BERT和LLM都是预训练语言模型，可以用于句子-词语推荐。下面是使用Hugging Face库中的transformers模块来实现句子-词语推荐的示例代码：

首先，通过pip安装transformers库：

pip install transformers

然后，使用以下代码示例来实现句子-词语推荐：

from transformers import AutoTokenizer, AutoModel

# 加载预训练的BERT模型和tokenizer
model_name = "bert-base-uncased"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModel.from_pretrained(model_name)

# 输入句子
sentence = "I love coding"

# 使用tokenizer对句子进行编码
input_ids = tokenizer.encode(sentence, add_special_tokens=True, return_tensors="pt")

# 使用BERT模型获取句子的隐藏表示
outputs = model(input_ids)
sentence_embedding = outputs.last_hidden_state.mean(dim=1).squeeze()

# 输入词语
word = "programming"

# 使用tokenizer对词语进行编码
word_ids = tokenizer.encode(word, add_special_tokens=False, return_tensors="pt")

# 使用BERT模型获取词语的隐藏表示
word_outputs = model(word_ids)
word_embedding = word_outputs.last_hidden_state.mean(dim=1).squeeze()

# 计算句子和词语的相似度
similarity = torch.cosine_similarity(sentence_embedding, word_embedding, dim=0)

print(f"The similarity between '{sentence}' and '{word}' is {similarity.item()}")

在上述示例代码中，我们首先加载预训练的BERT模型和tokenizer。然后，我们使用tokenizer对输入的句子进行编码，并使用BERT模型获取句子的隐藏表示。接下来，我们使用tokenizer对输入的词语进行编码，并使用BERT模型获取词语的隐藏表示。最后，我们使用余弦相似度计算句子和词语的相似度，并输出结果。

请注意，上述示例代码中使用了BERT模型，您也可以将模型更改为LLM模型，只需将model_name更改为LLM模型的名称即可。此外，您还可以根据自己的需求调整代码以实现更复杂的句子-词语推荐功能。