基于知识的推理用于兼容且可解释的API推荐：通过教师级大型语言模型（Teacher LLM）的蒸馏技术实现

《ACM Transactions on Information Systems》：Knowledge-Driven Reasoning for Compatible and Interpretable API Recommendation via Teacher LLM Distillation

API推荐在代码智能中至关重要，但现有方法存在兼容性不足和知识利用不充分的问题。本文提出知识驱动推理API推荐框架KDRAR，通过双匹配策略融合功能描述与关键词匹配，结合教师-学生LLM蒸馏机制增强推理能力，将兼容性信息转化为知识图谱并整合推荐过程，实验表明准确率显著提升。

　　

摘要

应用程序编程接口（API）推荐是代码智能领域中的关键任务，其目标是针对编程查询提供合适的API建议。最近的研究将大型语言模型（LLMs）整合到了这一任务中。然而，这些方法忽视了推荐API之间的兼容性问题，并且未能充分利用API的事实性知识。此外，这些仅依赖提示的方法受到LLMs领域特定知识不足的限制。在本文中，我们提出了一种新的微调方法KDRAR，该方法旨在利用LLMs进行知识驱动的推理，以实现兼容且可解释的API推荐。为了充分利用API的事实性知识，我们引入了一种双重匹配策略，该方法结合了功能描述和关键词匹配来检索候选API。为了解决兼容性问题，我们将兼容性信息转化为描述性知识[73]，并将其整合到推荐过程中。此外，我们采用了一种蒸馏式微调策略：通过从教师LLM中蒸馏出学生LLM，使其能够进行逐步推理，从而提高推荐和解释的质量。通过同时考虑功能匹配和兼容性信息，知识驱动的推理不仅提高了API推荐的准确性，还为推荐结果提供了合理的解释。实验结果表明，我们的方法在多个API领域的API推荐任务中显著优于基线方法。