1.一种融合大语言模型与动态对话意图的家装设计师推荐方法，其特征在于，所述方法包括如下步骤：步骤1，根据用户的ID、用户与销售顾问的历史对话文本、以及用户与设计师之间历史推荐关系，构建用户意图训练语料；根据设计师的ID、人口统计学信息、业务专长信息、以及设计师的历史成功推荐案例信息，构建设计师履历训练语料；

步骤2，基于用户意图训练语料生成用户意图集合，基于设计师履历训练语料生成设计师个人履历集合；

步骤3，基于用户意图集合与设计师个人履历集合生成用户历史对话图，所述用户历史对话图为异质图，所述用户历史对话图包括两种类型的节点对象集合和两种类型的边集合，两种类型的节点对象集合分别为用户意图集合和设计师个人履历集合，两种类型的边集合分别为转化过程中的边集合和已成功推荐的边集合，标记为转化过程中的边集合表示最终推荐尚未达成，标记为已成功推荐的边集合表示最终推荐成功，再将用户历史对话图转化为用于大语言模型的自然语言上下文；

步骤4，对自然语言上下文中的客户意图进行随机组合，得到随机组合后的自然语言上下文；

步骤5，基于设计师个人履历集合，进行设计师履历规范化，得到规范化后的设计师个人履历集合；

步骤6，采用随机组合后的自然语言上下文和规范化后的设计师个人履历集合对MOSS对话推荐系统进行训练，然后通过训练后的MOSS对话推荐系统进行设计师推荐。

2.根据权利要求1所述的融合大语言模型与动态对话意图的家装设计师推荐方法，其特征在于，步骤1中，用户意图训练语料为txt格式文本，用户与设计师之间历史推荐关系满足以下条件式： ；

其中， 表示被成功推荐了设计师的用户集合， 表示第k个用户， 表示与第k个用户存在历史推荐关系的设计师，表示历史用户集合， 表示设计师集合；

设计师履历训练语料为txt格式文本，设计师的历史成功推荐案例信息满足以下条件式： ；

其中， 表示被成功推荐给用户的设计师集合， 表示第j个设计师， 表示与第j个设计师存在历史推荐关系的用户。

3.根据权利要求1所述的融合大语言模型与动态对话意图的家装设计师推荐方法，其特征在于，步骤2中，设计师个人履历集合由多对专长元组组成，其中一对专长元组表示为，其中， 表示第i种设计专业知识， 表示第i种设计专业知识对应的权重，每个设计师均有对专长元组。

4.根据权利要求1所述的融合大语言模型与动态对话意图的家装设计师推荐方法，其特征在于，步骤4，对自然语言上下文中的客户意图进行随机组合，得到随机组合后的自然语言上下文，具体包括：获取自然语言上下文中的用户与销售顾问之间的历史对话文本，并通过预设评价方式对历史对话文本中包含的用户意图、问题和偏好打上标签，作为验证的样本；

将样本中的语句或对话段随机打乱，改变原始对话中上下文的先后顺序；

将打乱后的语句或对话段重新组合成一个新的语句或对话段，实现客户意图的随机组合，从而得到随机组合后的自然语言上下文。

5.根据权利要求3所述的融合大语言模型与动态对话意图的家装设计师推荐方法，其特征在于，步骤5中满足以下条件式： ；

其中， 表示规范化后的第i种设计专业知识的权重， 表示第w种设计专业知识对应的权重。

6.根据权利要求1所述的融合大语言模型与动态对话意图的家装设计师推荐方法，其特征在于，步骤6中，采用随机组合后的自然语言上下文和规范化后的设计师个人履历集合对MOSS对话推荐系统进行训练时，进行提示词微调和指令微调，通过提示词微调引导MOSS对话推荐系统理解随机组合后的自然语言上下文，再通过指令微调细化推荐任务的执行，其中，提示词微调和指令微调共享相同的最终目标损失 ，最终目标损失 的表达式为：；

其中，表示封装的初始参数，和 分别表示定制提示信息中的提示输入和提示响应，是训练集， 表示相应次数， 表示 的第 次的响应， 表示 之前的响应， 表示在提示输入 和 条件下 的条件分布概率。