Self-EvolveRec: Саморазвивающиеся рекомендательные системы с направленной обратной связью на основе LLM
Self-EvolveRec: Self-Evolving Recommender Systems with LLM-based Directional Feedback
February 13, 2026
Авторы: Sein Kim, Sangwu Park, Hongseok Kang, Wonjoong Kim, Jimin Seo, Yeonjun In, Kanghoon Yoon, Chanyoung Park
cs.AI
Аннотация
Традиционные методы автоматизации проектирования рекомендательных систем, такие как поиск нейронных архитектур (NAS), часто ограничены фиксированным пространством поиска, задаваемым априорными знаниями человека, что ограничивает инновации предопределенными операторами. В то время как современные фреймворки эволюции кода на основе больших языковых моделей (LLM) смещают цель с фиксированного пространства поиска на открытые программные пространства, они в основном опираются на скалярные метрики (например, NDCG, Hit Ratio), которые не способны дать качественное представление о недостатках модели или направленные рекомендации для улучшения. Для решения этой проблемы мы предлагаем Self-EvolveRec — новую архитектуру, которая создает направленную обратную связь путем интеграции симулятора пользователя для качественной оценки и инструмента диагностики модели для количественной внутренней верификации. Кроме того, мы представляем стратегию совместной эволюции модели и диагностического инструмента, чтобы обеспечить динамическую адаптацию критериев оценки по мере развития архитектуры рекомендательной системы. Многочисленные эксперименты демонстрируют, что Self-EvolveRec значительно превосходит современные базовые методы на основе NAS и эволюции кода с LLM как по эффективности рекомендаций, так и по удовлетворенности пользователей. Наш код доступен по адресу 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.