Self-EvolveRec: LLMに基づく方向性フィードバックによる自己進化型推薦システム

要旨

推薦システム設計の自動化における従来手法（ニューラルアーキテクチャ探索など）は、人間の事前知識に基づいて定義された固定の探索空間に制約され、所定の演算子範囲内での革新に留まることが多い。近年のLLM駆動型コード進化フレームワークは、固定探索空間から開放的なプログラム空間へ対象を移行させたものの、主にスカラー指標（NDCGやヒット率など）に依存しており、モデル失敗の質的洞察や改善の方向的ガイダンスを提供できない。この課題に対処するため、本研究では**Self-EvolveRec**を提案する。この新規フレームワークは、質的批評を行うユーザシミュレータと定量的内部検証を行うモデル診断ツールを統合し、方向的フィードバックループを構築する。さらに、推薦アーキテクチャの進化に伴って評価基準が動的に適応することを保証するため、診断ツールとモデルの共進化戦略を導入する。大規模実験により、Self-EvolveRecが推薦精度とユーザ満足度の両面において、従来のNASおよびLLM駆動コード進化ベースライン手法を有意に上回ることを実証した。実装コードはhttps://github.com/Sein-Kim/self_evolverec で公開されている。

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.

Self-EvolveRec: LLMに基づく方向性フィードバックによる自己進化型推薦システム

Self-EvolveRec: Self-Evolving Recommender Systems with LLM-based Directional Feedback

要旨

Support