本申請涉及人工智能，尤其涉及一種基于cllm模型對用戶進行個性化預測的方法、控制裝置、計算機設備以及計算機可讀存儲介質(zhì)。

背景技術(shù)：

1、隨著自然語言處理技術(shù)的迅猛發(fā)展，cllm(contextualized?large?languagemodel)模型在多個領域展現(xiàn)出了卓越的通用處理能力。然而，傳統(tǒng)模型處理的方式通常忽視了用戶的個性化需求和具體使用情境(如忽略了用戶個體之間的差異，以及用戶在不同情境下的行為變化)，導致模型輸出的內(nèi)容可能與用戶的實際需求存在偏差(例如，模型可能無法實時響應用戶當前的地理位置、時間或環(huán)境因素，導致輸出的內(nèi)容缺乏個性化和情境相關(guān)性)；此外，現(xiàn)有的模型在整合用戶偏好和情境因素方面也存在限制，通常只側(cè)重于單一維度的信息分析，沒有實現(xiàn)多維度數(shù)據(jù)的深度整合，從而無法全面捕捉用戶行為的復雜性。

2、以上情形都導致了cllm模型難以準確捕捉用戶需求，也就難以預測得到符合用戶預期的內(nèi)容輸出，從而降低用戶對模型的滿意度和信任度，影響用戶對模型的使用體驗。

3、上述內(nèi)容僅用于輔助理解本申請的技術(shù)方案，并不代表承認上述內(nèi)容是現(xiàn)有技術(shù)。

技術(shù)實現(xiàn)思路

1、本申請的主要目的在于提供一種基于cllm模型對用戶進行個性化預測的方法、控制裝置、計算機設備和計算機可讀存儲介質(zhì)，旨在實現(xiàn)cllm模型準確捕捉用戶需求，提高用戶進行個性化預測的準確度，從而預測得到符合用戶預期的內(nèi)容輸出。

2、為實現(xiàn)上述目的，本申請?zhí)峁┮环N基于cllm模型對用戶進行個性化預測的方法，包括以下步驟：

3、根據(jù)采集到的用戶偏好數(shù)據(jù)和情境因素數(shù)據(jù)，構(gòu)建多維數(shù)據(jù)集；其中，所述情境因素數(shù)據(jù)與用戶活動記錄相關(guān)，用戶活動記錄用于產(chǎn)生所述用戶偏好數(shù)據(jù)，且所述情境因素數(shù)據(jù)包括行為時間、行為地點和所在地天氣中的至少一個；

4、基于多維數(shù)據(jù)集對預先構(gòu)建的cllm模型進行訓練，以使cllm模型學習用戶偏好數(shù)據(jù)與情境因素數(shù)據(jù)之間的關(guān)聯(lián)性，并具備基于關(guān)聯(lián)性進行自然語言的個性化輸出的能力；

5、利用訓練完成的cllm模型，針對目標用戶行為相關(guān)的情境因素數(shù)據(jù)進行數(shù)據(jù)分析，并預測生成符合目標用戶偏好的個性化結(jié)果。

6、可選的，所述根據(jù)采集到的用戶偏好數(shù)據(jù)和情境因素數(shù)據(jù)，構(gòu)建多維數(shù)據(jù)集的步驟之前，還包括：

7、對所述用戶偏好數(shù)據(jù)和所述情境因素數(shù)據(jù)進行數(shù)據(jù)清洗，剔除重復數(shù)據(jù)及錯誤數(shù)據(jù)，并對清洗后的數(shù)據(jù)進行預處理；

8、其中，預處理的方式包括以下至少一個：

9、統(tǒng)一數(shù)據(jù)格式；

10、對敏感信息進行脫敏處理；

11、對缺失值進行數(shù)據(jù)填充。

12、可選的，所述根據(jù)采集到的用戶偏好數(shù)據(jù)和情境因素數(shù)據(jù)，構(gòu)建多維數(shù)據(jù)集的步驟包括：

13、基于預定義規(guī)則創(chuàng)建數(shù)據(jù)映射表，以使用戶偏好數(shù)據(jù)與相應的情境因素數(shù)據(jù)進行關(guān)聯(lián)；

14、選擇數(shù)據(jù)存儲技術(shù)并設計數(shù)據(jù)表結(jié)構(gòu)，導入用戶偏好數(shù)據(jù)及關(guān)聯(lián)的情境因素數(shù)據(jù)，形成多維數(shù)據(jù)集。

15、可選的，所述基于cllm模型對用戶進行個性化預測的方法還包括：

16、在對cllm模型進行訓練時，將多維數(shù)據(jù)集劃分為訓練集、驗證集和測試集；

17、在執(zhí)行模型訓練的主循環(huán)時，使用訓練集進行前向傳播和反向傳播，并更新模型參數(shù)；

18、在每個訓練周期結(jié)束后，使用驗證集評估模型的泛化能力，監(jiān)測訓練誤差和驗證誤差，生成交叉驗證結(jié)果；

19、根據(jù)交叉驗證結(jié)果，調(diào)整模型的超參數(shù)；

20、在模型訓練完成后，使用測試集進行測試驗收，評估模型訓練結(jié)果。

21、可選的，所述利用訓練完成的cllm模型，針對目標用戶行為相關(guān)的情境因素數(shù)據(jù)進行數(shù)據(jù)分析，并預測生成符合目標用戶偏好的個性化結(jié)果的步驟之前，還包括：

22、利用數(shù)據(jù)采集模塊，在目標用戶發(fā)起請求時，自動抓取目標用戶行為相關(guān)的情境因素數(shù)據(jù)；以及，從目標用戶的歷史行為記錄中提取關(guān)鍵特征，形成歷史數(shù)據(jù)；

23、對目標用戶對應的情境因素數(shù)據(jù)和歷史數(shù)據(jù)進行數(shù)據(jù)預處理，以使處理后的數(shù)據(jù)符合cllm模型的輸入要求；

24、將目標用戶對應的情境因素數(shù)據(jù)和歷史數(shù)據(jù)，輸入到訓練完成的cllm模型中。

25、可選的，所述利用訓練完成的cllm模型，針對目標用戶行為相關(guān)的情境因素數(shù)據(jù)進行數(shù)據(jù)分析，并預測生成符合目標用戶偏好的個性化結(jié)果的步驟之后，還包括：

26、獲取目標用戶針對個性化結(jié)果的反饋信息；

27、對反饋信息進行語義分析，標注反饋類型及相關(guān)性，生成反饋數(shù)據(jù)；

28、將反饋數(shù)據(jù)與所述個性化結(jié)果相關(guān)的數(shù)據(jù)進行關(guān)聯(lián)，并基于關(guān)聯(lián)結(jié)果更新cllm模型。

29、可選的，所述利用訓練完成的cllm模型，針對目標用戶行為相關(guān)的情境因素數(shù)據(jù)進行數(shù)據(jù)分析，并預測生成符合目標用戶偏好的個性化結(jié)果的步驟之后，還包括：

30、建立模型更新周期，以定期重新訓練模型；以及，

31、引入在線學習機制，以利用實時數(shù)據(jù)流對模型進行即時調(diào)整。

32、為實現(xiàn)上述目的，本申請還提供一種控制裝置，包括：

33、構(gòu)建模塊，用于根據(jù)采集到的用戶偏好數(shù)據(jù)和情境因素數(shù)據(jù)，構(gòu)建多維數(shù)據(jù)集；其中，所述情境因素數(shù)據(jù)與用戶活動記錄相關(guān)，用戶活動記錄用于產(chǎn)生所述用戶偏好數(shù)據(jù)，且所述情境因素數(shù)據(jù)包括行為時間、行為地點和所在地天氣中的至少一個；

34、訓練模塊，用于基于多維數(shù)據(jù)集對預先構(gòu)建的cllm模型進行訓練，以使cllm模型學習用戶偏好數(shù)據(jù)與情境因素數(shù)據(jù)之間的關(guān)聯(lián)性，并具備基于關(guān)聯(lián)性進行自然語言的個性化輸出的能力；

35、預測模塊，用于利用訓練完成的cllm模型，針對目標用戶行為相關(guān)的情境因素數(shù)據(jù)進行數(shù)據(jù)分析，并預測生成符合目標用戶偏好的個性化結(jié)果。

36、為實現(xiàn)上述目的，本申請還提供一種計算機設備，所述計算機設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序被所述處理器執(zhí)行時實現(xiàn)如上述基于cllm模型對用戶進行個性化預測的方法的步驟。

37、為實現(xiàn)上述目的，本申請還提供一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上述基于cllm模型對用戶進行個性化預測的方法的步驟。

38、本申請?zhí)峁┑幕赾llm模型對用戶進行個性化預測的方法、控制裝置、計算機設備和計算機可讀存儲介質(zhì)，通過深度理解用戶偏好和情境因素，使cllm模型準確捕捉用戶需求，提供高度個性化的預測結(jié)果，生成自然流暢的語言輸出，以提高對用戶進行個性化預測的準確度，從而預測得到符合用戶預期的內(nèi)容輸出，提高用戶對模型的滿意度、信任度和使用體驗。

技術(shù)特征：

1.一種基于cllm模型對用戶進行個性化預測的方法，其特征在于，包括：

2.如權(quán)利要求1所述的基于cllm模型對用戶進行個性化預測的方法，其特征在于，所述根據(jù)采集到的用戶偏好數(shù)據(jù)和情境因素數(shù)據(jù)，構(gòu)建多維數(shù)據(jù)集的步驟之前，還包括：

3.如權(quán)利要求1或2所述的基于cllm模型對用戶進行個性化預測的方法，其特征在于，所述根據(jù)采集到的用戶偏好數(shù)據(jù)和情境因素數(shù)據(jù)，構(gòu)建多維數(shù)據(jù)集的步驟包括：

4.如權(quán)利要求1所述的基于cllm模型對用戶進行個性化預測的方法，其特征在于，所述基于cllm模型對用戶進行個性化預測的方法還包括：

5.如權(quán)利要求1所述的基于cllm模型對用戶進行個性化預測的方法，其特征在于，所述利用訓練完成的cllm模型，針對目標用戶行為相關(guān)的情境因素數(shù)據(jù)進行數(shù)據(jù)分析，并預測生成符合目標用戶偏好的個性化結(jié)果的步驟之前，還包括：

6.如權(quán)利要求1或5所述的基于cllm模型對用戶進行個性化預測的方法，其特征在于，所述利用訓練完成的cllm模型，針對目標用戶行為相關(guān)的情境因素數(shù)據(jù)進行數(shù)據(jù)分析，并預測生成符合目標用戶偏好的個性化結(jié)果的步驟之后，還包括：

7.如權(quán)利要求1所述的基于cllm模型對用戶進行個性化預測的方法，其特征在于，所述利用訓練完成的cllm模型，針對目標用戶行為相關(guān)的情境因素數(shù)據(jù)進行數(shù)據(jù)分析，并預測生成符合目標用戶偏好的個性化結(jié)果的步驟之后，還包括：

8.一種控制裝置，其特征在于，包括：

9.一種計算機設備，其特征在于，所述計算機設備包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序被所述處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至7中任一項所述的基于cllm模型對用戶進行個性化預測的方法的步驟。

10.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1至7中任一項所述的基于cllm模型對用戶進行個性化預測的方法的步驟。

技術(shù)總結(jié)
本申請涉及人工智能技術(shù)，公開了一種基于CLLM模型對用戶進行個性化預測的方法、計算機設備及存儲介質(zhì)，包括：根據(jù)采集到的用戶偏好數(shù)據(jù)和情境因素數(shù)據(jù)，構(gòu)建多維數(shù)據(jù)集；基于多維數(shù)據(jù)集對預先構(gòu)建的CLLM模型進行訓練，以使CLLM模型學習用戶偏好數(shù)據(jù)與情境因素數(shù)據(jù)之間的關(guān)聯(lián)性，并具備基于關(guān)聯(lián)性進行自然語言的個性化輸出的能力；利用訓練完成的CLLM模型，針對目標用戶行為相關(guān)的情境因素數(shù)據(jù)進行數(shù)據(jù)分析，并預測生成符合目標用戶偏好的個性化結(jié)果。本申請還公開一種控制裝置。本申請旨在實現(xiàn)CLLM模型準確捕捉用戶需求，提高用戶進行個性化預測的準確度，從而預測得到符合用戶預期的內(nèi)容輸出。

技術(shù)研發(fā)人員：李蘊洲,魏英達,李永輝,林朝輝,陳加星
受保護的技術(shù)使用者：深圳玄源科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/26