Self-EvolveRec: Sistemas de Recomendação Auto-Evolutivos com Feedback Direcional Baseado em 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
Resumo
Os métodos tradicionais para automatizar o projeto de sistemas de recomendação, como a Busca por Arquitetura Neural (NAS), frequentemente são limitados por um espaço de busca fixo definido por prévias humanas, restringindo a inovação a operadores predefinidos. Embora estruturas recentes de evolução de código baseadas em LLM mudem o alvo do espaço de busca fixo para espaços de programa abertos, elas dependem principalmente de métricas escalares (por exemplo, NDCG, Taxa de Acerto) que falham em fornecer insights qualitativos sobre falhas do modelo ou orientação direcional para melhorias. Para resolver isso, propomos o Self-EvolveRec, uma estrutura inovadora que estabelece um ciclo de feedback direcional integrando um Simulador de Usuário para críticas qualitativas e uma Ferramenta de Diagnóstico de Modelo para verificação interna quantitativa. Além disso, introduzimos uma estratégia de Coevolução Modelo-Ferramenta de Diagnóstico para garantir que os critérios de avaliação se adaptem dinamicamente à medida que a arquitetura de recomendação evolui. Experimentos extensivos demonstram que o Self-EvolveRec supera significativamente as bases de comparação state-of-the-art de NAS e de evolução de código baseada em LLM, tanto no desempenho de recomendação quanto na satisfação do usuário. Nosso código está disponível em 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.