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

링크: 논문 PDF로 바로 열기

저자: Jimin Seo, Wonjoong Kim, Hongseok Kang, Sangwu Park, Sein Kim, Kanghoon Yoon, Chanyoung Park

핵심 연구 목표

기존 추천 시스템 코드 진화 프레임워크들이 스칼라 지표(NDCG, Hit Ratio)에만 의존하여 진단적 통찰력을 제공하지 못하고, 고정된 검색 공간에 갇혀 혁신을 제한한다는 문제를 해결하고자 합니다. 본 논문은 복잡한 추천 시스템의 실패 원인을 정확히 파악하고 방향성 있는 개선을 이끌어내기 위한 LLM 기반의 방향성 피드백 루프 구축을 목표로 합니다.

핵심 방법론

본 논문은 Self-EvolveRec 이라는 새로운 프레임워크를 제안합니다. 이는 사용자의 질적 비판을 제공하는 User Simulator 와 모델의 구조적/행동적 결함을 정량적으로 검증하는 Model Diagnosis Tool 을 통합하여 방향성 피드백 루프를 구축합니다. 특히, Diagnosis Tool - Model Co-Evolution 전략 을 도입하여 추천 아키텍처의 진화에 따라 진단 기준이 동적으로 적응하도록 하여 피드백의 신뢰성을 유지합니다.

주요 결과

Self-EvolveRec 은 기존 NAS 및 LLM 기반 코드 진화 베이스라인(AlphaEvolve, DeepEvolve)보다 모든 데이터셋에서 추천 성능 과 사용자 만족도 면에서 우수함을 입증했습니다. 예를 들어, CDs SASRec 데이터셋에서 NDCG@5 0.3865 , HR@5 0.5274 를 달성했으며, 사용자 만족도 지표 중 Personalization 에서 베이스라인 대비 +50% 향상을 보였습니다. 이는 방향성 피드백이 정량적 성능뿐 아니라 코드의 창의성, 설명 가능성, 문제 해결 통찰력 등 질적 측면에서도 크게 기여함을 보여줍니다.

AI 실무자를 위한 시사점

AI/ML 실무자는 Self-EvolveRec 을 통해 스칼라 지표가 놓치기 쉬운 인기도 편향, 다양성 부족 과 같은 추천 시스템의 근본적인 문제들을 질적/양적 피드백을 통해 명확히 진단하고 해결할 수 있습니다. 또한, Diagnosis Tool - Model Co-Evolution 은 시스템 구조가 변화하더라도 진단 로직이 자동으로 업데이트되어, 복잡하고 진화하는 추천 시스템 환경에서 신뢰성 있는 자동화된 개선 프로세스 를 가능하게 합니다. 이는 개발 시간 단축 및 사용자 만족도 향상에 크게 기여할 것입니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.