准确识别关键类是提升复杂软件理解效率的有效途径。然而，基于PageRank算法识别关键类目前还存在两大局限：一是依赖模型忽略了潜在的语义依赖关系，影响模型构建的准确性；二是投票机制缺乏后向推荐，难以识别具有控制管理功能的关键类。为此，提出了一种LLM(Large Language Model)增强的融合前后向推荐机制的PageRankFBR(PageRank with Forward-Backward Recommendation)算法。该方法首先利用LLM与SNCM(Software Network Construction and Measurement)工具提取类间语义和结构依赖关系，以构建更全面的软件依赖网络；然后通过PageRankFBR算法计算节点重要性以筛选关键类。在11个开源项目上的实验结果表明：a) PageRankFBR在整体数据集上的性能指标Precision、Recall、Accuracy以及F1-Score在绝大多数情况下均显著优于基准度量，提升幅度分别为34%~87%、7%~19%、2%~22%和7%~43%；b) PageRankFBR在整体数据集上识别正确关键类的平均排名优于基准度量，提升幅度为50%~71%。实验结果证实了融合语义信息与前后向推荐机制能够更准确地识别系统关键类，为软件理解提供更可靠的切入点。