用于高效检索人格数据的技术的制作方法

1.本公开总体上涉及数据检索领域。特别地，呈现了一种用于使得能够由客户端设备从服务器高效检索用户的人格数据的数字表示的技术。该技术可以以方法、计算机程序、装置和系统的形式实现。


背景技术：

2.几十年来，人格测试已经被用于评估人的人格特性，并且通常基于从待测试的人获得的人格调查数据来执行，其中调查数据由专业人员(诸如心理学家)来评估，以得出关于人的人格的结论。所谓的“ocean”模型是被广泛接受的人格特质分类，也被称为“五大”人格特质，并且包括开放性、责任心、外倾性、宜人性和神经质性作为人格维度。使用ocean模型的广为人知的人格测试包括基于所谓的国际人格项目池(international personality item pool，ipip)、hexaco
‑
60量表和五大人格量表
‑
10(big
‑
five
‑
inventory
‑
10，bfi
‑
10)的测试，这些测试包括用于在五个人格维度的每一个维度上测试人的问题集合。然而，由于常规人格测试通常需要由诸如心理学家的人类专业人员进行审查，以获得对人的人格特质的合格评估，所以很难将实行人格测试及其结果集成到在技术系统上执行的过程中，尽管这种集成可能是有益的，因为它将允许用于更好地适合用户的人格的适配过程，并因此改善用户体验，诸如通过向用户提供用户适配的服务。


技术实现要素：

3.因此，需要一种技术实施方式，其使得将人格测试及其结果集成到在技术系统上执行的过程中实际上是可行的。
4.根据第一方面，提供了一种用于使得客户端设备能够从服务器高效检索用户的人格数据的数字表示的方法，其中人格数据的数字表示在客户端设备处被处理，以向用户提供用户适配的服务。该方法由服务器执行，并且包括：存储被训练为基于从用户获得的输入来计算用户的人格数据的神经网络；从客户端设备接收对用户的人格数据的数字表示的请求；以及向客户端设备发送所请求的用户的人格数据的数字表示，其中基于从用户获得的输入，使用神经网络来计算用户的人格数据。
5.通过在服务器上存储经训练的神经网络并将其应用于计算用户的人格数据，可以使用户的人格数据的数字表示的检索自动化(因为可不再需要常规的人工审查)，并且因此，将用户人格数据的检索和使用集成到在技术系统上执行的过程(例如，自动化的过程)中可以变得可行。特别地，神经网络可以被视为高效的功能数据结构，其能够在单次计算运行中计算所请求的人格数据，即，通过在神经网络的输入节点处输入从用户获得的输入，并从神经网络的输出节点读取表示人格数据的所得到的输出值。由此，神经网络可以实现以数字表示的形式向客户端设备有效地提供人格数据，其中它可以用于提供适配于用户的特定人格的服务，从而改善客户端设备侧上的用户体验。由于数据的有效提供，人格数据的检索和使用的集成可以变得特别实用，因为人格数据的数字表示可以被提供给客户端设备而
没有显著的延迟，并且可以在客户端设备处被立即处理。因此，可以实现一种技术实施方式，其大体上使得将人格数据的检索和使用集成到在技术系统上执行的过程中变得实际上是可行的。
6.用户的人格数据可以指示用户的心理特性和/或偏好，并且由此，人格数据通常可以包括心理数据以及医学数据(例如，指示好奇、焦虑、抑郁等倾向的数据)，包括可以例如基于开放性、责任心、外倾性、宜人性和神经质性的人格维度(如上所述，被称为五大人格特质)的经典人格数据。用户的人格数据的数字表示可以包括提及的特性的数字表示，诸如由神经网络针对用户计算的开放性、责任心、外倾性、宜人性和神经质性的人格维度中的至少一个的数字表示。
7.客户端设备可以被配置为处理人格数据的数字表示，用于使得能够向用户提供用户适配的服务。在一个变型中，客户端设备本身可基于人格数据的数字表示来配置。例如，可以通过人格数据的数字表示来配置的示例性设备可以是车辆。在这种情况下，车辆可以是客户端设备。车辆可以处理用户(例如，车辆的驾驶员)的人格数据的所接收的数字表示，并对其自身(例如，包括其子部件)进行配置，以便使车辆的驾驶配置适配于驾驶员的人格，并且从而提供特别适配于用户的人格的驾驶服务。例如，如果人格数据指示驾驶员倾向于是规避风险或焦虑的，则车辆的驾驶配置可以被配置为更加针对安全，而对于倾向于具有更多寻求风险的人格的驾驶员，车辆的驾驶配置可以被配置为更加运动性。为此，在其他设置中，可以相应地适配车辆的油门和制动反应行为。提供车辆相关服务的车辆的子部件也可以基于人格数据来配置，诸如车辆的包括其声音和音量设置的声音系统，以例如更好地符合用户的人格。
8.在另一变型中，客户端设备可以基于人格数据的数字表示来配置至少一个其他设备，例如当其是向用户提供服务的至少一个其他设备时。在这种变型中，客户端设备可以是例如移动终端(例如，智能手机)，其可以与车辆进行接口(例如，使用蓝牙)(即，在这种情况下，车辆对应于所述至少一个其他设备)，并且在从服务器接收人格数据的数字表示时，移动终端可以经由所述接口来配置车辆。因此可以说，用户的人格数据的数字表示可以在客户端设备处被处理，以配置向用户提供服务的至少一个设备。配置至少一个设备可以包括配置至少一个设备的至少一个设置和/或配置由至少一个设备提供的服务的至少一个设置。应当理解的是，车辆仅仅是可以基于人格数据进行配置的设备的示例，并且客户端设备和/或至少一个其他设备也可以对应于其他类型的设备。
9.在一个实施方式中，由服务器执行的方法还可以包括：接收表征用户的反馈；基于反馈更新神经网络；以及向客户端设备发送用户的经更新的人格数据的数字表示，其中可以使用经更新的神经网络来计算用户的经更新的人格数据。用户的经更新的人格数据的数字表示可以在客户端设备处被处理，以改进向用户提供服务的至少一个设备的配置(例如，以上提及的车辆的配置中的一个)。反馈可以在客户端设备和/或向用户提供服务的至少一个设备处收集，并且可以指示用户的人格。例如，反馈可以包括反映当使用由至少一个设备提供的服务时在所述至少一个设备处被监控的用户的行为的行为数据，其中，在一个变型中，可以使用由向用户提供服务的至少一个设备执行的测量(例如，基于传感器的测量)来监控行为数据。在车辆示例中，例如，被监控的用户的行为可以是用户的驾驶行为，并且驾驶行为可以由车辆处的传感器测量。例如，为了测量驾驶行为，传感器可以感测用户的制动
反应和强度，并且由于这种测量可以指示用户的人格(例如，驾驶中的积极性)，这个信息可以作为反馈发送到服务器，以便更新神经网络，并且从而改进神经网络计算用户的人格数据的能力。
10.更新神经网络可以包括基于从客户端设备接收的反馈来训练神经网络，其中，如果反馈表示尚未被输入到神经网络的新输入值，则可以将新输入节点添加到神经网络，并且当训练神经网络时，可以将新输入值分配给新输入节点。这使得神经网络作为在本文呈现的技术实施方式中采用的有效功能数据结构的能力特别明显：神经网络表示有效可更新的数据结构，其可以基于从客户端设备接收的关于用户的人格的任意反馈来更新，以改进其计算人格数据的能力。由反馈传达的信息可以直接集成到神经网络中，并且一旦经训练，可以立即反映在发送给服务器的请求人格数据的数字表示的后续请求中。常规人格评估技术是相当固定的，可能根本不支持这种可更新性。
11.从服务器发送到客户端设备的用户的人格的数字表示可以对应于先前由服务器在计算用户的人格的先前请求时(例如，在通过由用户回答问题集合来执行人格测试时)计算的用户的人格的数字表示。因此，可以在从客户端设备接收请求之前计算用户的人格数据，其中该请求可以包括在计算用户的人格数据时由服务器先前提供给用户的访问码，其中访问码允许用户从不同的客户端设备访问用户的人格数据的数字表示。这种实施方式可以节省服务器处的计算资源，因为每次从客户端设备请求特定用户的人格数据的数字表示时，不必重新计算用户的人格的数字表示，而是可以基于预先计算的人格数据来返回该数字表示。反过来，用户可以使用访问码从多个不同的客户端设备访问人格数据的数字表示，诸如从用户可以驾驶的不同车辆，例如汽车和摩托车、或者其他类型的设备。
12.从用户获得的输入可以对应于反映关于用户的人格、目的和动机中的至少一个的问题的回答的数字评分(例如以人格测试的方式在问题回答方案中获得)，其中当使用神经网络计算用户的人格数据时，每个数字评分可以用作神经网络的单独的输入节点的输入。例如，数字评分可以对应于具有从1到5的值的五级李克特(likert)量表。神经网络可以对应于深度神经网络，该深度神经网络在包括输入节点的输入层和包括神经网络的输出节点的输出层之间具有至少两个隐藏层。例如，与人格相关的问题可以对应于常规ipip、hexaco
‑
60和/或bfi
‑
10池的问题，但是应当理解的是，也可以使用关于用户的人格的其他问题，包括关于用户的心理特性和/或偏好的问题。与用户的目的和动机具体相关的问题可以定义附加维度(例如，除了五大人格特质之外)，与常规ipip、hexaco
‑
60和bfi
‑
10技术相比，这些维度可以提高所计算的人格数据的准确性。可以基于在利用多个测试人员(例如，1000个或更多)进行的基本调查中收集的数据来训练网络，其中可以使用以上提及的问题来实行基本调查。
13.为了在计算用户的人格数据时降低计算复杂度，神经网络可以被设计成具有特定的网络结构。鉴于上述问题的场景，神经网络的结构通常可以被设计成使得与使用所有上述问题时可用的输入节点的数量相比，输入节点的数量减少。因此，问题可以对应于从表示计算用户的人格数据的最佳可实现结果的问题集合中选择的问题(即，如果问题集合中的所有问题都被用户回答)，其中所选择的问题可以对应于问题集合中的被确定为相对于最佳可实现结果最有影响的问题。如上所述，由于问题的每个回答可以被输入到神经网络的单独的输入节点，因此当计算人格数据时，选择问题集合的子集可以减少输入节点的数量，
从而降低计算复杂度。由于选择了相对于可实现结果最有影响的问题的事实，所以可以大致保持由神经网络输出的结果的准确性。
14.事实上，测试已经示出，在不显著牺牲结果准确性的情况下，问题的数量可以大幅减少。将包括标准ipip、hexaco
‑
60和bfi
‑
10问题(总计总共370个问题)的问题集合(可选地由关于用户的目的和动机的另外的问题来补充(带来总共超过370个问题的数量))作为表示计算人格数据的最佳可实现结果的问题集合，测试已经示出，当仅使用30个最有影响的问题时，可以实现最佳可实现结果的大约90％的准确性。由此，所选问题的数量可以少于被包括在表示最佳可实现结果的问题集合中的问题数量的10％(优选少于5％)。因为，在这种情况下，神经网络的输入节点的数量可以大量减少，可以显著节省计算资源，并且可以更有效地计算人格数据。
15.为了确定问题集合中的相对于最佳可实现结果具有最大影响的问题，在一个变型中，可以基于将问题集合中的每个单个问题的可实现结果与最佳可实现结果相关、并从问题集合中选择与最佳可实现结果具有最高相关性的问题，从问题集合中选择问题。因此，可以确定问题集合的表示最佳可实现结果的固定子集，然后，如上所述，该子集可以用于训练具有减少数量的输入节点的神经网络。
16.如所述的那样，最佳可实现结果可以对应于在由用户回答了问题集合中的所有问题(诸如包括标准ipip、hexaco
‑
60和bfi
‑
10问题的问题集合(可选地由关于用户的目标和动机的另外的问题来补充))的情况下实现的结果。尽管在一种变型中，标准ipip评分(通过回答标准ipip测试中的所有问题获得)、标准hexaco
‑
60评分(通过回答标准hexaco
‑
60测试中的所有问题获得)和标准bfi
‑
10评分(通过回答标准bfi
‑
10测试中的所有问题获得)可以单独作为最佳可实现结果的参考，但是在另一变型中，可以通过计算这些各个评分的组合评分作为最佳可实现结果的参考来实现改进，其中组合评分可以被计算为例如各个评分的平均值(例如，加权平均值)。组合评分也可以表示为表示可从各个评分导出的“真值”的“超评分”，大体上提高了所确定评分的意义并表示了对最佳可实现结果的改进参考。
17.在另一变型中，可以从问题集合中迭代地选择问题，其中，在每次迭代中，可以根据用户对先前问题的回答来选择下一问题，并且其中，在每次迭代中，下一问题可以被选择为问题集合中的被确定为对用于计算用户的人格数据的可实现结果最有影响的问题。这可以被视为问题的自适应选择，其中考虑到用户对先前问题的回答，以逐步的方式、以用户特定的方式确定问题。在一个特定的变型中，神经网络可以包括表示用户的人格数据的结果的概率曲线的多个输出节点，其中确定问题集合中最有影响的问题作为相应迭代的下一问题可以包括，对于神经网络的每个输入节点确定如下程度，输入到神经网络的相应输入节点的数字评分方面的变化根据该程度来改变概率曲线。与概率曲线中变化程度被确定为最高的输入节点相关联的问题可以被选择为用于相应迭代的最有影响的问题。
18.为了进一步降低计算复杂度，以上迭代和自适应选择可以在至少一个约束下执行，诸如要选择的问题的最大数量、要实现的最小结果精度(结果精度可以随着每次迭代的每个所回答的问题而增加，并且当达到期望的最小结果准确性时，可以停止计算)、最大可用时间(测试可以在最大可用时间过去时停止，或者每个问题可以与要由用户回答的估计的时间相关联，并且可以基于估计的时间来确定要选择的问题的数量)中的至少一个。对于人格数据的每次计算，这些约束可以分别地配置。
19.根据第二方面，提供一种用于使得能够由客户端设备从服务器高效检索用户的人格数据的数字表示的方法。该方法由客户端设备执行，并且包括：向服务器发送对用户的人格数据的数字表示的请求；从服务器接收所请求的用户的人格数据的数字表示，用户的人格数据是基于从用户获得的输入，使用被训练为基于从用户获得的输入来计算用户的人格数据的神经网络而计算的；以及处理人格数据的数字表示以向用户提供用户适配的服务。
20.根据第二方面的方法从客户端设备的角度限定了一种方法，该方法可以与由根据第一方面的服务器执行的方法互补。第二方面的服务器和客户端设备可以对应于上面关于第一方面描述的服务器和客户端设备。由此，关于第一方面的方法描述的那些方面(其可适用于第二方面的方法)也可以被包括在第二方面的方法中，反之亦然。因此在下文中省略了不必要的重复。
21.如在第一方面的方法中，用户的人格数据的数字表示可以在客户端设备处被处理，以配置向用户提供服务的至少一个设备，其中该至少一个设备可以包括客户端设备。由客户端设备执行的方法可以还包括：向服务器发送表征用户的反馈；以及从服务器接收用户的经更新的人格数据的数字表示，其中用户的经更新的人格数据可以使用基于反馈而被更新的神经网络来计算。用户的经更新的人格数据的数字表示可以在客户端设备处被处理，以改进向用户提供服务的至少一个设备的配置。反馈可以包括反映当使用由至少一个设备提供的服务时在至少一个设备处被监控的用户的行为的行为数据，其中可以使用由向用户提供服务的至少一个设备执行的测量来监控行为数据。该至少一个设备可以包括车辆，其中行为数据可以包括反映用户驾驶行为的数据。可以在向服务器发送请求之前计算用户的人格数据，其中该请求可以包括由服务器在计算用户的人格数据时先前提供给用户的访问码，访问码允许用户从不同的客户端设备访问用户的人格数据的数字表示。从用户获得的输入可以对应于反映关于用户的人格、目的和动机中的至少一个的问题的回答的数字评分。
22.根据第三方面，提供了一种计算机程序产品。计算机程序产品包括用于当计算机程序产品在一个或多个计算设备(例如，处理器或分布式处理器组)上执行时执行第一方面和第二方面中的至少一个的方法的程序代码部分。计算机程序产品可以存储在计算机可读记录介质上，诸如半导体存储器、dvd、cd
‑
rom等。
23.根据第四方面，提供了一种用于使得客户端设备能够从服务器高效检索用户的人格数据的数字表示的服务器，其中人格数据的数字表示在客户端设备处被处理，以向用户提供用户适配的服务。该服务器包括至少一个处理器和至少一个存储器，其中至少一个存储器包含可由至少一个处理器执行以使得服务器可操作为执行本文关于第一方面呈现的任何方法步骤的指令。
24.根据第五方面，提供了一种用于能够从服务器高效检索用户的人格数据的数字表示的客户端设备。该客户端设备包括至少一个处理器和至少一个存储器，其中至少一个存储器包含可由至少一个处理器执行以使得客户端设备可操作为执行本文关于第二方面呈现的任何方法步骤的指令。
25.根据第六方面，提供了一种系统，该系统包括根据第四方面的服务器和根据第五方面的至少一个客户端设备。
附图说明
26.本文中呈现的技术的另外的细节和优点将参考附图中示出的示例性实施方式来描述，在附图中：
27.图1a和图1b示出了根据本公开的服务器和客户端设备的示例性组成；
28.图2示出了根据本公开的可以由服务器执行的方法；
29.图3示出了根据本公开的可以由客户端设备执行的方法；
30.图4示出了根据本公开的用户、服务器和客户端设备(以汽车为例)之间的示例性交互；
31.图5示出了根据本公开的用户的移动终端、汽车和服务器之间的不同连接选项；
32.图6a和图6b示出了根据本公开的神经网络的示例性结构；
33.图7示出了根据本公开的示例性实施方式，其涉及考虑驾驶员的注意力水平来适配车辆的设置；以及
34.图8示出了根据本公开的示例性实施方式，其涉及考虑用户的身体扫描数据以向用户提供用户适配的服务。
具体实施方式
35.在以下描述中，出于解释而非限制的目的，阐述了具体细节以提供对本公开的透彻理解。对于本领域技术人员来说，显而易见的是，本公开可以以脱离这些具体细节的其他实施方式实践。
36.本领域的技术人员将进一步理解，本文在下面解释的步骤、服务和功能可以使用单独的硬件电路系统、使用结合编程的微处理器或通用计算机运行的软件、使用一个或多个专用集成电路(asic)和/或使用一个或多个数字信号处理器(dsp)来实现。还将理解的是，当在方法方面描述本公开时，其也可以实现在一个或多个处理器和耦接到一个或多个处理器的一个或多个存储器中，其中所述一个或多个存储器被编码有一个或多个程序，当由所述一个或多个处理器执行时，该一个或多个程序执行本文公开的步骤、服务和功能。
37.图1a示意性地示出了一种用于使得客户端设备能够从服务器100高效检索用户的人格数据的数字表示的服务器100的示例性组成，其中人格数据的数字表示在客户端设备处被处理，以向用户提供用户适配的服务。服务器100包括至少一个处理器102和至少一个存储器104，其中至少一个存储器104包含这样的指令，该指令可由至少一个处理器102执行，使得请求的服务器100可操作为执行本文参考“服务器”描述的方法步骤。
38.应当理解的是，服务器100可以在物理计算单元或虚拟计算单元(诸如虚拟机)上实施。还应当理解的是，服务器100可以不必在独立的计算单元上实现，而是可以作为驻留在多个分布式计算单元上的部件(实施为软件和/或硬件)来实施，例如在云计算环境中。
39.图1b示意性地示出了用于使得客户端设备110能够从服务器高效检索用户的人格数据的数字表示的客户端设备110的示例性组成。客户端设备110包括至少一个处理器112和至少一个存储器114，其中至少一个存储器114包含这样的指令，该指令可由至少一个处理器112执行，使得请求的客户端设备110可操作为执行本文参考“客户端设备”描述的方法步骤。
40.图2示出了根据本公开的可以由服务器100执行的方法。该方法致力于使得客户端
设备(例如，客户端设备110)能够从服务器100高效检索用户的人格数据的数字表示。在该方法中，服务器100可以执行本文参考“服务器”描述的步骤，并且根据以上描述，在步骤s202中，服务器100可以存储被训练成基于从用户获得的输入来计算用户的人格数据的神经网络；在步骤s204中，服务器100可以从客户端设备接收对用户的人格数据的数字表示的请求；并且在步骤s206中，服务器100可以向客户端设备发送所请求的用户的人格数据的数字表示，其中基于从用户获得的输入，使用神经网络来计算用户的人格数据。
41.图3示出了根据本公开的可以由客户端设备110执行的方法。该方法致力于使得客户端设备110能够从服务器(例如，服务器100)高效检索用户的人格数据的数字表示。在该方法中，客户端设备110可以执行本文参考“客户端设备”描述的步骤，并且根据以上描述，在步骤s302中，客户端设备110可以向服务器发送对用户的人格数据的数字表示的请求；在步骤s304中，客户端设备110可以从服务器接收所请求的用户的人格数据的数字表示，用户的人格数据是基于从用户获得的输入，使用被训练为基于从用户获得的输入来计算用户的人格数据的神经网络而计算的；并且在步骤s306中，客户端设备110可以处理人格数据的数字表示，以向用户提供用户适配的服务。
42.图4示出了用户402、存储被训练为基于从用户获得的输入来计算用户的人格数据的神经网络的服务器404、以及用于检索用户402的人格数据的数字表示以向用户402提供用户适配的服务的客户端设备之间的示例性交互，其中，在所示的示例中，客户端设备是可以由用户402驾驶的汽车406。如图所示，用户402可以通过回答问题来进行自动人格测试，例如，使用他的膝上型电脑或智能手机上的网络界面或应用，从而向存储在服务器404处的神经网络提供输入，基于该输入，神经网络可以计算用户402的人格数据。在所示的示例中，服务器404向用户402提供访问码，而不是向用户402发送人格数据的数字表示，可以由用户402使用该访问码以利用包括汽车406的不同客户端设备访问人格数据。用户402可以利用访问码在汽车406处(更具体地，在其车载计算机处)注册或登录，并且然后汽车406可以使用访问码从服务器404请求用户的人格数据的数字表示(在图中，用户的人格数据被表示为用户的“minddna”)。
43.一旦从汽车406接收请求，服务器404可以将用户的人格数据返回到汽车406，该汽车然后可以根据用户402的人格数据配置其驾驶配置(以及可选地，汽车406的子部件)，例如，适配汽车406的油门和制动反应行为，从而提供特别适合用户人格(例如，规避风险、寻求风险等)的驾驶体验。当用户402然后驾驶汽车406时，汽车406可以监控用户的驾驶行为，例如，使用测量用户的制动反应和强度的传感器，并且汽车406可以将这个信息作为反馈提供给服务器404，在该服务器中，可以处理该反馈以更新(通过训练)神经网络来改进其计算用户402的人格数据的能力。作为响应，服务器404可以将用户402的相对应的经更新的人格数据发送到汽车406，该汽车然后可以使用经更新的人格数据的数字表示来改进汽车配置，以便更好地与用户402的实际人格一致。总之，因此提供了一种系统，该系统可以允许将用户人格数据的检索和使用集成到自动化过程中，以根据从用户的人格数据导出的用户偏好来适配在其上提供的设备或服务的配置，从而改善用户体验。
44.图5示出了根据本公开的用户402的移动终端502(例如，智能手机)、汽车406和服务器404之间的不同连接选项。在一个变型中，汽车406可以经由互联网直接与服务器404通信，并且在用户402与汽车406进行认证时(例如，使用钥匙、智能卡、nfc/rfid、具有nfc的智
能手机、指纹等)，汽车406可以请求用户的人格数据(在图5中再次表示为用户的“minddna”)以改善用户402的驾驶体验。在另一变型中，当用户402携带移动终端502时，移动终端502可以(例如，使用安装在其上的专用应用程序)经由互联网与服务器404通信，并请求用户402的人格数据。在这个变型中，汽车406可以与移动终端502本地通信(例如，使用蓝牙、wi
‑
fi或usb线缆)，并从移动终端502检索用户的人格数据。汽车406和移动终端502之间的直接连接可以附加地用于利用安装在移动终端502处的传感器(例如，用于运动和加速度检测的陀螺仪，用于移动和加速度检测以及驾驶路线检测的gps，或者测量脉搏、血压等的医学传感器)来补充由汽车406自身搜集的反馈(例如，与用户的驾驶行为相关)，从而向服务器404提供由移动终端502感测的附加反馈，用于基于该反馈更新神经网络，如上所述。
45.图6a示出了根据本公开的神经网络602的示例性结构。神经网络602包括输入层、输出层和两个隐藏层。应当理解的是，图6a中示出的神经网络602仅总体上示出了深度神经网络的结构，并且存储在服务器404中的神经网络602的实际节点数量(至少在输入层和隐藏层中)可以显著高于图中示出的数量。如上所提及那样，已经使用总共370个问题或更多问题(取自标准ipip、hexaco
‑
60和bfi
‑
10问题，并且可选地由关于用户的目的和动机的进一步问题来补充)中的30个最有影响的问题进行了测试，从而带来神经网络602的输入层中的30个输入节点。在这种情况下，例如，隐藏层中的每一个可以配置有50个节点。进一步，如图所示，神经网络602可以在输出层中包括单个输出节点。在这种情况下，输出层的输出节点处的结果值可以表示一个人格维度(五大人格特质中的)的值，神经网络602已经在该人格维度上被训练。应当理解的是，神经网络602的这种结构仅仅是示例性的，其他结构通常也是可想到的。
46.神经网络602的更高级的结构包括根据可用的整个问题集合的数量的输入节点，这些问题可以取自标准ipip、hexaco
‑
60和bfi
‑
10问题，包括关于用户的目的和动机的另外的问题，以及关于用户的其他心理特性和/或偏好的未被以上问题覆盖的再另外的问题，潜在地总计数百个问题，例如超过600个问题。这样的神经网络602因此可以具有超过600个输入节点，每个输入节点对应于整个可用问题集合中的问题之一，并且隐藏层的节点的数量可以根据神经网络602的性能来选择。例如，神经网络602可以包括各自具有100个节点的两个隐藏层。进一步，在输入层中，可以复制以上提及的超过600个的输入节点，其中每个复制的输入节点可以用作缺失问题指示符。缺失问题指示符可以是二分的，也就是说，它们可以仅具有指示相对应的(原始的)输入节点的问题是否已经被回答的两个值(例如，0和1)。由于重复的输入节点，输入层可以包括总共超过1200个输入节点。
47.更高级的神经网络602的输出层可以具有多个输出节点，这些输出节点一起表示一个人格维度的概率曲线。例如，如果用于这个人格维度中的输出的标度在从0到10的范围，并且输出节点的数量是50，则每个输出节点可以表示标度的一部分，即对应于标度的各部分0至0.2、0.2至0.4、0.4至0.6、
…
、9.8.10。代替单个输出值，这样的输出层可以递送在这个人格维度上的输出值的整个概率曲线。图6b示出了示例性输出层以及相对应的概率曲线604。这种曲线可以允许确定输出值最可能在哪里(即，由曲线的峰值指示)，以及确定神经网络602计算结果的准确性(即，由曲线的宽度指示)。使用高级神经网络602，假设神经网络602针对每个维度被分别地训练，则对于任意数量的所回答的问题，可以以几条概率曲线(例如，对应于五大人格特质的五条概率曲线)的形式计算用户的人格数据。在尚未回答任
何问题的初始状态下，所有缺失问题指示器的值可以为“缺失”(例如，0)。在随后回答每个问题的情况下，可以计算输出值的更新，使得输出层上的概率曲线的宽度随着所回答的问题数量的增加而变小，使得神经网络602计算结果的准确性稳定地增加。
48.神经网络602的这种结构可以是特别有利的，因为它可以允许从整个问题集合中迭代地选择要由用户接下来回答的问题，其中，在每次迭代中，可以根据用户对先前问题的回答来选择下一问题，其中，在每次迭代中，下一问题可以被选择为整个问题集合中的被确定为对用于计算用户的人格数据的可实现结果最有影响的问题。为此，在每个所回答的问题上，可以重新计算几条(例如，五条)概率曲线，并且在重新计算的概率曲线中，可以确定具有最大宽度的一条(即，表示当前具有最低准确性的概率曲线)。作为迭代的下一问题，可以选择这个维度上的问题来提高这个维度上的准确性。为了确定最有影响的问题，可以为神经网络602的每个输入节点确定这样的程度：输入到相应输入节点的数字评分方面的变化根据该程度改变概率曲线(例如，曲线的宽度改变的程度)。基于此，与概率曲线中变化程度被确定为最高的输入节点相关联的问题可以被选择为用于相应迭代最有影响的问题。
49.神经网络602的高级结构也可以是有利的，因为它可以允许将反馈容易地集成到神经网络中。如上所述，如果反馈表示尚未被输入到神经网络602的新输入值，则可以简单地将新输入节点添加到神经网络602，并且当训练神经网络602时，可以将新输入值分配给新输入节点。以这样的方式，任何类型的新反馈可以容易地集成到网络中，使得神经网络602可以改进其计算人格数据的能力。作为在添加新的输入节点时降低计算复杂度的一种实施方式，可以设想的是，当网络被训练成将新的输入节点与网络的其他节点关联时，只有被确定为相对于最佳可实现结果最具影响的那些节点可以被合并到计算中，从而避免将所有节点合并到计算中。而且，可以设想的是，当网络被训练成将新的输入节点与网络的其他节点相关时，预先计算的层的数量被限制(例如，限制为2或3)以例如避免计算所有后续的节点组合。
50.在上面的描述中，用于高效检索用户的人格数据的数字表示的所呈现的技术已经在适配车辆的驾驶配置的场景下被举例说明，诸如将车辆的油门和制动反应行为适配于用户的人格。在这种情况下，本文描述的方法也可以表示为用于适配车辆的驾驶配置的方法，包括高效检索用户的人格数据的数字表示。应当理解的是，适配车辆的油门和制动反应行为只是适配车辆的驾驶配置的一个示例，并且更一般地，适配车辆的驾驶配置可以包括适配影响车辆的驾驶行为的任何车辆配置。由此，适配车辆的驾驶配置可以包括将车辆的油门和制动反应行为、车辆的底盘设置、车辆的驾驶模式以及车辆的自适应巡航控制(acc)的设置等中的至少一个适配于用户的人格。适配车辆的驾驶模式可以包括设置经济模式、舒适模式或运动模式，以根据驾驶员的人格影响车辆的油门踏板和燃料消耗行为。例如，如果人格数据指示驾驶员倾向于规避风险，则驾驶模式可以被设置为经济或舒适模式，而对于倾向于具有寻求风险的人格的驾驶员，驾驶模式可以被设置为运动模式。例如，适配车辆的驾驶模式还可以包括启用/禁用车辆的自动四轮驱动(4wd)模式。适配acc的设置可以包括设置到前方车辆的距离和/或目标驾驶速度，例如取决于驾驶员的风险规避性。
51.应当理解的是，本文呈现的技术也可以用于车辆场景中的其他目的，诸如适配车辆的客舱中的环境状况(或者更一般地，运输装置的客舱中的环境状况，因为驾驶室中的环境状况的适配可以类似地应用于其他运输装置，诸如飞机、火车等)。在这种情况下，本文描
述的方法也可以表示为用于适配运输装置的客舱中的环境状况的方法，包括高效检索用户的人格数据的数字表示。适配运输装置的客舱中的环境状况可以包括将客舱的温度(例如，通过适配客舱的空调设置)、客舱的内部照明以及客舱中的氧气水平等中的至少一个适配于用户的人格。附加地或替代性地，为了适配客舱中的环境状况，本文呈现的技术也可以用于适配关于客舱的用户特定设置。适配关于运输装置的客舱的用户特定设置可以包括将客舱中的用于用户的座椅配置(例如，座椅高度、座椅位置、座椅按摩设置、座椅安全带张紧等)和提供给客舱中的用户的声音系统的均衡器设置(例如，增加/减少低音或高度)等中的至少一个适配于用户的人格。
52.除了适配于用户的人格之外，还可以考虑(或“基于”/“根据”)指示客舱中获得的用户的注意力水平的传感器数据来执行车辆/运输装置设置的以上适配中的任何一个。换句话说，客户端设备可以被配置为不仅考虑用户的人格数据的数字表示，而且考虑指示用户的注意力水平的传感器数据，来适配车辆的驾驶配置、客舱中的环境状况和关于客舱的用户特定设置中的至少一个。换句话说，用户的人格数据的数字表示和指示用户的注意力水平的传感器数据可以在执行以上提及的适配之前被组合。指示用户的注意力水平的传感器数据可以包括例如关于用户的心跳、呼吸、疲劳度、反应时间和酒精/药物水平中的至少一个的数据。例如，传感器数据可以由安装在客舱或用户的移动终端中的至少一个传感器收集。
53.图7示出了示例性实施方式，其包括结合驾驶员的人格数据考虑驾驶员的注意力水平以便适配车辆的驾驶配置、客舱中的环境状况和/或关于客舱的用户特定设置。驾驶员的注意力水平可以由相对应的传感器根据例如用户的反应时间、疲劳度、心跳、呼吸、酒精/药物水平或用户的异常行为来检查。在图的左部部分，所收集的传感器数据指示用户的正常注意力水平，并且因此，车辆设置可以保持处于正常水平(例如，适配于驾驶员的人格或“minddna”)，包括例如速度、音量、温度和座椅设置。在图的中间部分，传感器数据指示驾驶员的降低的注意力水平，并且因此车辆设置可以被改变为降低的速度、更高的音量、更低的温度设置，包括打开座椅按摩功能，以便再次恢复驾驶员的注意力。可选地，可以执行注意力测试，诸如请求驾驶员在问题/回答方案中提供基于语音的响应，并且在适配以上提及的设置时可以考虑注意力测试的结果。另一方面，在图的右部部分，传感器数据指示非常低的驾驶员注意力水平，并且因此可以提供用户警告，并且可以相应地适配车辆设置，例如将车辆设置适配于非常低的速度(并且例如在下一次停车机会时强制停止车辆)、适配于静音的音频和/或适配成例如通过导航系统提供到下个酒店的方向。
54.为了向用户提供用户适配的服务，如上所述(例如，通过适配车辆的驾驶配置、客舱中的环境状况和关于客舱的用户特定设置中的至少一个)，客户端设备还可以考虑身体扫描数据，该身体扫描数据指示在向用户提供用户适配的服务之前(例如，在用户驾驶车辆之前)通过扫描用户的身体(例如，其至少一部分)可导出的用户的(例如，生理的)特性。可通过扫描用户身体导出的用户特性可以包括例如用户的尺寸、体重、性别、年龄、身材、姿势和情绪状态中的至少一个。身体扫描数据可以通过获取用户的一个或多个图像或语音信号的相机或语音记录器(例如，用户的移动终端的，或安装在车辆/运输工具上的)获得，其中身体/面部/语音识别技术可以用于扫描用户的身体并导出以上提及的用户特性。客户端设备因此可以被配置成不仅考虑用户的人格数据的数字表示，而且考虑(或“基于”/“根据”)
身体扫描数据来提供用户适配的服务。换句话说，用户的人格数据的数字表示和身体扫描数据可以在向用户提供用户适配的服务之前被组合。图8示出了示例性实施方式，其涉及结合驾驶员的人格数据来考虑驾驶员的身体扫描数据(例如，在进入车辆之前由驾驶员的移动终端(诸如，驾驶员的智能手机、智能手表或健身跟踪器)获得的身体扫描数据)，以便相应地适配车辆的驾驶配置、客舱中的环境状况和/或关于客舱的用户特定设置。在图中，身体扫描数据被表示为“bodydna”，其与“minddna”相结合形成所谓的“lifedna”。应当理解的是，所获得的身体扫描数据也可以用于提供表征用户对更新神经网络的反馈，如上所述。
55.在另一与车辆相关的用例中，本文呈现的技术也可以用于在制造车辆之前确定适配于用户的人格的车辆配置，其中车辆然后可以基于(或“根据”)所确定的车辆配置来制造。车辆可以以不同的配置选项(例如，由车辆制造商提供)制造，诸如具有不同的电机选项，各自具有不同的电机功率、驾驶技术选项(例如，支持两轮驱动(2wd)或4wd技术)、底盘选项、不同的驱动模式选项、支持acc等，并且当要为用户制造新车辆时，车辆配置可以被确定为特别适配于用户的人格。例如，如果人格数据指示用户倾向于是规避风险的，则所确定的车辆配置可以包括选择与针对其人格数据指示寻求风险人格的用户确定的车辆配置相比具有较低功率的电机。基于所确定的车辆配置，然后可以相应地制造车辆。由此，根据以上描述，还可以设想一种用于车辆制造的方法，包括由客户端设备从服务器高效检索用户的人格数据的数字表示，人格数据的数字表示在客户端设备处被处理，以提供适配于用户人格的车辆配置。该方法可以包括：从客户端设备向服务器发送对用户的人格数据的数字表示的请求；由客户端设备从服务器接收所请求的用户的人格数据的数字表示，用户的人格数据是基于从用户获得的输入，使用被训练为基于从用户获得的输入来计算用户的人格数据的神经网络而计算的；处理人格数据的数字表示以确定适配于用户的人格的车辆配置；以及基于所确定的车辆配置制造车辆。在车辆的制造过程中，应当理解的是，所确定的车辆配置也可以影响制造车辆所需的车辆零件的制造。例如，制造车辆可以包括制造用于制造车辆的一个或多个车辆部件，其中车辆部件根据所确定的车辆配置来制造(例如，使用3d打印机)。
56.应当理解的是，本文中呈现的技术不仅可以用于车辆/运输工具相关的用例，还可以用于其他用例，诸如使智能家用电器或机器人的配置适配于用户的人格。由此，根据以上描述，还可以设想一种用于适配智能家用电器(例如，自动卷帘、空调、冰箱、洗衣机、电视、机顶盒等)的配置的方法，包括高效检索用户的人格数据的数字表示，其中用户的人格的数字表示可以在客户端设备处被处理，以将智能家用电器的配置适配于用户的人格(例如，以适配智能家用电器实行其主要任务(诸如其关闭(卷帘)、加热/冷却(空调)、制冷(冰箱)、清洗(洗衣机)或记录/显示(电视/机顶盒)任务)的方式)。类似地，根据以上描述，可以设想一种用于适配机器人(例如，被配置为实行一个或多个家庭任务的人形机器人或家用机器人)的配置的方法，包括高效检索用户的人格数据的数字表示，其中用户人格的数字表示可以在客户端设备处被处理，以将机器人的配置适配于用户的人格(例如，以适配由家用机器人实行家庭任务的方式)。
57.各种其他用例通常是可设想的。例如，其他用例可以包括虚拟机器人的配置的适配、医疗设备的配置的适配，或者甚至是大脑的刺激。因此，根据以上描述，还可以设想一种用于适配虚拟机器人(例如，聊天机器人、虚拟服务人员或虚拟个人助理)的配置的方法，包
括对用户的人格数据的数字表示的高效检索，其中用户的人格的数字表示可以在客户端设备处被处理，以将虚拟机器人的配置适配于用户的人格(例如，以适配虚拟机器人实行其支持用户的任务的方式)。类似地，根据以上描述，可以设想一种用于适配医疗设备(例如床侧医疗设备)的配置的方法，包括对用户的人格数据的数字表示的高效检索，其中用户人格的数字表示可以在客户端设备处被处理，以将医疗设备的配置适配于用户的人格(例如，以适配给药方案，诸如止痛剂的给药等)。更进一步，可以设想一种用于刺激大脑(例如，生物的大脑或大脑的虚拟表示)的方法，包括对用户的人格数据的数字表示的高效检索，其中用户的人格的数字表示可以在客户端设备处被处理，以基于用户的人格来适配大脑的刺激程序。刺激程序可以包括例如对生物的大脑的电刺激或者对大脑的虚拟表示的适配/重新配置。例如，大脑的虚拟表示可以被馈送到机器人或其他形式的智能系统中，以便基于用户的人格影响这种系统的行为。
58.在所有上述示例和用例中，当提到将配置或设置“适配于用户的人格”时，应当理解的是，这种适配可以使用预定义的映射来实现，该映射将用户的人格的给定特性(如用户的人格数据的数字表示所指示的)映射到相对应的设备/装置(例如，车辆、运输装置、智能家用电器、机器人、医疗设备等，如上所述)的特定配置或设置。如所述的那样，例如，如果人格数据指示驾驶员倾向于是规避风险的，则车辆的驾驶模式可以被设置为经济或舒适模式，而对于倾向于具有寻求风险的人格的驾驶员，驾驶模式可以被设置为运动模式。可以为每个可能的人格特性
‑
配置/设置组合预定义这样的映射，并且根据所获得的用户的人格数据，可以相应地适配设备/装置的配置或设置。例如，如上所述，用户的人格特性可以对应于由神经网络输出的人格维度(例如，五大人格特质中的人格维度)的值。
59.相信从前面的描述中将完全理解本文呈现的技术的优点，并且显而易见的是，在不脱离本公开的范围或者不牺牲其所有有利效果的情况下，可以在其示例性方面的形式、构造和布置方面进行各种改变。因为这本文呈现的技术可以以多种方式变化，所以将会认识到，本公开应该仅由所附权利要求的范围来限制。