一种基于LLM的多智能体协同推荐系统的制作方法

本发明涉及推荐系统，尤其涉及一种基于llm的多智能体协同推荐系统。

背景技术：

1、随着互联网信息的爆炸式增长，推荐系统已成为缓解信息过载、提升用户体验的关键技术。现有推荐系统主要基于协同过滤、内容过滤及它们的混合模型，并逐渐引入了深度学习、知识图谱等技术。

2、最相近的现有技术主要包括：1、基于深度学习的序列推荐系统：利用循环神经网络或transformer模型处理用户历史行为序列，预测下一个交互项目。这类方法能捕捉时序模式，但本质上仍依赖历史共现统计，缺乏对用户深层意图的语义理解。2、基于知识图谱的推荐系统：通过构建物品间的实体关系网络，利用图神经网络进行推理，以增强推荐的多样性和可解释性。然而，该方法通常依赖于人工构建或有限来源的知识图谱，难以动态理解复杂、抽象的用户需求。3、 基于预训练语言模型的推荐系统：尝试利用大语言模型处理文本内容，如物品描述或用户评论。但直接将通用大语言模型用于推荐，常面临计算成本高昂、推理延迟大、且未与高效的检索与排序架构深度整合的问题。

3、现有技术的共同缺点在于：首先，过度依赖用户历史偏好数据，容易导致“信息茧房”，推荐结果同质化严重，限制了用户的探索性；其次，缺乏对用户行为背后深层动机和上下文语义的深度推理能力，处理新物品或复杂查询时泛化能力不足；最后，直接应用大型模型导致系统效率低下，难以满足实时推荐场景对响应速度的要求。

技术实现思路

1、本发明的目的是为了解决背景技术中所提出的问题，而提出的一种基于llm的多智能体协同推荐系统。

2、为了实现上述目的，本发明采用了如下技术方案：

3、一种基于llm的多智能体协同推荐系统，包括：

4、知识基础设施分区自治构建模块，用于实现多模态内容的处理、智能分区、知识向量化、分区知识图谱构建及分区检索增强服务，同时构建用户行为数据管道以实时采集和分层存储用户行为数据；

5、llm驱动的用户深度理解模块，用于获取并融合多源用户数据，对用户行为序列进行语义化重构，挖掘行为序列中的图关系，通过llm进行深度推理以洞察用户深层需求，并生成精准检索提示词；

6、多智能体协同检索与推荐模块，包括多个专用智能体和门控网络，所述专用智能体至少包括向量语义检索智能体和图谱推理智能体，用于基于用户需求完成多模态内容检索，所述门控网络用于对检索结果进行加权融合形成候选集，再通过粗排、精排智能体完成排序并生成最终推荐列表。

7、作为本发明进一步的方案：所述知识基础设施分区自治构建模块包括：

8、多模态内容理解单元，采用自研的dakon-ocr模型处理文本、图像类多模态内容，提取标题、正文及元数据并生成结构化语义信息；

9、智能内容分区单元，采用基于chinese-roberta-wwm-ext-large架构的dakon-kangxi分类模型，通过分析内容前150个字符实现内容精准分类，分类准确率>99%；

10、分区知识向量化单元，将各分区内的内容语义转换为高维向量，存储于elasticsearch对应分区中；

11、分区知识图谱构建单元，采用dakon-graph技术抽取各分区内内容的实体关系，构建分区子图谱并存储于nebulagraph中；

12、分区检索增强单元，通过dakon-rag框架提供分区内的语义检索与图谱检索融合服务。

13、作为本发明进一步的方案：所述用户行为数据管道包括：

14、实时采集单元，通过kafka消息队列实时采集用户点击、阅读等行为数据；

15、分层存储单元，将采集的用户行为数据路由至hdfs数据湖的对应分区目录，对结构化用户画像数据和非结构化行为序列描述数据进行分层存储。

16、作为本发明进一步的方案：所述llm驱动的用户深度理解模块具体执行以下步骤：

17、s1：从hdfs获取用户行为序列，并调用dakon-rag服务获取对应内容的详细信息；

18、s2：将原始用户行为日志重构为自然语言形式的语义化描述；

19、s3：通过dakon-graph分析行为序列中的隐藏关系，形成用户兴趣网络；

20、s4：将语义化描述和兴趣网络输入llm，由llm推理输出用户深层需求；

21、s5：由llm基于用户深层需求生成精准检索提示词。

22、作为本发明进一步的方案：所述多智能体协同检索与推荐模块的检索与排序过程包括：

23、步骤1：向量语义检索智能体基于用户需求embedding在对应分区的elasticsearch中进行相似度匹配检索；图谱推理智能体通过nebulagraph挖掘与用户兴趣相关的实体路径并完成检索；

24、步骤2：门控网络根据用户上下文动态为两个智能体的检索结果分配权重并融合，形成候选集；

25、步骤3：多个粗排智能体基于热度、相关性指标并行过滤候选集，输出top-k内容；

26、步骤4：多个精排智能体分别从相关性、多样性、新颖性维度对top-k内容打分，门控网络融合打分结果并完成重排序，生成最终推荐列表。

27、作为本发明进一步的方案：所述门控网络的权重分配策略可动态调整，对探索型用户赋予图谱推理智能体更高权重。

28、作为本发明进一步的方案：所述智能内容分区单元的替代实现方式包括采用albert、tinybert轻量级预训练模型微调实现，或采用规则+聚类初始分区结合llm优化的方式实现。

29、作为本发明进一步的方案：所述llm驱动的用户深度理解模块的替代实现方式包括采用多个专用小模型分别处理兴趣模式、演化分析维度，再通过集成学习融合结果；或采用规则引擎结合知识图谱进行推理。

30、与现有的技术相比，本发明优点在于：

31、1.突破信息茧房限制，通过知识基础设施分区自治设计和多智能体协同检索，结合多样性智能体的主动探索，有效提升推荐内容的多样性和跨领域探索性，拓宽用户视野；

32、2.实现深层需求精准匹配，基于llm的语义化重构与深度推理，结合知识图谱的关系挖掘，能够从用户行为序列中精准洞察深层意图，超越传统相似性匹配的局限，提升推荐准确性；

33、3.提升系统性能：通过轻量化自研模型（dakon-kangxi、dakon-ocr等）和分区架构设计，降低计算成本；多智能体并行工作结合门控网络动态融合，提高推理速度和实时性，满足实际应用场景需求；

34、4.增强泛化能力：分区知识组织与多智能体协同策略，使系统能够有效处理新物品、复杂用户查询等场景，提升系统的适应性和鲁棒性。

1.一种基于llm的多智能体协同推荐系统，其特征在于，包括：

2.根据权利要求1所述的基于llm的多智能体协同推荐系统，其特征在于，所述知识基础设施分区自治构建模块包括：

3.根据权利要求2所述的基于llm的多智能体协同推荐系统，其特征在于，所述用户行为数据管道包括：

4.根据权利要求3所述的基于llm的多智能体协同推荐系统，其特征在于，所述llm驱动的用户深度理解模块具体执行以下步骤：

5.根据权利要求4所述的基于llm的多智能体协同推荐系统，其特征在于，所述多智能体协同检索与推荐模块的检索与排序过程包括：

6.根据权利要求5所述的基于llm的多智能体协同推荐系统，其特征在于，所述门控网络的权重分配策略可动态调整，对探索型用户赋予图谱推理智能体更高权重。

7.根据权利要求6所述的基于llm的多智能体协同推荐系统，其特征在于，所述智能内容分区单元的替代实现方式包括采用albert、tinybert轻量级预训练模型微调实现，或采用规则+聚类初始分区结合llm优化的方式实现。

8.根据权利要求7所述的基于llm的多智能体协同推荐系统，其特征在于，所述llm驱动的用户深度理解模块的替代实现方式包括采用多个专用小模型分别处理兴趣模式、演化分析维度，再通过集成学习融合结果；或采用规则引擎结合知识图谱进行推理。