在做 GNN + 文本 / LLM 的服务推荐时，经常会看到一句话：
"现有方法难以有效对齐结构表示与文本表示。"
第一次看到这句话时，很容易误以为是向量数值范围不一样 、尺度不同 之类的数学问题。
但其实，这个理解是 不对的。
一句话先说结论
结构表示与文本表示不对齐，并不是向量大小的问题，而是"理解角度不一致"的问题。
换句话说：
同一个 API，在"怎么被用"和"它是什么"这两种视角下，被模型当成了不同的东西。
什么是结构表示？
结构表示只关心一件事：
这个 API 是"怎么被用的"？
模型只看：
- 哪些用户用过它
- 它和哪些 API 一起被用
- 使用频率和共现关系
⚠️ 它不知道 API 的功能含义。
例如：
- 如果 API A 经常和 API C 一起被用户调用
👉 模型会认为 A 和 C 很像
什么是文本表示？
文本表示只关心另一件事：
这个 API "是干什么的"？
模型只看：
- API 的功能描述
- 接口说明文档
- 文本语义相似性
⚠️ 它不知道用户是如何使用它的。
例如：
- 如果 API A 和 API B 的描述都是"天气相关"
👉 模型会认为 A 和 B 很像
那"不对齐"到底是什么？
当我们把两种视角放在一起时，问题就出现了：
| API | 结构视角（使用记录） | 文本视角（功能语义） |
|---|---|---|
| A | 和 C 很像 | 和 B 很像 |
| B | 单独一类 | 和 A 很像 |
| C | 和 A 很像 | 单独一类 |
👉 同一个 API，在两种"理解方式"下，被分进了不同的圈子。
这就叫：
结构表示与文本表示不对齐
一个重要澄清（非常容易误解）
❌ 不对齐 ≠ 向量范围差异
❌ 不对齐 ≠ 数值大小不同
如果只是数值问题：
- 归一化
- 线性变换
- 投影到同一维度
都可以轻松解决。
真正的问题是：
- 结构表示表达的是"使用模式"
- 文本表示表达的是"功能含义"
- 两者在"谁和谁相似"这件事上给出了不同答案
一个生活化的类比
- 结构表示：别人眼中的你（你和谁一起行动）
- 文本表示：你自己介绍的你（你说你是谁）
如果：
- 你自我介绍是"学生"
- 但每天出现在公司、会议室
那么：
- 在不同视角下，你"像不同的人"
👉 这不是数学问题，而是视角不一致。
为什么这在服务推荐中是个问题？
- GNN 学到的结构可能受 交互噪声 影响
- 文本语义是相对稳定的
- 如果两者不对齐：
- 相似功能的服务难以互补
- 噪声结构会误导推荐
- 长尾服务难以被正确理解
最后一句给未来的自己
"结构--语义不对齐"不是向量不一样，而是模型从'使用行为'和'文本描述'两种证据中，对同一个 API 形成了不一致的理解。
只要记住这一点，就不会再被这句话困住了。