ACM TOIS (ACM Transactions on Information Systems) 是由美国计算机学会（ACM）出版的数据挖掘领域国际顶级期刊，主要聚焦于信息检索、数据挖掘、推荐系统等相关方向，在文本和推荐系统等领域享有较高学术声誉，被列为CCF A类国际期刊。

论文题目：Knowledge-Driven Reasoning for Compatible and Interpretable API Recommendation via Teacher LLM Distillation

博士生：谢建业（2024级）

收录期刊：ACM Transactions on Information Systems（CCF A）

DOI：10.1145/3771772

指导教师：齐连永

论文概述：该成果旨在提升大型语言模型在API推荐任务中的可解释性与兼容性。传统的API推荐方法通常依赖问答匹配或语义相似度检索，难以准确捕获用户查询与API功能之间的事实关联，同时忽略了API之间的协同关系与兼容性。针对上述问题，研究团队提出了KDRAR（Knowledge-Driven Reasoning for API Recommendation）方法，通过知识驱动的推理机制与教师模型蒸馏，实现了兼容且可解释的API推荐。具体而言，KDRAR采用双重匹配策略，同时匹配用户查询与API的功能描述及关键词，从多维度充分利用事实性知识以获取候选API列表；并构建动态兼容性矩阵，量化API之间的共用频率与兼容程度，在推理过程中实时更新以反映实际使用模式。此外，KDRAR利用教师大模型生成推荐理由与中间推理步骤，并通过人工优化修正幻觉与知识偏差，最终以思维链（Chain-of-Thought）方式对学生模型进行精调，从而增强其逐步推理与推荐能力。实验结果表明，KDRAR在Java API和Web API推荐任务上均显著优于现有方法，在提高推荐准确率的同时，实现了更合理的推荐解释与更强的知识鲁棒性，为基于大模型的可解释API推荐提供了新的技术路径。