Self-EvolveRec: LLM 기반 방향성 피드백을 통한 자기 진화 추천 시스템

초록

기존 추천 시스템 설계 자동화 방법론인 신경망 구조 탐색(NAS)은 인간의 사전 지식으로 정의된 고정된 탐색 공간에 제한되어, 사전 정의된 연산자 범위 내에서만 혁신이 가능했습니다. 최근 대규모 언어 모델(LLM) 기반 코드 진화 프레임워크는 고정된 탐색 공간에서 개방형 프로그램 공간으로 목표를 전환했으나, NDCG나 히트율 같은 단일 수치 지표에 의존하여 모델 실패의 질적 원인이나 개선 방향에 대한 통찰을 제공하지 못했습니다. 이를 해결하기 위해 본 연구에서는 사용자 시뮬레이터를 통한 질적 평가와 모델 진단 도구를 통한 정량적 내부 검증을 결합한 방향성 피드백 루프를 구축하는 새로운 프레임워크인 Self-EvolveRec을 제안합니다. 더 나아가 추천 아키텍처 진화에 따라 평가 기준이 동적으로 적응하도록 하는 '진단 도구-모델 공동 진화' 전략을 도입했습니다. 대규모 실험을 통해 Self-EvolveRec이 기존 NAS 및 LLM 기반 코드 진화 기준선을 추천 성능과 사용자 만족도 모두에서 크게 능가함을 입증했습니다. 코드는 https://github.com/Sein-Kim/self_evolverec에서 확인할 수 있습니다.

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 기반 방향성 피드백을 통한 자기 진화 추천 시스템

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

초록

Support