基于大语言模型的知识驱动可解释性服务推荐方法

本发明属于服务计算与智能推荐，尤其涉及一种基于大语言模型的知识驱动可解释性服务推荐方法。

背景技术：

1、面向服务的计算的快速发展，推动web api以标准化、可复用的形式成为现代应用开发的核心构建模块，混搭技术通过集成多个功能互补的web api，可快速匹配用户定制化的业务需求，大幅降低应用开发门槛与周期。面对海量、功能各异的web api服务，服务推荐技术成为帮助开发者快速筛选适配api、提升开发效率的核心支撑技术。

2、近年来，知识图谱凭借对服务实体、属性及关联关系的结构化建模能力，被广泛应用于服务推荐领域，有效缓解了服务交互数据稀疏性问题。例如，中国发明专利申请公开号cn121166190a，公开了一种基于语义知识图谱的api智能推荐方法及系统，将语义相似度理解功能需求结合用户行为分析,提升推荐准确性,同时,引入服务热度调整机制,降低开发复杂度,提高服务复用率与开发效率。但现有基于知识图谱的服务推荐方法仍存在两大核心局限性：一方面，传统知识嵌入方法在捕捉不同语义细粒度关系、对复杂语义逻辑建模方面存在天然短板，易丢失服务与用户交互中的细粒度关键语义信息，限制了模型基于深层语义进行推理和泛化的能力；另一方面，从用户视角出发，现有方法的推荐结果缺乏与决策逻辑对应的直观语义表征，推荐决策背后的推理链路难以被有效追溯与理解，导致推荐系统的可解释性与用户信任度不足。例如，中国发明专利申请公开号cn119474540a，公开了一种一种知识引导的基于大语言模型的可信api推荐方法。

3、大语言模型凭借海量语料预训练习得的强大语义理解、逻辑推理与自然语言生成能力，可深度解析知识图谱中的文本信息与关系语义，丰富服务的属性信息表征，将非结构化的语义内容转化为高质量的向量嵌入，精准捕获服务间复杂的语义关联，弥补传统基于id表示方法丢失的语义信息；同时，其可基于结构化知识与提示模板，生成流畅、连贯、信息丰富的个性化自然语言解释，从根本上增强推荐系统的可解释性与透明度。例如，中国发明专利申请公开号cn120873294a，公开了一种基于大语言模型的个性化智能推荐方法及系统，其方法提高了可解释性及提升了推荐的精准度和透明性，但该方法未引入服务知识图谱进行结构化语义建模，仅通过简单向量拼接实现多源信息融合，无法弥合id/图结构嵌入与文本嵌入的语义鸿沟，且推荐与解释生成任务完全串行分离，难以实现二者的协同提升。

技术实现思路

1、为了克服已有技术的不足，本发明提出一种基于大语言模型的知识驱动可解释性服务推荐方法，实现服务深层语义的充分捕捉与推荐决策的可解释生成，兼顾推荐准确性与解释质量。

2、本发明解决其技术问题所采用的技术方案是：

3、一种基于大语言模型的知识驱动可解释性服务推荐方法，先构建服务推荐场景的协作知识图谱并提取服务中心子图与用户中心子图，借助大语言模型与提示模板把结构化三元组转化为可解释的自然语言描述，通过预训练文本嵌入模型映射为服务关系嵌入与可解释性文本嵌入；再以大语言模型增强的服务描述语义作为图编码的初始嵌入，对用户-服务交互图与服务知识图谱分别实施协作编码与关系感知编码，学习兼顾协作信号与知识语义的用户、服务表征并预测交互概率；接着将多源异构嵌入送入多头交叉注意力模块完成跨特征空间交互，拼接构建解释生成的完整提示序列；最后利用预训练transformer解码器逐词元生成初始推荐解释，经大语言模型二次优化，得到与推荐决策相匹配的个性化推荐解释。

4、进一步，所述方法包括以下步骤：

5、第一步，基于大语言模型增强的知识图谱语义理解与嵌入生成：将服务推荐场景构建的服务知识图谱三元组、用户历史交互服务数据输入到大语言模型中，经过定制化提示模板引导的语义解析与编码器映射处理后，提取到融合服务深层语义关联与用户个性化偏好的服务关系嵌入、用户偏好嵌入及可解释性文本嵌入；

6、第二步，基于大语言模型语义增强的图结构编码：将大语言模型语义增强的服务描述嵌入与服务关系嵌入，经用户-服务交互图协作编码与服务知识图谱关系感知编码处理，获得融合交互协作信号与全局语义关联的用户最终表征与服务最终表征；

7、第三步，基于多头交叉注意力的文本域交叉感知处理：将多源异构的id嵌入、图结构嵌入与可解释性文本嵌入输入至多头交叉注意力模块，通过跨特征空间的语义交互完成深度融合，并拼接全量特征向量以获取用于解释生成的完整提示序列；

8、第四步，个性化推荐解释生成与优化：对生成的提示序列进行个性化推荐解释的自回归生成与语义优化处理，通过解释生成大语言模型，得到最优推荐解释。

9、进一步，所述第一步的过程为：

10、步骤（1.1）构建服务推荐场景的知识图谱与核心子图；

11、构建服务推荐领域的服务知识图谱，知识图谱以头实体、语义关系、尾实体三要素构成的语义关系三元组为基本单元，其中，服务实体为服务推荐场景中待推荐的web api服务主体，为知识图谱的核心实体对象，属性实体为服务实体功能特征、技术参数、归属主体、类别标签、适用场景、调用约束、版本信息、依赖关系的固有属性的特征描述实体，关联实体为依附于属性实体、用于拓展服务深层语义的辅助实体，语义关系为所有实体之间逻辑关联的统称、知识图谱三元组的关系部分，包含属性关系与关联关系两种子关系；

12、构建用户-服务交互图，该图以用户实体与服务实体为两类独立节点，当用户与服务产生历史交互时在对应节点间建立连接边，其中，用户实体为代表真实用户或用户群体的节点。将用户-服务交互图与服务知识图谱相融合，得到统一表征用户、服务、属性实体及各类关联关系的协作知识图谱。针对每个服务，从协作知识图谱中提取以其为中心、包含服务实体、属性实体及由属性实体扩展得到的关联实体的两跳局部子图即服务中心子图，其中包含服务的一阶属性三元组与随机采样的二阶关系三元组。一阶属性三元组的头实体为服务实体、语义关联为属性关系、尾实体为属性实体，二阶关系三元组的头实体为属性实体、语义关联为关联关系、尾实体为关联实体。

13、所述第一步的过程还包括：

14、步骤（1.2）将步骤（1.1）得到的一阶属性三元组拼接为基础文本，通过预先定义的固定句式映射模板把二阶关系三元组转化为连贯的自然语言语句，结合增强服务关系语义的提示词构成完整提示序列，输入预训练大语言模型解析服务的深层语义关联，输出服务关系语义描述文本，再经大语言模型编码器映射为服务关系嵌入；

15、步骤（1.3）在协作知识图谱中以目标用户为核心，提取其产生历史交互行为的全部服务构成用户交互服务集合，对其中每个服务提取知识图谱中的一阶属性三元组集合，由用户交互服务集合与各服务对应的一阶属性三元组集合构成用户中心子图；将一阶属性三元组拼接为基础文本，串联所有历史交互服务的名称与对应文本得到用户子图信息描述，结合增强用户偏好语义的提示词输入大语言模型，基于用户历史交互推理潜在偏好，生成可解释的用户偏好描述文本，再由大语言模型编码器将用户偏好描述文本分解为语义子词令牌序列并映射为令牌嵌入矩阵，对该矩阵执行最大池化提取全局最大值特征，形成固定维度的可解释性文本嵌入。

16、再进一步，所述第二步的过程为：

17、步骤（2.1）通过增强服务关系语义的提示词驱动大语言模型增强原始服务描述文档的语义，得到语义增强后的服务描述文档，经大语言模型编码器映射为服务语义嵌入，再经线性变换层投影至与服务id嵌入相同的维度空间，得到维度对齐的服务描述嵌入，该线性变换层采用参数共享设计，同时服务于步骤（2.3）中服务关系嵌入的维度对齐，以统一语义空间；

18、优选的，所述第二步还包括：

19、步骤（2.2）以用户id嵌入为用户初始嵌入，以维度对齐的服务描述嵌入为服务初始嵌入，对每个用户，用其所有邻居服务的上一层嵌入做对称归一化加权求和，得到用户当前传播层的嵌入。对每个服务，用其所有邻居用户的上一层嵌入做对称归一化加权求和，得到服务当前传播层的嵌入，重复上述传播操作至l层。将各层嵌入加和取平均，形成兼顾交互协作信号与服务语义信息的最终用户表示与服务表示；

20、步骤（2.3）对步骤（1.2）得到的服务关系嵌入执行步骤（2.1）所述参数共享的线性变换，得到维度对齐的关系嵌入。通过基于关系的注意力机制，由头实体嵌入构造查询向量，将关系嵌入与尾实体嵌入逐元素相乘得到融合向量并构造键向量，计算头实体对每个邻域三元组的原始注意力得分，对同一头实体的全部邻域三元组的得分归一化后得到注意力权重。将维度对齐的关系嵌入与尾实体上一层嵌入逐元素相乘得到融合语义向量，按注意力权重对各邻域三元组的融合语义向量加权求和，再除以邻域三元组总数做平均归一化，得到头实体更新后的嵌入，逐层重复上述聚合过程至g层。将服务实体在知识图谱编码中第0层至第g层的嵌入逐元素相加，得到服务知识图谱表示，与步骤（2.2）得到的服务表示拼接为服务最终表征，并通过最终用户表示与服务最终表征的内积预测用户-服务交互概率。

21、所述第三步的过程为：

22、步骤（3.1）将步骤（2.2）得到的最终用户表示、步骤（2.3）得到的服务最终表征，连同用户id嵌入与服务id嵌入，分别作为查询嵌入，将步骤（1.3）得到的可解释性文本嵌入同时作为键嵌入与值嵌入，执行多头交叉注意力计算；每个注意力头通过头专属权重矩阵对查询、键、值嵌入做线性变换，将查询与键的相似度矩阵经向量维度的平方根缩放后归一化为注意力权重，再以注意力权重对值嵌入加权求和得到该头输出，全部注意力头的输出按向量维度拼接并经线性投影，获得用户id嵌入、服务id嵌入、最终用户表示与服务最终表征分别与可解释性文本嵌入交叉融合的四个交叉向量；

23、步骤（3.2）将用户id嵌入、服务id嵌入及其与可解释性文本嵌入的交叉向量，最终用户表示、服务最终表征及其与可解释性文本嵌入的交叉向量，连同可解释性文本嵌入按序拼接，构成输入解释生成模块的完整提示序列。

24、所述第四步的过程为：

25、步骤（4.1）将步骤（3.2）得到的提示序列加上位置编码，输入预训练transformer解码器，得到输出编码序列。采用自回归方式逐词元生成解释文本，每一步基于该编码序列与已生成的全部词元计算各候选词元的生成概率，选取概率最高的词元作为当前位置的生成结果，当生成文本终止符或达到预设最大文本长度时停止，得到初始推荐解释；

26、步骤（4.2）使用可解释推荐专用提示模板，将步骤（4.1）得到的初始推荐解释连同用户偏好信息、服务特征信息整合为优化提示序列，输入解释生成大语言模型，对初始解释开展语义优化、逻辑补全与个性化增强，得到最终的个性化推荐解释。

27、本发明的有益效果主要表现在：

28、1、通过提示模板引导的大语言模型语义解析，将服务中心子图与用户中心子图中的结构化三元组转化为可解释的自然语言描述，既挖掘了服务间的深层语义关联，又刻画了用户的个性化偏好，弥补传统知识嵌入方法难以建模细粒度语义逻辑的短板，为推荐与解释提供统一的语义基础；

29、2、以大语言模型增强并对齐的服务描述嵌入作为图编码初始嵌入，使交互协作信号与知识语义关联在消息传播中同时被捕捉，缓解基于id表示方法的语义丢失问题，提升节点表征的语义丰富度与推荐准确性；

30、3、引入多头交叉注意力机制，让id嵌入、图结构嵌入与可解释文本嵌入在特征空间中深度交互，弥合多源异构嵌入间的语义鸿沟，使解释生成同时建立在协同信号与深层语义之上，解释文本与推荐决策高度匹配；

31、4、采用transformer解码器自回归生成与大语言模型二次优化级联的生成方式，既保证解释文本的流畅连贯，又修正初始解释的语义偏差并补全推理逻辑，实现推荐准确性与可解释性的协同提升。