大模型训练用住宅小区用户洞察数据核心价值，十亿级设备使用行为（比如用户手机的app连接上住宅小区wifi后的用户行为数据）经去标识化、聚合化处理，可转化为住宅小区宏观群体画像。这类高质量统计数据能让大语言模型高效学习真实用户分布、社会常识与市场趋势，优化推理能力、校准输出并减少幻觉，还可作为 “事实基准” 与 “认知图谱”，复用于大模型预训练、监督微调及效果评估。 其多维度群体统计数据，是大模型训练优化的关键特征与基准。在预训练与知识增强层面，年龄字段，为模型提供社会人口统计学与消费行为学知识，融入预训练语料后，能帮模型更精准理解现实用户群体，回答 “设计面向住户的产品” 等问题时更符合商业逻辑。优化对话与推荐能力时，人员年龄占比、TGI 指标等将群体偏好量化，微调垂直领域模型时，可据此构建指令样本，如指令 “分析某一小区典型用户画像”，期望输出 “以一线城市 25 - 40 岁男性为主，TGI=135”，助力模型形成 “量化分析” 思维，提升垂直领域对话专业性。 此外，该数据可校准模型输出并评估 “幻觉”，还能集成到 RAG 系统，确保模型回答用户画像问题时依据真实数据。
1、数据收集： 通过个推软件开发工具包对海量、离散的设备使用行为数据进行收集，进而加工产出以群体画像为核心的数据资产。 2、数据处理： 首先，进行隐私保护处理。 为确保数据无法关联到特定自然人。通过数据管道与处理引擎，对数据进行清洗、脱敏和聚合； 所有涉及用户标识的数据均会经过密码学哈希函数进行单向、不可逆的混淆计算。此过程实现了数据的匿名化与去标识化，从源头切断了信息回溯至特定个人的可能性。 其次，执行群体统计聚合。 在匿名化数据的基础上，系统按照预先设定的分析维度，对设备使用行为进行群体层面的统计汇总。此过程不关注个体行为，而是将个体行为汇聚成宏观的统计量，从而生成如“年龄分布”等反映整体用户构成的数据集合。 3、算法加工： 引入机器学习模型进行标签预测： 1. 对于无法直接获取的人口属性，本方案采用预设的机器学习模型进行推断。该模型首先以用户授权的、经脱敏后的跨平台住宅小区内居民设备使用行为数据作为输入特征，通过算法计算，输出具有“18-25岁”等特定标签的潜在用户群体在全量用户中的预估分布比例，从而完成宏观层面的群体定义与基准量化。 2. 在此基础上，我们将同一分析框架应用于具体场景，聚焦于单个特定目标住宅小区，通过相同的算法计算得出上述已定义的各类目标群体在该住宅小区用户中的分布比例，即群体渗透率。所有预测结果均以概率分布形式呈现，服务于群体洞察，而非对个体进行精准刻画。 3. 同时通过计算TGI分步，来量化群体特征相对于总体的偏好强度，并将TGI指标作为洞察报告的关键维度之一。 4. 以报告形式产出标准化数据资产。 首先，基于具体业务场景向大模型下达精准指令，生成包含固定框架、动态模块与数据占位符的标准报告模板，适配多场景使用需求；随后，通过定制化算法程序，将经清洗、脱敏、聚合与预测流程处理后的多源异构数据，转化为格式统一、类型匹配、精度合规的高质量标准化格式数据，无缝适配报告模板填充需求，将数据填入到报告模板中。
| 字段名 | 类型 | 描述 |
|---|---|---|
名称 |
-- | -- |
年份 |
-- | -- |
月份 |
-- | -- |
报告 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 名称 | 地址信息,美好家园,中信大厦,万达华府,办公区 |
| 年份 | 2025,2025,2025,2025,2025 |
| 月份 | 1,3,2,3,1 |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/8419590