一种基于大语言模型的语义完整性保持的推荐系统方法

本发明公开了一种基于大语言模型的语义完整性保持的推荐系统方法。该方法通过融合用户‑物品交互数据和文本信息，构建用户和物品的提示模板，利用大语言模型生成语义丰富的配置文件，提取初始嵌入表示。随后，通过主成分分析和多层感知机进行两阶段降维变换，保留语义信息并生成低维嵌入。基于这些嵌入，计算余弦相似度，构建用户‑用户和物品‑物品相似图，并通过图卷积网络编码生成最终嵌入表示。同时，结合协同过滤捕获交互关系，优化联合学习目标，包括推荐损失、跨模态对比损失和正则化项，以对齐语义和协同过滤嵌入，最终生成高精度的个性化推荐结果。该方法有效提升了推荐系统的语义理解能力和推荐准确性，适用于多种推荐场景。