SensorPersona：LLM 授权系统，用于从纵向移动传感器流中持续提取角色

个性化对于基于 大语言模型 (LLM) 的代理来说至关重要，以适应用户的偏好并提高响应质量和任务绩效。然而，大多数现有方法从聊天历史中推断角色，这些方法仅捕获自我披露的信息，而不是用户在现实世界中的日常行为，限制了推断全面用户角色的能力。在这项工作中，我们介绍了 SensorPersona，这是一个 LLM 授权的系统，可以从用户移动设备上不显眼地收集的多模式纵向传感器流中持续推断稳定的用户角色。 SensorPersona 首先对连续传感器流执行面向人员的上下文编码，以丰富传感器上下文的语义。然后，它采用分层人物推理，整合情节内和情节间推理来推断跨越身体模式、心理社会特征和生活经历的人物角色。最后，它采用集群感知增量验证和时间证据感知更新来适应不断变化的角色。我们在自行收集的数据集上评估 SensorPersona，该数据集包含来自 20 名参与者的 1,580 小时的传感器数据，这些数据是在 3 大洲 17 个城市历时长达 3 个月的时间收集的。结果表明，与最先进的基准相比，SensorPersona 在角色提取方面的召回率提高了 31.4%，在角色感知代理响应方面的胜率提高了 85.7%，并且用户满意度显着提高。