EvoRec: A Unified Self-Evolving Agentic Recommender with Dynamic Reflection Trees

이 논문은 추천 시스템의 실패를 단계별로 진단해 스스로 고치는 반사 트리를 만들어, 모델 파라미터를 바꾸지 않고도 추천 성과를 계속 끌어올린 문제를 에이전트 추천 프레임워크로 풀었다.

이 논문은 한마디로 추천을 필요 이해, 계획, 실행, 반성, 수리로 이어지는 에이전트 결정 과정으로 바꾸고, 실패를 결정 단계별로 찾아 고친 뒤 그 경험을 쌓아 가는 프레임워크 EvoRec을 제안한다. 쿠아이슈우 로컬 광고 데이터에서 가장 강한 기준보다 Hit@50을 15.7% 올렸고, 7일 온라인 A/B 시험에서 광고 수익을 4.6% 늘렸다. 핵심은 동적 반사 트리가 필요 추론, 계획, 이전 수리 전략 중 어디가 틀렸는지 찾아 개인화 수리 전략을 만들고 재실행으로 검증한다는 점이다. 에이전트 파라미터를 갱신하지 않고 작업 기억을 통해 자기 진화가 일어난다.

핵심 요약

• 저자들은 추천을 필요 이해에서 계획, 실행, 피드백, 반성, 수리로 이어지는 닫힌 순환으로 만드는 통합 에이전트 추천 프레임워크 EvoRec을 제안했다.
• 필요 에이전트가 장기, 단기, 작업 기억에서 구조화된 사용자 필요를 끌어내고, 계획 에이전트가 행동 지속과 필요 충족 두 경로에 검색 예산 3,000을 나누며 도구와 랭킹 가중치를 고른다.
• 동적 반사 트리가 실패를 필요 추론, 계획, 이전 수리 전략 가운데 어디서 왔는지 찾아내고, 개인화 수리 전략을 만들어 다시 실행해 효과를 검증한다.
• 검증된 수리 전략은 작업 기억으로 들어가 이후 결정을 안내하고, 사용자 간에 재사용 가능한 전략으로 추상화되어 에이전트 파라미터 갱신 없이 자기 진화가 이어진다.
• 쿠아이슈우 로컬 서비스 광고 데이터에서 EvoRec은 가장 강한 기준 대비 Hit@50을 15.7% 올렸고, 반성 경험이 쌓인 사용자 18.5%에서는 Hit@50이 13.1% 올랐다.
• 7일 온라인 A/B 시험에서 근사선 배포된 EvoRec은 광고 수익을 4.6%, CTCVR을 3.5% 늘렸고 고의도 사용자에서는 수익이 14.5% 올랐다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.