1.一种基于大型语言模型视图增强的对比学习序列推荐方法，其特征在于，包括以下步骤：步骤1，建立动态重要性评分机制，利用大型语言模型，根据用户和物品历史交互序列的隐层状态，计算重要性并生成动态调整因子；

步骤2，建立自适应序列裁剪方法，利用注意力机制进行序列数据增强，通过语义理解动态调整裁剪位置，根据动态调整因子，生成包含负样本对的增强视图；

步骤3，构造多模态双视图增强下的序列和项目双粒度对比学习方法，基于步骤2生成的增强视图构建对比学习任务，通过拉近正样本对表征距离、推远负样本对相似性，优化对比损失以强化对比学习方法对关键行为差异的感知能力；

步骤4，将原始的用户和物品历史交互序列输入线性递归单元LRU，提取用户动态兴趣表征并预测下一交互项的概率分布，同步计算常规序列推荐的损失函数；

步骤5，动态融合对比学习方法和常规序列推荐方法，通过加权组合损失函数进行优化，并通过反向传播联合训练模型。

2.根据权利要求1所述的方法，其特征在于，步骤1包括：构建用户和物品历史交互序列，其中 表示序列中第i个元素， 为序列长度；

通过预训练的大型语言模型BERT对用户和物品历史交互序列S进行处理，建立动态重要性评分机制，所述动态重要性评分机制执行如下操作过程：步骤1‑1，将用户和物品历史交互序列S转换为词向量，包括：输入数据：输入用户的历史交互记录；

清洗数据：去除无效交互；

序列分割：按固定长度切分长序列；

构建全局物品池：统计所有出现过的物品，生成唯一ID；

词汇表映射：为每个物品ID分配索引；

初始化嵌入矩阵：创建形状为 (B1, B2) 的随机矩阵，其中B1表示词汇表大小，B2表示嵌入维度；

序列向量化：将用户和物品历史交互序列S转换为索引列表，再通过嵌入矩阵映射为向量序列，得到标准化后的向量；

嵌入层输入：将标准化后的向量序列输入嵌入层；

步骤1‑2，通过多层Transformer提取隐层状态，步骤1‑3，沿特征维度计算位置重要性得分，用于后续信息裁剪；

步骤1‑4，通过多层隐层状态的聚合生成动态调整因子，公式为：，

其中， 表示第i个样本的动态调整因子， 表示预训练大语言模型BERT第k层输出的隐层状态矩阵，d为BERT的模型层数。

3.根据权利要求2所述的方法，其特征在于，步骤2包括：将调整因子 直接作用于位置编码，得到裁剪的动态起始位置 和弹性裁剪长度 ：，

，

，

其中，表示裁剪比例参数， 表示原始序列长度； 表示均匀分布随机采样，表示增强序列的位置编码矩阵； 表示一个从 1 到 的整数序列；

然后通过计算出的裁剪的动态起始位置 和弹性裁剪长度 计算得出增强序列 ，公式为：，

其中 表示原始的用户和物品历史交互序列； 表示截取从 开始，长度为 的序列部分。

4.根据权利要求3所述的方法，其特征在于，步骤3包括：将原序列S增强序列 分别作为正样本和负样本用于对比学习；

序列级对齐方法是通过提取增强序列的末端位置嵌入，捕捉用户行为的全局时序模式，序列级对齐的损失函数 的公式为：，

其中，N表示一个训练批次中包含的样本总数， 为序列级嵌入向量， 表示第i个样本的正例级嵌入， 表示第j个负例嵌入向量， 为可调节的温度系数， 为余弦相似度，exp表示自然指数函数，K表示每个锚点 需要对比的负例总数；

采用SASRec模型作为基础模型，使用位置编码矩阵 和增强序列 作为参数，输入到SASRec模型中得到增强序列的向量嵌入；

利用SASRec模型中的Transformer 编码层，以隐式的方式学习项目间的关系，实现项目级对齐，通过注意力权重构建局部项目相似性矩阵，项目级对齐的损失函数 为：，

其中 表示用户和项目的交互序列长度， 为第q个项目Transformer输出的隐状态，为第q个项目的局部对比表示； 是通过序列打乱生成的同一的增强变体经Transformer编码后的隐状态； 表示 和 的相似度；

最后，采用双粒度对比损失联合优化，得到对比学习的损失 ：，

其中， 、 表示权重系数。

5.根据权利要求4所述的方法，其特征在于，步骤4包括：将原始序列S为输入初始化隐藏状态，设初始状态 ，更新隐藏状态：，

其中， 是时间步t的输入向量， 的维度为 ， 是时间步t的隐层状态向量，的维度为 ， 为隐藏状态的权重矩阵， 为输入权重矩阵， 为偏置； 表示实数空间；

得到每个时间步时刻的兴趣 ，T代表输入交互序列的时间步总数，取最终状态 作为用户最终兴趣，用于预测下一交互；

将隐藏状态映射到物品空间：

，

其中， 为时间步t对应的物品空间中的映射结果， 为权重矩阵， 为偏置项；

通过Softmax函数生成用户下一步与每个物品交互的预测概率 ：。

6.根据权利要求5所述的方法，其特征在于，步骤4还包括：计算常规序列推荐的损失函数 ：，

其中 为真实标签，为候选物品数， 表示真实标签中对应物品 c 的指示值， 是输出的预测概率， 表示第c个物品权重系数。

7.根据权利要求6所述的方法，其特征在于，步骤5包括：动态融合对比学习方法和常规序列推荐方法，总损失函数 的计算公式为：，

其中 是对比损失的权重超参数。

8.根据权利要求7所述的方法，其特征在于，步骤5还包括：通过梯度下降法更新模型参数 ，最小化总损失：，

其中， 表示经过优化后得到的最优模型参数， 表示找到使 中的表达式取值最小的参数 。

9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行如权利要求1至8中任一项所述的方法的步骤。

10.一种存储介质，其特征在于，存储有计算机程序或指令，当所述计算机程序或指令在计算机上运行时，执行如权利要求1至8中任一项所述的方法的步骤。