Self-EvolveRec: Sistemi di Raccomandazione Auto-Evolventi con Feedback Direzionale Basato su LLM
Self-EvolveRec: Self-Evolving Recommender Systems with LLM-based Directional Feedback
February 13, 2026
Autori: Sein Kim, Sangwu Park, Hongseok Kang, Wonjoong Kim, Jimin Seo, Yeonjun In, Kanghoon Yoon, Chanyoung Park
cs.AI
Abstract
I metodi tradizionali per automatizzare la progettazione di sistemi di raccomandazione, come la Ricerca di Architetture Neurali (NAS), sono spesso limitati da uno spazio di ricerca fisso definito da conoscenze a priori umane, confinando l'innovazione a operatori predefiniti. Sebbene i recenti framework di evoluzione del codice guidati da LLM spostino l'obiettivo dallo spazio di ricerca fisso a spazi di programma aperti, essi si basano principalmente su metriche scalari (ad es., NDCG, Hit Ratio) che non forniscono insight qualitativi sui fallimenti del modello né una guida direzionale per il miglioramento. Per affrontare questo problema, proponiamo Self-EvolveRec, un framework innovativo che stabilisce un ciclo di feedback direzionale integrando un Simulatore di Utente per critiche qualitative e uno Strumento di Diagnosi del Modello per la verifica interna quantitativa. Inoltre, introduciamo una strategia di Co-Evoluzione Modello - Strumento di Diagnosi per garantire che i criteri di valutazione si adattino dinamicamente man mano che l'architettura di raccomandazione evolve. Esperimenti estensivi dimostrano che Self-EvolveRec supera significativamente i baseline all'avanguardia di NAS e di evoluzione del codice guidata da LLM sia nelle prestazioni di raccomandazione che nella soddisfazione dell'utente. Il nostro codice è disponibile all'indirizzo 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.