用于向用户提供用户适配的服务的技术的制作方法

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。此外，呈现了一种用于向客户端设备的用户提供用户适配的服务的技术。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.根据本公开的方面，根据独立权利要求提供了一种用于向客户端设备的用户提供用户适配的服务的方法、计算机程序产品和客户端设备。在从属权利要求中记载了优选实施例。
5.根据第一示例性方面，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。
6.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。
7.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)或者常规的“16型人格”、“六大人格”或其他既定分类的人格维度的经典人格数据。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。
8.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。可选地，可以向用户展示人格数据的数字表示，使用户有机会在向用户提供用户适配的服务之前修改人格数据的数字表示的至少一个值，这可以使用户(至少在一定程度上)能够根据用户当前的偏好改变用户适配的服务。
9.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。在这种变体中，客户端设备的另一个示例可以是通过网络服务或网站(至少部分地)向用户提供用户适配的服务的服务器，在这种情况下，所述至少一个其他设备可以是利用网络服务或网站最终向用户提供用户适配的服务的(计算)设备。
10.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。
11.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。
12.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。
13.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；可选地，这些问题还可以包括智力(“iq”)测试的问题)，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(或“包括”)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、人口统计特性和/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。
14.超出常规ipip、hexaco-60和bfi-10问题的示例性问题如下表所示，其中，表1提供了具体与用户动机有关的问题的示例性列表，表2提供了具体与用户目标有关的问题的示例性列表，并且表3提供了关于用户的其他人格方面的示例性问题的列表，包括关于用户的人口统计方面的问题(例如，表3中的问题1至10)、关于用户偏好的问题(例如，表3中的问题11至15)和iq测试问题(例如，表3中的问题16至18)。应当理解，可能并非下表中列出的所有问题都需要可直接映射到对应数字分数的回答，比如在李克特量表(likert scale)上，因为预期回答可能是自由文本回答(例如，表2的问题11至22以及表3的问题)。应当理解，本领域的技术人员也将能够容易地将这种回答映射到对应的数字分数，比如通过将自由文本回答与预定义的数字分数进行关联。同样应当理解的是，当上面提到问题“对应于”常规ipip、hexaco-60和/或bfi-10池的问题时，这些问题可能不需要逐字地使用预定义的常规问题的确切措辞，但只要与预定义的常规问题保持语义相似性或对应性就可以进行改述。这同样适用于本文下表中列出的示例性问题。
15.使用神经网络计算的用户人格数据可以作为用户人格数据的“原始值”。在一些变体中，可以将用户人格数据的原始值与比较组人员的人格数据相关联(该比较组包含包括至少一个人的有限数量的人，例如，比较组的人格数据被计算为该组人员之间的平均人格数据)，以获得用户人格数据的“比较值”(或“相对值”)。换言之，用户人格数据的比较值可以通过测量用户人格数据的原始值与比较组的人格数据(例如，在每个单独的人格维度上)的距离(或差异)来获得。然后，距离(或差异)可以示出用户与比较组相比的人格。由于可以根据用例选择不同的比较组(示例性比较组可能是“仅限男性”、“仅限女性”、某些“年龄组”、“专业组”、“教育组”等)，因此用户人格数据的比较值可能会根据用例相应地变化。仅作为示例，在外向性维度上具有一定原始值的用户与所述用户的家庭成员相比，在外向性维度上可能具有较高的比较值，而与所述用户的同事相比，所述用户在外向性维度上可能具有较低的比较值。
16.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。
17.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。
18.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。
19.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。
20.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，可以根据用户对前一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，其中考虑到用户对前一问题的回答，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。
21.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。
22.根据第二示例性方面，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。
23.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。
24.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。
25.根据第三示例性方面，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)上执行时执行上述方面(包括第一方面和第二方面)中的至少一个方面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。
26.根据第四示例性方面，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。
27.根据第五示例性方面，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。
28.根据第六示例性方面，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
29.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：
30.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；
31.图2示出了根据本公开的可以由服务器执行的方法；
32.图3示出了根据本公开的可以由客户端设备执行的方法；
33.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；
34.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；
35.图6a和图6b示出了根据本公开的神经网络的示例性结构；
36.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；
37.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；
38.图9示出了根据本公开的可以由客户端设备执行的替代方法；以及
39.图10示出了根据本公开的可以由计算系统执行的替代方法。
具体实施方式
40.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。
41.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。
42.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。
43.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。
44.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。客户端设备可以简单地表示为“客户端”。在一些变体中，客户端110和服务器100可以在相同的计算设备(或计算系统)上实施，其中，例如，客户端110和服务器100可以被实施为在相同的计算设备/系统上执行的组件。
45.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。
46.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。
47.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”)。
48.一旦从汽车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。
49.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、手动输入代码等)，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。
50.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。
51.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。
52.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。
53.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，可以根据用户对前一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。
54.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。
55.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。例如，对于电动车辆，适配车辆的驾驶配置还可以包括适配车辆电池的充电/放电行为(例如，慢/快充电、充电容量水平、慢/快/均匀/不均匀的能量耗散)，或者取决于用户的人格来适配外部车辆扬声器产生的模拟马达/排气声音(例如，适配对应声音系统的声音类型和/或均衡器设置)。车辆电池的充电/放电行为同样可以通过相应地适配充电站的充电/放电行为来反映。
56.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、航天飞机等)。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(例如，与航天飞机中的宇航员相关)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。对于具有用于大量乘客的多个座位的交通工具，比如车辆、火车和飞行器，本文提出的技术也可以用于所述交通工具中的座位分配。在这种情况下，本文描述的方法可以表示为用于适配交通工具客舱中的座位分配的方法，所述方法包括对用户的人格数据的数字表示的高效检索。适配客舱中的座位分配可以包括为用户分配具体适配于用户人格的座位(例如，思想开放且善于交际的用户可能会被分配到其他乘客旁边的座位上，例如，在过道或中间座位上，而例如性格内向的用户可能宁愿坐在窗户旁边)。在为用户分配座位时，可以向用户发行并提供票(例如，打印的火车票或飞机票)，以允许访问所分配的座位。
57.应当理解的是，上述适配中的至少一些(即，适配车辆的驾驶配置、适配客舱中的环境状况和适配关于客舱的用户特定设置)可以相互依赖地自适应地执行，即，如果手动适配一个设置或考虑用户的人格数据来适配一个设置，则这可能会考虑用户的人格数据自动地需要应用一组进一步的设置。例如，如果车辆的油门和制动反应行为适配用户的人格，则这可能会自动地要求进一步的适配，例如相应地适配底盘设置和方向盘设置。作为另一个示例，如果为谨慎的驾驶员打开车辆的前照灯，则四轮驱动(4wd)和差速齿轮也可以自动地被启动。在又一个示例中，如果用户打开车辆中的加热系统，则方向盘加热和/或座位加热也可以打开并且被配置到适合用户的加热水平。
58.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。
59.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。
60.车辆/运输工具设置的上述适配也可以考虑(或“基于”/“根据”)与使用车辆或运输工具要行驶的计划路线有关的地理数据、天气数据和时间数据中的至少一个来执行。换言之，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，还考虑与计划路线有关的地理数据、天气数据和/或时间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。换言之，用户的人格数据的数字表示和与计划路线有关的附加数据可以在执行适配之前被组合。地理数据可以包括关于计划路线的地形的数据，例如山路的上升/下降坡度、关于蜿蜒或沿海道路的信息、海拔等。天气数据可以包括关于当前天气状况的信息(如由车辆或运输工具本身感测的，例如，使用雨传感器、温度传感器等)或关于计划路线的预报天气状况的信息(例如，下雨、阴天、晴天等)。时间数据可以包括关于计划路线的时间表的信息，例如，在白天驾驶、在光转换时段(黄昏或黎明)期间驾驶或在夜间驾驶。取决于这些数据，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可能会进行适配，以更好地适应用户的人格，例如，在沿计划路线的困难地形/天气/时间状况的情况下，激活4wd以便为风险厌恶的驾驶员提供更安全的驾驶体验。
61.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。替代地或附加地，通过身体扫描可导出的用户特性还可以包括例如用户的某些运动或用户携带的物品。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雷达设备、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；包括360度相机、红外(ir)相机等)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。
62.将进一步理解的是，在其他实施方式中，还可以设想客户端设备被配置为仅考虑身体扫描数据，即不考虑用户的人格数据的数字表示来提供用户适配的服务。在这样的示例中，身体扫描可以检测用户(例如，将面部识别用于认证目的)并在用户的运动(如通过身体扫描确定的)指示用户接近车辆时打开车门。类似地，当检测到用户携带物品(例如，包或手提箱)时，例如可以自动打开车辆的后备箱。这种方法通常可以被表述为用于向用户提供用户适配的服务的方法，该方法由客户端设备执行，并且包括获得通过扫描用户的身体的至少一部分可导出的指示用户特性的身体扫描数据，以及处理身体扫描数据以向用户提供用户适配的服务。以上提到的任何示例性身体扫描数据都可以用于这种目的，并且在客户端设备是车辆的情况下，可以例如使用身体扫描数据(即，在上述意义上，无需进一步考虑用户的人格数据)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。应当理解的是，如果至少部分身体扫描数据已经在用户的用户配置文件(profile)中可用(例如，预存储)，则还可以在认证用户时从用户配置文件中获得这样的数据，在这种情况下，可能不需要实时执行用于确定对应数据的身体扫描。本段中所描述的，即客户端设备可以被配置为仅考虑身体扫描数据，即不考虑用户的人格数据的数字表示来提供用户适配的服务，同样可以适用于本文所描述的其他车辆相关用例，包括考虑指示用户注意力水平的传感器数据的用例，考虑与上述计划行进路线有关的地理数据、天气数据和时间数据中的至少一个的用例，以及考虑被监测的、并且潜在地指示用户的自杀意图的预定义条件的用例，以及考虑在附近驾驶其他车辆的用户目的和/或偏好的用例，以实现下文描述的一组车辆的共同增强驾驶行为，对于所有这些，通常可以设想的是，它们类似地在操作时无需额外(或“组合”)考虑用户的人格数据的数字表示。
63.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，其中车辆然后可以至少部分地基于(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；以及至少部分地基于所确定的车辆配置制造车辆。例如，如果所确定的车辆配置被丢弃并且最终不制造车辆，则实际制造步骤可以是可选的。虽然可以设想仅根据用户的人格数据以这种方式确定车辆配置，但是应当理解，在确定车辆配置时可以考虑其他因素。例如，用户可以做出关于某些车辆配置选项(例如，选择某种型号或某种车辆颜色)的至少
一个预选择，然后可以根据该至少一个预选择来进行车辆配置的确定。附加地或可替代地，在确定车辆配置时，可以考虑来自在线顾问(例如，人工顾问或虚拟顾问，比如聊天机器人)的推荐。例如，用户可以与在线顾问进行在线讨论，然后可以根据在线顾问提出的一个或多个推荐来进行车辆配置的确定。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)。
64.在上述用例的概括中，本文提出的技术可以用于在生产产品之前确定适配于用户人格的产品组成，其中，然后可以至少部分地基于(或“根据”)所确定的组成来生产产品。这种产品不仅可以是车辆，如在前面的用例中提到的，还可以是例如化学或药物产品(例如，化妆品，比如面霜，包括护肤霜等)、纺织品或食品。产品可以以不同的组成选项(例如，由生产公司提供)生产。例如，化学或药物产品或食品可以用不同的成分选项或成分组成选项来生产，而纺织品可以用不同的纺织材料、服装风格或剪裁选项来生产。当用户将要订购这种产品时，可以确定产品的组成以具体适配于用户的人格。对于化妆品，例如，水分水平(例如，湿润/干燥)、光泽度水平(例如，光面/哑光)、风味类型(例如，有味道/中性)、香味类型(例如，有香味/中性)和皮肤效果类型(例如，皮肤舒缓/刺痛)中的至少一种可以适配于例如用户的人格。基于所确定的组成，然后可以相应地生产产品。因此，根据以上描述，还可以设想一种用于生产产品的方法，包括通过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，在客户端设备处处理人格数据的数字表示以提供适配于用户人格的产品组成。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，用户的人格数据是使用神经网络基于从用户获得的输入来计算的，所述神经网络被训练为基于从用户获得的输入来计算用户的人格数据；处理人格数据的数字表示以确定适配于用户人格的产品组成；以及至少部分地基于所确定的组成来生产产品。例如，如果确定的组成被丢弃并且最终不生产产品，则生产步骤可以是可选的。虽然可以设想仅根据用户的人格数据以这种方式确定产品组成，但是应当理解，在确定产品时可以考虑其他因素。例如，用户可以做出关于某些组成选项(例如，选择某种成分)的至少一个预选择，然后可以根据该至少一个预选择来进行组成的确定。附加地或可替代地，在确定组成时，可以考虑来自在线顾问(例如，人工顾问或虚拟顾问，比如聊天机器人)的推荐。例如，用户可以与在线顾问进行在线讨论，然后可以根据在线顾问提出的一个或多个推荐来进行车辆配置的确定。
65.在更进一步的与车辆相关的用例中，向用户提供用户适配的服务可以涉及旨在防止潜在具有自杀倾向的用户的损害的安全特征。为此，客户端设备(例如，车辆)可以监测潜在地指示用户的自杀意图的预定义条件(例如，基于传感器测量)。如果基于这样的条件确定了自杀意图，则客户端设备可以将检测到的条件与用户的人格数据进行比较，并且如果检测到的条件与用户的人格数据的组合(例如，指示用户遭受强烈的抑郁)得出的结论是确实可能存在自杀风险，则可以采取预防措施。客户端设备因此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(或“基于”/“根据”)被监测的并且潜在地指示用户的自杀意图的预定义条件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检测到的预定义条件可以在向用户提供用户适配的服务之前被组合)，其中向用户提供用户适配的服务可以包括触发一个或多个抵消用户的自杀意图的预防措施。示例性条件可以包
括检测到当车辆的发动机仍在运行时用户在车辆中保持坐姿或切换到躺卧位置，但车辆至少在预先确定的时间量内没有移动(可能指示废气侵入客舱，这也可以可选地由客舱中的传感器感测)。相应的对策可以包括触发警报、触发紧急呼叫(例如，拨打抑郁症热线、警察、朋友、家人等)或简单地停运发动机中的至少一种。另一个预定义条件可以包括检测到用户将车辆停放在有自杀风险的区域，例如在桥梁、陡峭的悬崖或在河流或湖边，这同样可能导致触发警报或紧急呼叫。更进一步的条件可以包括检测用户在高速驾驶时在交通中追尾的事实，可选地结合检测客舱中指示用户愤怒爆发的尖叫声，同时检测用户是车上唯一的乘客(例如，使用座位占用检测)，以排除尖叫声可能是由几名乘客之间争执的结果。相应的对策可以包括例如自动降低/限制车辆的行驶速度、自动保持安全距离、开始自动对话或播放音乐以放松用户以及建议替代行驶路线中的至少一种。应当理解的是，这些条件和措施仅仅是示例性的，并且通常可以想到各种其他的用例。
66.在又一个与车辆相关的用例中，向用户提供用户适配的服务可以不仅与用户本身的车辆有关，而且可以与整个车辆群有关。当一组车辆(包括用户的车辆)在彼此附近行驶时(例如，在视线范围内)，并且当其他车辆的用户(例如，驾驶员/乘客)的人格数据也可用时(例如，以与上面针对当前用户本身描述的相同/相似的方式)，可以将当前用户的人格数据与各个其他驾驶员的人格数据进行比较(或“匹配”)，以便确定和实现一组车辆的共同增强驾驶行为，即考虑(或“同时尊重”)个体驾驶员的人格而增强(或“优化”)交通的一组车辆的驾驶行为(或“配置”)，可选地，进一步考虑各个驾驶员的附加驾驶目的或偏好或心情。车辆因此可以是在彼此附近行驶的多个车辆之一，其中用户的人格数据的数字表示可以与多个车辆中的其他车辆的用户的人格数据的一个或多个数字表示进行比较，以考虑各个用户的个体人格，可选地进一步考虑各个用户的驾驶目的或偏好或心情，来实现多个车辆的共同增强驾驶行为。例如，如果一组车辆使用自动驾驶来行驶，可以设想，有压力的驾驶员的车辆可能会超车另一辆车，该另一车辆的驾驶员具有更放松的人格，从而允许接受这种超车行为。例如，共同增强的驾驶行为可以旨在增强(或“优化”)一组车辆之间的交通流量或能量消耗。因此，在一排车辆中，可以想到的是具有较为放松的驾驶者的车辆在其他车辆的尾流中行驶，或者在短途旅行中行驶并且具有足够的电能的电动车辆将他们的部分能量转移(例如，使用感应)到其他具有更保守的司机的在长途旅行中行驶的车辆。为了考虑用户的特定驾驶目的或偏好或心情，用户可以输入对应的目的或偏好或心情，例如在车辆旅途的开始或期间，例如，通过“我很赶时间”、“我是放松的”、“我有压力”等陈述。这种信息还可以基于对向用户提出的问题的回答来收集，这些回答反映了用户的驾驶目标或偏好或心情。示例性问题列出在下表4中。如果车辆中有多位乘客，车辆中所有乘客的人格数据可以被用于确定代表车辆中所有乘客的集体人格数据，然后可将其与其他车辆的人格数据进行比较。例如，确定集体人格数据可以包括对车辆的单个乘客的人格数据及其值进行平均或加权。这同样适用于用户的驾驶目的和偏好，它们同样可以被组合成集体目的和/或偏好以与其他车辆进行比较。为了在一组车辆之间实现共同增强的驾驶行为，车辆可以使用车辆对车辆(v2v)通信来相互通信，例如，以相应地协调它们自己。
67.应当理解，上述确定集体人格数据的概念可以独立于上述多个车辆用例进行推广和使用。事实上，可以为多个用户一起使用用户适配的服务的几乎任何用例定义集体人格数据。因此，如果多个用户共同使用用户适配的服务，则可以组合所有用户的人格数据以确
定代表共同使用所述服务的所有用户的集体人格数据。例如，确定集体人格数据可以包括对单个用户的人格数据及其值进行平均或加权。然后可以基于集体人格数据提供用户适配的服务，即，处理人格数据的数字表示然后可以包括处理集体人格数据的数字表示，以向用户提供用户适配的服务。
68.将进一步理解的是，上述定义在多个车辆中行驶的用户的驾驶目标或偏好的概念可以独立于上述多个车辆用例进行推广和使用。这种用例相关的目标和偏好可以为几乎任何用例定义，因此，当向用户提供用户适配的服务时，通常可以使用用例相关的目标和偏好。用户的用例相关的目标和偏好可以具体涉及提供给用户的用户适配的服务。这种目标和偏好在本文中也可以表示为用户的“实际人格信息”，因为它们具体涉及当前正在(或将要)提供给用户的“实际”用户适配的服务。因此，用例相关的目标和偏好将与上述与“从用户获得的输入”相关联的目标和偏好区分开来。如上所述，从用户获得的输入可以对应于对关于用户的人格、目标和动机中的至少一个的问题的回答(其中，与人格相关的问题可以对应于有关用户偏好的问题)。虽然用例相关的目标和偏好同样可以从对用户提出的问题的回答中获得，但是这种问题可以对应于特别针对“实际”用例(即，用户适配的服务)并依赖于特定用例的问题，而上述与“从用户获得的输入”相关联的问题可以对应于关于用户“一般”目标和偏好的一般问题，即，不是特别针对本用例的问题，或者换言之，独立于本用例的问题。应当理解，目标和偏好可能不是唯一的“实际人格信息”，但其他类型的实际人格信息通常是可以设想的。一个这种示例可以是在向用户提供用户适配的服务时用户的当前心情(例如，也可以理解为当前“感觉”或“状况”)，所述当前心情也可以被考虑用于将服务具体地适配给用户。有关用户当前心情的信息同样可以从对用户提出的问题的回答中获得。
69.关于用例相关的目标、偏好和/或心情的示例性问题示出在下表中，其中，表4提供了具体与乘车用例有关的问题的示例性列表，表5提供了具体与车辆制造用例有关的问题的示例性列表，表6提供了具体与交通工具座位分配用例有关的问题的示例性列表，并且表7提供了具体与电子商务用例(可购买的产品)相关的问题的示例性列表。应当理解，这些用例相关的问题集仅仅是示例性的，并且对于这些和其他用例的各种其他类型的问题通常是可以设想的，只要这些问题针对上述意义上的用例相关的目标、偏好和/或心情。从表4到表7中呈现的示例性问题集，可以很容易地看出这些类型的问题(具体针对“实际”用例)如何与表2和表3中所示的用户“一般”目标和偏好问题(这些问题与用例无关)区分开来。
70.在一些实施方式中，“实际人格信息”可以用作上述关于图2和图3所描述的方法中的“从用户获得的输入”，或者作为单独的“从用户获得的输入”或与任何其他上述“从用户获得的输入”组合。因此，可以设想一种用于向用户提供用户适配的服务的方法，该方法大体上可以对应于上面关于图2和图3所描述的方法，唯一的区别是，“实际人格信息”可以用作(单独或附加的)“从用户获得的输入”，基于此，神经网络然后可以根据上述描述计算用户的人格数据。
71.正如所述的那样，用户的实际人格信息可以是从对用户提出的问题的回答中获得的。在其他变体中，实际人格信息(比如用户的当前心情和用户的用例特定偏好)不仅可以通过问题/回答方案从用户获得。例如，可以基于上述描述意义上的身体扫描数据获得实际人格信息。因此，用户的当前心情和用户的一个或多个偏好中的至少一个可以是从指示用户的特性的身体扫描数据获得的，所述特性可通过扫描用户的身体的至少一部分得到。身
体扫描数据可以对应于并且可以根据以上关于身体扫描数据的描述来获得。为了评估用户的当前心情，可以使用上述技术之一得出用户的情绪状态，比如通过使用身体/面部/语音识别技术来解释用户的面部表情、手势和/或语音。几项身体扫描数据可以组合起来得出关于用户的心情或偏好的结论。例如，在车辆中，方向盘中的传感器可以测量手压、血压和脉搏，以便以高精度确定用户的压力水平。作为另一个示例，可以基于解锁车门、打开车门、坐在方向盘后方的座位上、点火时间、换挡等(由车辆中的不同传感器检测到的每个动作)之间的时间来检测用户的忙碌行为。因此，可以组合至少两种不同类型的身体扫描数据以确定用户的当前心情和用户的一个或多个偏好中的至少一个。可以基于眼睛跟踪获得身体扫描数据的其他变体，所述变体可以用于检测用户的偏好，例如，基于用户查看的超过阈值时间量的项目。眼睛跟踪数据同样可以与其他身体扫描数据(比如，血压/脉搏测量，例如，其可以指示所查看的项目是否引起用户的情绪变化)组合。除了眼睛跟踪之外，应当理解，鼠标跟踪可以用作替代技术，例如，当用户使用计算机时。因此，可以通过眼睛跟踪或鼠标跟踪用户获得用户的一个或多个偏好中的至少一个。
72.在多个用户共同使用用户适配的服务的情况下，应当理解，可以组合为所有单个用户获得的身体扫描数据以确定代表共同使用所述服务的所有用户(即，用户组)的集体身体扫描数据。例如，确定集体身体扫描数据可以包括对单个用户的身体扫描数据及其值进行平均或加权。然后可以从集体身体扫描数据中获得用户组的当前集体心情和用户组的集体偏好。然后可以基于集体身体扫描数据提供用户适配的服务，即，处理人格数据的数字表示可以包括处理集体人格数据的数字表示，以向用户组提供用户适配的服务，其中，集体人格数据是基于集体身体扫描数据计算的。仅作为示例，如果通过面部识别检测到车辆中四分之三的乘客在沿海蜿蜒路线骑行时因恶劣的天气条件而感到焦虑，则整个乘客组的当前集体心情可以被确定为焦虑的，因此，车辆的驾驶配置可以适配于基于更多的安全特征。
73.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、家用机器人、充当虚拟驾驶员驾驶车辆的机器人、超市中的售货机器人、农业机器人、机器人外骨骼等)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，以适配机器人的行为，例如机器人移动、执行工作程序或执行控制的方式，例如以适配人形机器人模仿面部表情的方式(例如，嘴唇或眼睛的运动)，以适配由家用机器人实行家庭任务的方式，以适配农业机器人执行种植任务的方式，或以适配机器人外骨骼支持携带所述外骨骼的用户运动的方式)。
74.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)。在一些变体中，虚拟机器人可以以全息图的形式呈现(例如，显示在自由空间中或作为比如车辆的平视显示器的一部分显示)。虽然可以设想所显示的全息图可以反映与用户交谈的人(例如，化身)，但是应当理解，也可以使用适配于用户人格的其他图像或视频来显示全息图。此外，不仅可以适配全息图的显示，还可以适配虚拟机器人与用户交互(例如，说话)的方式，比如通过适配虚拟机器人的语音特性(例如，语音频率/音量、男性/女性等)或虚拟机器人的说话方式。仅作为示例，显示在车辆平视显示器中的全息图可以显示为使用威权语言进行说话的警察。适配虚拟机器人的配置还可以涉及向用户提供通知、指令或警告的方式。可以以适配于用户人格的方式向用户提供这种消息，使得例如降低行为缺陷的概率和/或增加用户对消息的接受度(例如，通过提供解释/证明消息提供的用户适配声明)。在车辆上下文中，例如，如果用户具有好奇的人格，则可以设想在附近发生事故的情况下，提供针对防止用户伸长脖子看的警告消息，从而潜在地避免进一步的事故。
75.类似地，根据以上描述，可以设想一种用于适配患者的治疗计划或适配医疗设备(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，特别是适配于改变应用于用户的医学治疗的方式，比如对用户的身体施加物理力的治疗和/或向用户施用医学物质(例如药物)的治疗(例如，适配心脏起搏器的设置，适配机电可调节假体的机械配置，以适配药物分配过程或给药方案，诸如止痛剂的给药等)。类似于医疗设备，可以设想一种用于适配运动器械(例如，训练设备，比如跑步机、健身自行车、交叉训练器等)的配置的方法，该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使运动器械的配置适配用户的人格(例如，适配运动器械的阻力以增加/减少用户施加的力，适配用户在运动器械上采用的位置，使存储在运动器械上的训练程序适配用户的人格等)。应当理解，如上所述，对于虚拟机器人，适配医疗设备或运动器械的配置同样可以涉及向用户提供通知、指令或警告的方式(例如，为了确保用户在适当的时间服用药物，或在训练期间以最适合用户的方式激励运动器械的用户)。
76.在此上下文中应当进一步理解，更一般地，作为用户适配的服务的一部分提供给用户的任何类型的消息或信息(如本文一般描述的)都可以适配于用户的人格，例如包括广告消息。这种消息可以在一些变体中显示在用户附近(例如，视线中)的远程屏幕(比如安装在公共场所(例如，机场、街道等)处的电子广告板(或“广告牌”))上。客户端设备(例如，用户携带的智能手机或平板计算机)可以将人格数据传输到提供用户适配的服务的服务器(例如，经由客户端设备在其中注册的本地网络，比如公共场所可用的wi-fi网络)，其中，服务器可以使远程屏幕上显示的消息或信息适配用户。应当理解，除了通过wi-fi网络，人格数据也可以经由其他技术渠道传输到这种服务器。在一个变体中，可以将人格数据与使用客户端设备执行的交易(例如，购买产品或服务的付款交易)一起传输到服务器，其中，例如，人格数据可以与交易数据一起传送到服务器。在这种变体中，可以设想使用人格数据作为完成交易的一种“支付手段”(或“货币”)。换言之，用户可能会因授予对用户人格数据的
访问权而获得一定的(例如，货币)价值的奖励，比如，通过提供所购买产品或服务的降低(甚至免费)比率(或“价格”)来换取用户提供的人格数据。
77.应当理解，如上所述，向用户提供作为用户适配的服务的一部分的消息或信息可能不仅涉及广告消息，还涉及提供给用户的任何信息。例如，可以向访问电子商务服务(例如，访问电子商务网站或使用电子商务app)的用户呈现具体适配于用户人格的内容(例如，可购买的产品)。作为另一个示例，可以向在交通工具(例如，车辆、飞行器或火车)中使用信息娱乐系统的用户呈现具体适配于用户人格的信息娱乐选项(例如，可选择的电影等)。应当理解，通常可以设想向用户显示用户适配信息的各种其他用例。在这方面应注意，不仅可以以用户适配的方式显示内容，还可以显示所显示信息的外观。在一个变体中，可以使用在客户端设备或向用户提供服务的至少一个其他设备(例如，终端用户设备，比如智能手机、平板计算机或膝上型计算机)处执行的过滤器来实施向用户显示用户适配信息，其中，过滤器可以在这种设备本地执行，以在向用户显示内容之前基于用户的人格(例如，偏好)过滤掉内容。仅作为示例，如果内容以网站的形式提供给用户，则过滤器可以在终端用户设备本地执行，以在设备上向用户显示内容之前从网站中移除用户可能不感兴趣的内容。
78.向用户提供作为用户适配的服务的一部分的信息的另一个用例可能与通信应用程序有关。在比如视频电话或聊天应用程序等的通信应用程序中，在通信方实体存在时通常可以识别的常见非语言通信的基本因素(例如，实体存在/能量、身体姿势等因素)在数字通信中可能会丢失。为了减轻这种损失，可以设想基于通信伙伴的人格数据的信息来适配通信应用程序(例如，聊天或视频会议应用程序)的显示，例如，以使用户能够更好地理解通信伙伴的人格并因此使用户能够适配他的通信方式以更好地符合通信伙伴的人格的方式。换言之，人格数据可以在通信伙伴之间共享，以便用户可以以更有同感的方式应对他们的通信伙伴，因此，丢失的个人联系(至少在一定程度上)可能得到补偿。因此可以提高数字通信的质量和有效性。
79.虽然应当理解，用于适配通信应用程序显示的人格数据可以对应于用户人格数据的“原始值”(在上述意义上)，但是在通信用例中，可能有利的是，用于适配显示的人格数据对应于用户人格数据的“比较值”(或“相对值”)(在上述意义上)。更具体地，用于适配显示的人格数据可以对应于用户人格数据与相应通信伙伴的人格数据相比的“比较值”。在一个变体中，基于关于通信伙伴的人格数据的信息来适配通信应用程序的显示可以包括显示通信伙伴的人格数据(例如，用户人格维度的值或由此得出的人格特性)的至少一部分，使用户能够更好地评估对方的人格特性。在其他变体中，可以设想的是，显示考虑到通信伙伴的人格而不应该使用的单词，或者可能积极使用并且可能会引起通信伙伴积极反应的单词。在另外的其他变体中，适配通信应用程序的显示可以包括适配向用户示出的视频或背景图像，其中，所述视频或背景图像可以具体适配于用户的人格，例如，以积极影响用户对通信伙伴的态度/感受(仅作为示例，在视频会议中，视频图像中对方领带的颜色可以适配于用户喜欢的颜色)。不仅可以适配视觉呈现，也可以适配听觉呈现以积极影响用户对通信伙伴的态度/感觉，例如，根据用户的偏好适配语音设置(例如，语音频率/音量等)以听到对方的声音。应当理解，这种视觉或听觉上的适配同样可以适用于通信伙伴一方。
80.应当理解，在某些上下文中，一旦用户人格的数字表示已经根据本文提出的技术之一进行计算，比如使用基于从用户获得的输入的神经网络，那么其可以被存储在芯片卡
或模拟芯片卡的设备(比如使用nfc(近场通信)模拟芯片卡功能的智能手机)上，其中，如上所述，在客户端设备处处理人格数据以向用户提供用户适配的服务之前，可以从芯片卡或模拟芯片卡的设备中读取用户的人格数据。因此，可以设想一种可以省略客户端设备与服务器之间的上述发送和接收步骤(例如，步骤s302和s304)的方法，替代地，客户端设备可以从芯片卡或模拟芯片卡的设备中读取用户的人格数据的数字表示，然后对人格数据的数字表示进行处理，以向用户提供用户适配的服务。在将人格数据的数字表示存储在芯片卡或模拟芯片卡的设备上之前，人格数据的数字表示可能已经使用神经网络基于从用户获得的输入来计算，如本文一般描述的，该神经网络被训练为基于从用户获得的输入来计算用户的人格数据。例如，在医学上下文中，用户人格的数字表示可以存储为数字健康记录(或“数字患者文件”)的一部分，以便可以在治疗患者之前自动检索，例如，通过从存储数字健康记录的芯片卡中读取人格数据。然后可以处理从芯片卡检索到的人格数据，以配置如上所述的医疗设备，或使任何其他医疗服务适配用户，例如为用户分配适合用户人格的病房。一般来说，可以设想在各种其他情况下使用这种芯片卡。仅作为示例，人格数据可以存储在银行卡(例如，经过处理以使支付相关服务适配于用户)、保险卡(例如，经过处理以使保险产品适配于用户)、回报卡(例如，经过处理以使回报品适配于用户)等上。
81.对于可购买的产品，还可以设想使价值链中的后续步骤(比如产品的生产或交付)适配用户的人格。在这些情况下，向用户提供用户适配的服务可以包括根据用户的人格适配产品的生产和/或适配产品的交付。因此，当产品在购买后仍要生产时，产品的生产可以具体适配于用户的偏好(例如，购买后使用3d打印机打印的产品可以以具体适配于用户人格/偏好的方式打印)。同样，在一些变体中，向用户提供用户适配的服务可以包括提供具体适配于用户人格的物流/交付服务。例如，产品的包装(例如，包装的颜色或材料)可以具体适配于用户的人格/偏好。附加地或可替代地，所选的交付技术(例如，无人机、交付卡车、自行车快递员)可以具体适配于用户的人格/偏好(例如，老年人可能更喜欢通过人类交付快递，而年轻人可能更喜欢通过无人机接收包裹)。此外，交付模式(例如，交付时间、交付地点和/或交付的优先级)可以具体适配于用户的人格。
82.如以上所解释的，如本文所述的神经网络可以被视为高效的功能数据结构，其能够计算所请求的人格数据并将计算的人格数据以数字表示的形式提供给客户端设备。关于反馈，已经描述了神经网络表示可高效更新的数据结构，其可以基于对用户人格的(任意)反馈进行更新，以改进其计算人格数据的能力。神经网络本身可以被认为是数据结构，可以基于用户的各种反馈通过不断学习来丰富该神经网络，从而随着时间的推移改善用户人格的反映。以这种方式，随着未来几年和几十年计算资源的不断增加，神经网络可以被认为是发展为能够在计算用户人格时提供稳定增长精度的用户思维的副本，更多的反馈被馈入该神经网络中。从长远的角度来看，可以设想建立人类思维的副本，该副本可以允许像向用户本身提出问题一样查询思维。因此可以说用户的思维(至少在一定程度上)是“保守的”。如以上所解释的，可以在客户端设备和/或在向用户提供服务的至少一个设备处收集用于更新神经网络的反馈。然而，应当理解，可以使用更进一步的设备来收集关于用户人格的反馈。在一种这样的变体中，可以设想使用可植入的脑机接口(例如，由neuralink公司开发的，http://neuralink.com/)直接从大脑中持续收集用户人格数据的反馈，并随着时间的推移相应地更新神经网络。
83.在一些变体中，然后，思维副本可以用于根据思维副本通过配置机器人或虚拟机器人(例如，上述机器人或虚拟机器人)来适配该机器人或虚拟机器人的行为。换言之，可以将大脑的虚拟表示馈入机器人或其他形式的智能系统，以便基于用户的人格影响这种系统的行为。仅作为示例，(例如，以虚拟个人助理或全息图的形式的)人形机器人或虚拟机器人可以基于思维副本被配置为充当真人(尽可能逼真地)的副本。然后可以使用真人的副本来接管真人通常会执行的任务。仅作为示例，可以设想真人的副本代替真人进行电话对话，而对话的对方并没有注意到没有发生与真人的交互。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。在其他用例中，正如上面已经指示的，可以设想使用思维副本、或者更具体地一般的人格数据，作为一种“支付手段”或“货币”，使用户能够将他的人格数据货币化，比如在进行支付交易时。
84.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，可以在客户端设备处预定义映射，并且如上所述，如果所述客户端设备配置向用户提供服务的至少一个其他设备，则该客户端设备可以向至少一个其他设备提供预定义的映射，使得映射可以在至少一个其他设备上实施，从而向用户提供用户适配的服务。以这种方式，可以对至少一个其他设备施加较少的计算负担，换言之，所述至少一个其他设备可以充当从客户端设备接收映射的“映射接收者”，所述客户端设备可以充当“映射提供者”。应当理解，在其他变体中，预定义映射也可以在至少一个其他设备上预定义(或“预存储”)，在这种情况下，至少一个其他设备可以接收用户人格的给定特性并相应地将其映射到至少一个其他设备的特定配置或设置。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。
85.尽管在以上描述中，本文所呈现的技术已被描述为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(其可用于各种使用情况)，可以理解的是，所计算的用户的人格数据的数字表示不一定必须直接从服务器发送到客户端设备。而是，一旦对用户可用，用户的人格数据也可以由用户手动输入到客户端设备。因此，在客户端设备一侧，还可以设想一种用于向客户端设备的用户提供用户适配的服务的方法(该“客户端设备”可能不一定被理解为处于客户端-服务器关系中的设备的意义上，因为在这种情况下可能不存在直接的客户端-服务器关系；客户端设备因此也可以简单地表示为“设备”)，其中该方法可以由客户端设备执行并且可以包括经由用户的手动输入获得用户的人格数据的数字表示，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。图9
中提供了这种方法的说明，其示出了：在步骤s902中，获得用户的人格数据的数字表示的对应步骤，并且，在步骤s904中，处理用户的人格数据的数字表示的对应步骤。除了将用户的人格数据的数字表示输入到客户端设备的不同方式(即，通过手动输入而不是从服务器直接检索)之外，上述所有方面，特别是关于客户端设备和服务器的方面，也可以应用图9中的方法。由客户端设备经由用户的手动输入获得的用户的人格数据的数字表示，因此可以由服务器基于从用户获得的输入，使用被训练为基于从所述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出来(但不一定必须以这种方式计算，因为还可以设想，用户的手动输入对应于以不同方式确定的用户的人格数据)。在一个变型中，根据以上描述，客户端设备可以是车辆，并且向用户提供用户适配的服务可以包括将车辆的驾驶配置适配于用户的人格。
86.作为手动输入用户的人格数据的数字表示的替代方案，还可以设想，车辆识别号被用于识别所选择的车辆配置选项(例如，如上所述，由车辆制造商提供)，车辆是基于该车辆配置选项制造的。因此所识别的车辆配置然后可以用作上述意义上的“从用户获得的输入”，即以请求服务器基于输入使用神经网络计算用户的人格数据。因此所获得的用户的人格数据然后可以以上述方式中的任何一种方式向车辆的用户提供用户适配的服务。
87.虽然以上实施例主要参考客户端设备与服务器之间的交互进行描述，例如，从客户端设备的角度来看，包括以下步骤：向服务器发送(s302)对用户的人格数据的数字表示的请求，以及从服务器接收(s304)所请求的用户的人格数据的数字表示，应当理解，本文提出的人格数据的数字表示的高效检索可能不一定在这种客户端/服务器场景中实施，而可能更一般地表示为一种能够高效检索用户的人格数据的数字表示的方法，所述人格数据的数字表示被处理以向用户提供用户适配的服务，所述方法包括：获得用户的人格数据的数字表示，用户的人格数据是使用神经网络基于从用户获得的输入来计算的，所述神经网络被训练为基于从用户获得的输入来计算用户的人格数据；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。这种更一般的公式可以应用于上述所有实施例，而不是在客户端设备与服务器之间的精确发送和接收步骤。
88.参考以上关于“实际人格信息”的描述，应当指出，在一些实施方式中，即使不使用神经网络，也可以仅基于实际人格信息来计算用户的人格数据。在图10中示例性图示的这种实施方式中，可以设想一种用于向用户提供用户适配的服务的方法，该方法由计算系统执行并且包括：在步骤s1002中，获得用户的人格数据的数字表示，该用户的人格数据是基于关于用户的输入计算的，其中，所述关于用户的输入包括用户的实际人格信息，所述用户的实际人格信息具体与用户适配的服务有关并且包括以下各项中的至少一项：在向用户提供用户适配的服务时用户的当前心情、具体与用户适配的服务有关的用户的一个或多个偏好、以及具体与用户适配的服务有关的用户的一个或多个目标；以及在步骤s1004中，处理人格数据的数字表示以向用户提供用户适配的服务。应当理解，计算系统可以由客户端设备和服务器组成，因此，获得步骤s1002同样可以根据对应的发送步骤s302和接收步骤和s304在客户端/服务器场景中实现。正如所述的那样，用户的实际人格信息可以是从对用户提出的问题的回答中获得的。应当理解，在一个变体中，用户的人格数据的这种计算可以使用专有算法(例如，包括从实际人格信息到用户人格数据的相应数字表示的映射等)来执行，但是在其他变体中，这种计算可以根据上述使用神经网络的技术来执行。因此，用户的
人格数据可以是使用神经网络基于关于用户的输入来计算的，所述神经网络被训练为基于关于用户的输入来计算用户的人格。关于用户的输入可以对应于反映对用户提出的问题的回答的数字分数，其中，每个数字分数可以被用作当使用神经网络计算用户的人格数据时神经网络的单独输入节点的输入。当“实际人格信息”与“从用户获得的输入”结合用作附加输入时，如上所述，关于用户的输入可以进一步对应于反映对关于用户的人格、目标和动机中的至少一个的问题的回答的数字分数，其中，同样，例如，每个数字分数可以用作当使用神经网络计算用户的人格数据时神经网络的单独输入节点的输入。
89.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。
90.表1：关于用户动机的问题
91.92.93.94.[0095][0096]
表2：关于用户目标的问题
[0097]
[0098][0099]
表3：关于用户的其他人格方面的问题
[0100][0101]
表4：关于乘车用例的问题
[0102]
1心情——你是放松还是着急？2心情——你感觉是健康状态还是生病状态？3心情——你是快乐还是悲伤？4偏好——你是喜欢舒适的驾驶体验还是运动型驾驶体验？5目标——你希望以多快的速度到达那里？6目标——对你来说，到达那里有多重要？
[0103]
表5：关于车辆制造用例的问题
[0104]
1偏好——在你所拥有的汽车中，你最喜欢哪一辆？2偏好——一直以来，你最喜欢的汽车是什么？3偏好——你的付款偏好是什么(租赁、融资、现金)？3偏好——你是经常停车还是一直开车？4偏好——你经常变换车道吗？5偏好——你在驾驶过程中是否听音乐或广播？6偏好——你喜欢新车的气味吗？7目标——你多长时间使用一次汽车？8目标——你使用汽车的年限？9目标——你将在哪里使用汽车？10目标——你将驾驶汽车行驶多远的距离？11目标——你想表达什么形象(富有、科技、绿色)？
[0105]
表6：关于交通工具座位分配用例的问题
[0106]
1心情——你是放松还是处于压力之中？
2心情——你感觉是健康状态还是生病状态？3心情——你是快乐还是悲伤？4偏好——你想一个人独处吗？5偏好——你想认识他人吗？6偏好——你是否很快就感到压力或幽闭恐惧症？7偏好——你是否很快入睡？8偏好——你喜欢购物吗？9偏好——你想在旅途中吃喝吗？10偏好——你想在旅途中观看娱乐节目吗？11目标——这次旅行对你来说有多重要？12目标——你是否急着要取行李？
[0107]
表7：关于电子商务用例(购买产品)的问题
[0108]
1心情——你今天过得开心吗？2心情——你是否在恋爱中？3心情——你是否感到压力很大？4偏好——你最喜欢的歌曲是什么？5偏好——你最喜欢的电影是什么？6偏好——你最喜欢的书籍是什么？7偏好——在快速驾驶中，你最喜欢的歌曲是什么？8偏好——哪些歌曲让你感到被爱或快乐？9偏好——你不喜欢哪些歌曲？10目标——你想避免使用塑料制品吗？11目标——你是否支持公平贸易？
[0109]
本公开的有利示例可以表述如下：
[0110]
1、一种用于使得客户端设备(502；406)能够从服务器(404)高效检索用户(402)的人格数据的数字表示的方法，所述人格数据的数字表示在所述客户端设备(406)处被处理以向所述用户(402)提供用户适配的服务，所述方法由所述服务器(404)执行并且包括：
[0111]
存储(s202)被训练成基于从所述用户(402)获得的输入来计算用户(402)的人格数据的神经网络(602)；
[0112]
从所述客户端设备(502；406)接收(s204)对用户(402)的人格数据的数字表示的请求；以及
[0113]
向所述客户端设备(502；406)发送(s206)所请求的所述用户(402)的人格数据的数字表示，其中所述用户(402)的人格数据是基于从所述用户(402)获得的输入，使用所述神经网络(602)计算的。
[0114]
2、根据示例1所述的方法，其中所述用户(402)的人格数据的数字表示在所述客户端设备(502；406)处被处理，以配置向所述用户(402)提供服务的至少一个设备(406)，并且可选地：
[0115]
其中所述至少一个设备(406)包括所述客户端设备(406)。
[0116]
3、根据示例1或2所述的方法，还包括：
[0117]
接收表征所述用户(402)的反馈；
[0118]
基于所述反馈更新所述神经网络(602)；以及
[0119]
向所述客户端设备(502；406)发送所述用户(402)的经更新的人格数据的数字表示，其中所述用户(402)的经更新的人格数据是使用经更新的神经网络(602)计算的，并且可选地：
[0120]
其中所述用户(402)的经更新的人格数据的数字表示在所述客户端设备(502；406)处被处理，以改进向所述用户(402)提供服务的所述至少一个设备(406)的配置。
[0121]
4、根据示例3所述的方法，其中所述反馈包括反映当使用由所述至少一个设备(406)提供的服务时在所述至少一个设备(406)处被监控的所述用户(402)的行为的行为数据，并且可选地：
[0122]
其中，使用由向所述用户(402)提供服务的所述至少一个设备(406)执行的测量来监控所述行为数据。
[0123]
5、根据示例4所述的方法，其中所述至少一个设备(406)包括车辆，并且其中所述行为数据包括反映所述用户(402)的驾驶行为的数据。
[0124]
6、根据示例1至5中任一项所述的方法，其中在从所述客户端设备(502；406)接收所述请求之前计算所述用户(402)的人格数据，并且其中所述请求包括在计算所述用户(402)的人格数据时由所述服务器(404)先前提供给所述用户(402)的访问码，所述访问码允许所述用户(402)从不同的客户端设备(502；406)访问所述用户(402)的人格数据的数字表示。
[0125]
7、根据示例1至6中任一项所述的方法，其中从所述用户获得的所述输入对应于反映关于所述用户(402)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，并且其中当使用所述神经网络(602)计算所述用户(402)的人格数据时，每个数字评分用作所述神经网络(602)的单独的输入节点的输入。
[0126]
8、根据示例7所述的方法，其中所述问题对应于从表示计算用户(402)的人格数据的最佳可实现结果的问题集合中选择的问题，其中所选择的问题对应于所述问题集合中的被确定为相对于所述最佳可实现结果最有影响的问题，并且可选地：
[0127]
其中所选择的问题的数量少于被包含在所述问题集合中的问题数量的10％。
[0128]
9、根据示例8所述的方法，其中基于将所述问题集合中的每个单个问题的可实现的结果与所述最佳可实现结果相关、并从所述问题集合中选择与所述最佳可实现结果具有最高相关性的问题，从所述问题集合中选择所述问题，或者
[0129]
其中从所述问题集合中迭代地选择所述问题，其中，在每次迭代中，根据所述用户对前一问题的回答来选择下一问题，并且其中，在每次迭代中，所述下一问题被选择为所述问题集合中的被确定为对用于计算所述用户的人格数据的可实现结果最有影响的问题，并且可选地：
[0130]
其中所述神经网络(602)包括表示所述用户(402)的人格数据的结果的概率曲线(604)的多个输出节点，其中确定所述问题集合中的最有影响的问题作为相应迭代的下一问题包括：对于所述神经网络(602)的每个输入节点，确定如下程度，输入到所述神经网络(602)的相应输入节点的数字评分方面的变化根据所述程度改变所述概率曲线(604)。
[0131]
10、一种用于使得客户端设备(502；406)能够从服务器(404)高效检索用户(402)
的人格数据的数字表示的方法，所述方法由所述客户端设备(502；406)执行并且包括：
[0132]
向所述服务器(404)发送(s302)对用户(402)的人格数据的数字表示的请求；
[0133]
从所述服务器(404)接收(s304)所请求的所述用户(402)的人格数据的数字表示，所述用户(402)的人格数据是基于从所述用户(402)获得的输入，使用被训练为基于从所述用户(402)获得的输入来计算用户(402)的人格数据的神经网络(602)而计算的；以及
[0134]
处理(s306)所述人格数据的数字表示，以向所述用户(402)提供用户适配的服务。
[0135]
11、一种计算机程序产品，包括程序代码部分，所述程序代码部分用于当所述计算机程序产品在一个或多个计算单元上运行时执行根据示例1至10中任一项所述的方法。
[0136]
12、根据示例11所述的计算机程序产品，存储在一个或多个计算机可读记录介质上。
[0137]
13、一种用于使得客户端设备(502；406)能够从服务器(404)高效检索用户(402)的人格数据的数字表示的服务器(100；404)，所述人格数据的数字表示在所述客户端设备(502；406)处被处理，以向所述用户(402)提供用户适配的服务，所述服务器(404)包括至少一个处理器(102)和至少一个存储器(104)，所述至少一个存储器(104)包含能够由所述至少一个处理器(102)执行以使得所述服务器(404)能够操作为执行根据示例1至9中任一项所述的方法的指令。
[0138]
14、一种用于能够从服务器(404)高效检索用户(402)的人格数据的数字表示的客户端设备(110；502；406)，所述客户端设备(110；502；406)包括至少一个处理器(112)和至少一个存储器(114)，所述至少一个存储器(114)包含能够由所述至少一个处理器(112)执行以使得所述客户端设备(110；502；406)能够操作为执行根据示例10所述的方法的指令。
[0139]
15、一种系统，包括根据示例13所述的服务器(100；404)和根据示例14所述的至少一个客户端设备(110；502；406)。
[0140]
16、一种用于向车辆(406)的用户(402)提供用户适配的服务的方法，所述方法由所述车辆(406)执行并且包括：
[0141]
经由所述用户(402)的手动输入获得(s902)所述用户(402)的人格数据的数字表示；以及
[0142]
处理(s904)所述人格数据的所述数字表示以向所述用户(402)提供用户适配的服务，
[0143]
其中，向所述用户(402)提供所述用户适配的服务包括将所述车辆(406)的驾驶配置适配于所述用户(402)的人格。
[0144]
17、根据示例16所述的方法，其中，向所述用户(402)提供所述用户适配还包括：将所述车辆(406)的客舱中的环境状况和关于所述车辆(406)的客舱的用户特定设置中的至少一个适配于所述用户(402)的所述人格。
[0145]
18、根据示例16或17所述的方法，其中，考虑指示在所述车辆(406)的客舱中获得的所述用户(402)的注意力水平的传感器数据来进一步执行向所述用户(402)提供所述用户适配的服务。
[0146]
19、根据示例16至18中任一项所述的方法，其中，考虑与使用所述车辆要行驶的计划路线有关的地理数据、天气数据和时间数据中的至少一个来进一步执行向所述用户(402)提供所述用户适配的服务。
[0147]
20、根据示例16至19中任一项所述的方法，其中，考虑通过扫描所述用户(402)的身体的至少一部分能够导出的指示所述用户(402)的特性的身体扫描数据来进一步执行向所述用户(402)提供所述用户适配的服务。
[0148]
21、根据示例16至20中任一项所述的方法，其中，考虑被监测的并且潜在地指示所述用户(402)的自杀意图的预定义条件来进一步执行向所述用户(402)提供所述用户适配的服务，其中向所述用户(402)提供所述用户适配的服务还包括触发一个或多个抵消所述用户(402)的自杀意图的预防措施。
[0149]
22、根据示例16至21中任一项所述的方法，其中，所述车辆(406)是彼此附近行驶的多个车辆(406)之一，其中，将所述用户(402)的所述人格数据的所述数字表示与所述多个车辆(406)中的其他车辆的用户(402)的人格数据的一个或多个数字表示进行比较，以考虑各个用户(402)的个人人格，可选地进一步考虑各个用户(402)的驾驶目的或偏好，来实施所述多个车辆(406)的共同增强驾驶行为。
[0150]
23、根据示例16至22中任一项所述的方法，其中，所述用户(402)的人格数据是由服务器(404)基于从所述用户(402)获得的输入、使用神经网络(602)计算的，所述神经网络被训练为基于从所述用户(402)获得的输入来计算用户(402)的人格数据。
[0151]
24、根据示例23所述的方法，其中，从所述用户(402)获得的所述输入对应于反映关于所述用户(402)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，并且其中当使用所述神经网络(602)计算所述用户(402)的所述人格数据时，每个数字评分用作所述神经网络(602)的单独的输入节点的输入。
[0152]
25、根据示例24所述的方法，其中，所述问题对应于从表示计算用户(402)的人格数据的最佳能够实现结果的问题集合中选择的问题，其中所选择的问题对应于所述问题集合中的被确定为相对于所述最佳能够实现结果最有影响的问题，并且可选地：
[0153]
其中，所选择的问题的数量少于被包含在所述问题集合中的问题的数量的10％。
[0154]
26、根据示例25所述的方法，其中，基于将所述问题集合中的每个单个问题的能够实现的结果与所述最佳能够实现结果相关、并从所述问题集合中选择与所述最佳能够实现结果具有最高相关性的问题，从所述问题集合中选择所述问题，或者
[0155]
其中从所述问题集合中迭代地选择所述问题，其中，在每次迭代中，根据所述用户对前一问题的回答来选择下一问题，并且其中，在每次迭代中，所述下一问题被选择为所述问题集合中的被确定为对用于计算所述用户的人格数据的能够实现结果最有影响的问题，并且可选地：
[0156]
其中所述神经网络(602)包括表示所述用户(402)的人格数据的结果的概率曲线(604)的多个输出节点，其中确定所述问题集合中的最有影响的问题作为相应迭代的下一问题包括：对于所述神经网络(602)的每个输入节点，确定程度，其中输入到所述神经网络(602)的相应输入节点的数字评分的变化根据所述程度来改变所述概率曲线(604)。
[0157]
27、一种计算机程序产品，所述计算机程序产品包括程序代码部分，所述程序代码部分用于当所述计算机程序产品在一个或多个计算单元上被执行时执行根据示例16至26中任一项所述的方法。
[0158]
28、根据示例27所述的计算机程序产品，存储在一个或多个计算机可读记录介质上。
[0159]
29、一种用于向用户(402)提供用户适配的服务的车辆(406)，所述车辆(406)包括至少一个处理器(112)和至少一个存储器(114)，所述至少一个存储器(114)包含能够由所述至少一个处理器(112)执行以使得所述车辆(406)能够操作为执行根据示例16至26中任一项所述的方法的指令。