健康体检用户画像问数垂类大模型语料数据

该数据可用于训练健康体检用户画像问数垂类大语言模型，使其能够理解体检用户在人群结构、年龄分布、性别结构、婚育状态、套餐偏好、支付状态、消费金额和复购分层等方面的自然语言查询，并准确转换为SQL。依托 `dwd_exam_user_profile_fact` 表中的 `order_code`、`user_code`、`order_month`、`institution_type`、`gender`、`age_band`、`marital_status`、`pregnancy_status`、`package_category`、`payment_status`、`order_amount`、`repeat_segment` 等字段，模型可回答“25-34岁女性更偏好哪些套餐”“已婚用户支付完成率如何”“复购用户平均消费金额是多少”“不同年龄段用户退款结构如何”等体检用户经营问题。平台可基于该语料构建面向客群洞察、套餐推荐、专项营销和用户运营复盘的自然语言查询能力，帮助业务人员快速理解用户结构与套餐需求的关系。本数据为健康体检行业提供面向用户画像分析的问数语料库，支撑人群分层运营、产品供给1.数据预处理：对体检用户性别、年龄、婚姻状态、孕否状态、订单月份、套餐类别、支付状态和订单金额进行清洗，统一年龄分组为0-17岁、18-24岁、25-34岁、35-44岁、45-54岁、55-64岁、65岁及以上。男性孕否状态统一处理为不适用，年龄异常或缺失记录进行标记或剔除。用户相关字段按隐私保护规则处理，姓名、证件号、手机号等直接身份字段不进入语料。 2.问题收集与分类：从用户运营、套餐营销、专项体检推荐和复购经营场景中收集问题，按年龄结构、性别结构、婚育结构、孕否状态、套餐偏好、支付状态画像、复购分层、平均消费、退款人群和高需求人群识别等类别组织语料。 3.核心算法建模：构建“语义解析-查询生成-异常检测-逻辑验证”全流程算法体系。 （1）语义解析与结构化：将“年轻用户”“中老年用户”“女性专项”“复购用户”“已婚女性”“支付完成”“平均消费”等自然语言表达映射到 `age_band`、`gender`、`package_category`、`repeat_segment`、`marital_status`、`payment_status`、`order_amount` 等字段。 （2）SQL生成与初步验证：用户数采用 `COUNT(DISTINCT user_code)`，订单数采用 `COUNT(order_code)`，平均消费金额采用 `AVG(order_amount)`，支付完成量和退款相关量通过 `CASE WHEN payment_status` 条件聚合。按年龄段、性别、婚育状态、套餐类别、复购分层等维度生成分组查询。 （3）异常值检测：检测年龄分组与孕否状态是否矛盾，检测男性孕否是否统一为不适用，检测订单金额是否为负，检测用户数、订单数、支付数、退款数之间是否存在逻辑倒挂。 （4）逻辑核验与优化：由体检用户运营人员核验问题-SQL-结果是否符合客群画像业务逻辑，重点检查“年龄段-套餐偏好-支付状态-复购分层”的组合是否合理。 4.语料库迭代优化：根据模型在用户画像问数中的错例，持续补充复购用户、女性专项用户、中老年用户、高消费用户和退款用户样本，完善年龄、性别、婚育、套餐偏好同义词词典。该算法规则确保本语料数据能够支撑健康体检用户画像模型的准确训练与评测。

搜集汇总

背景与挑战

背景概述

本数据集是面向健康体检用户画像问数的垂类大模型语料库，可用于训练模型理解人群结构、年龄分布、性别结构、婚育状态、套餐偏好、支付状态、消费金额和复购分层等自然语言查询，并准确转换为SQL。数据依托dwd_exam_user_profile_fact表中的订单、用户、年龄分组、性别、婚姻状态、孕否状态、套餐类别、支付状态、订单金额和复购分层等字段，支持客群洞察、套餐推荐、专项营销和用户运营复盘等场景。