WAG：按查询检索个性化可穿戴数据的知识子图

大语言模型 (LLM) 越来越多地应用于分析可穿戴传感数据，这些数据是长期的、多模式的、高度个性化的。一个关键的挑战是上下文选择：提供不充分的上下文会限制推理，同时包含所有可用数据会导致效率低下和生成质量下降。我们提出了 Wearable As Graph (WAG)，这是一种基于图的上下文检索框架，可以使用 LLM 对可穿戴数据进行查询自适应推理。 WAG 将可穿戴指标和用户特定信号组织成个性化知识图，并检索查询条件子图以支持下游生成。检索过程整合了全局关系，通过分层贝叶斯模型捕获先验知识以及群体和个体水平的模式，以及反映短期信号偏差的局部关系。查询开放信号进一步控制检索广度。我们根据来自现实世界可穿戴数据集的 10,000 多个基于数据的查询来评估 WAG。在基于 LLM 的评估和人工评估中，WAG 比基线和标准 RAG 方法获得了约 70% 的胜率，证明了结构化、查询自适应上下文检索对于 LLM 驱动的可穿戴数据分析的有效性。