanyoung Park
cs.AI
Résumé
Les méthodes traditionnelles d'automatisation de la conception des systèmes de recommandation, telles que la recherche d'architecture neuronale (NAS), sont souvent limitées par un espace de recherche fixe défini par des connaissances a priori humaines, ce qui restreint l'innovation à des opérateurs prédéfinis. Bien que les frameworks récents d'évolution de code pilotés par LLM transforment la cible d'un espace de recherche fixe en des espaces de programmes ouverts, ils reposent principalement sur des métriques scalaires (par exemple, NDCG, taux de succès) qui ne fournissent pas d'analyses qualitatives sur les défaillances du modèle ni d'orientation directionnelle pour l'amélioration. Pour résoudre ce problème, nous proposons Self-EvolveRec, un nouveau framework qui établit une boucle de rétroaction directionnelle en intégrant un simulateur d'utilisateurs pour des critiques qualitatives et un outil de diagnostic de modèle pour une vérification interne quantitative. De plus, nous introduisons une stratégie de co-évolution modèle - outil de diagnostic pour garantir que les critères d'évaluation s'adaptent dynamiquement à l'évolution de l'architecture de recommandation. Des expériences approfondies démontrent que Self-EvolveRec surpasse significativement les méthodes de référence actuelles en matière de NAS et d'évolution de code pilotée par LLM, à la fois en performance de recommandation et en satisfaction utilisateur. Notre code est disponible à l'adresse 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.