面向时序个人健康数据的神经数值到文本生成

随着旨在追踪用户数据（如营养摄入、步数）的个人健康技术研发兴趣的增长，如今比以往任何时候都更有机会以自然语言的形式向日常用户呈现有意义的行为洞察。这些知识可提升其行为意识，并使其采取行动以实现健康目标。它也可弥合海量个人健康数据收集与描述个体行为倾向所需摘要生成之间的鸿沟。先前工作聚焦于基于规则的时间序列数据摘要方法，旨在从时序个人健康数据中生成有趣模式的自然语言摘要。我们考察了循环、卷积以及基于Transformer的编码器-解码器模型，以从数值时序个人健康数据中自动生成自然语言摘要。我们在MyFitnessPal中记录的真实用户健康数据上展示了模型的有效性，并表明我们可以自动生成高质量的自然语言摘要。我们的工作朝着从个人健康数据自动生成新颖且有意义的时序摘要这一雄心目标迈出了第一步。