NVIDIA 发布 900 万个日本金融领域合成人物画像

Elith 与 NVIDIA 于 2026 年 11 月 9 日发布了 Nemotron-Personas-Finance-Japan，开放 900 万个日本合成人物画像，供商业和非商业 AI 开发使用。该数据集采用 CC BY 4.0 许可，在人口统计资料的基础上增加了家庭财务、金钱行为和金融素养信息，使银行、保险公司和开发者能够在不使用真实客户记录的情况下测试面向客户的系统。

据 NVIDIA 所知，这是首个达到百万条记录规模、将日本官方统计数据与家庭财务和金融素养数据结合起来的开放人物画像数据集。它扩展了 Nemotron-Personas-Japan：该数据集的 2025 年 9 月 23 日版本包含 600 万个人物画像，涵盖 22 个字段，但不包含金融领域的专门画像。新版包含 100 万条日语记录，每条记录含 9 个人物画像、50 个字段，覆盖全部 47 个都道府县以及 1,600 多种职业类别。

超越人口统计信息的金融细节

与人物画像相关的 20 个字段中，有 3 个字段分别描述金融习惯、决策行为和财务顾虑。30 个背景字段则补充了个人收入、家庭资产、住房和抵押贷款状况、消费倾向、金融素养评分、互联网和智能手机使用情况、家庭结构以及自评健康状况。这些画像可用于构建多轮日语对话场景，例如地方地区的退休人员询问资产传承事宜，或城市双收入家庭讨论教育储蓄和抵押贷款。

家庭资产分布数据取自统计局的《2019 年家庭收入、消费与财富全国调查》，该调查考察家庭消费、收入、资产和负债。数据集说明卡中的分析显示，拥有至少 2,000 万日元金融资产的家庭比例，从 25 至 29 岁人群中的约 10%，上升至 60 至 64 岁人群中的约 30%。即使个人收入在临近退休时下降，人们在六七十岁时的资产仍相对较高，这有助于构建针对财富积累、退休规划和继承事宜的不同客户画像。

这一人口背景与退休和继承模拟尤其相关：统计局的2024 年人口估算显示，截至 2024 年 10 月 1 日，65 岁及以上人口占日本总人口的 29.3%。这些合成人物画像仅涵盖 18 岁及以上成年人。预期用途包括客服代理、销售和营销对话测试、NeMo User Sim 模拟、红队测试，以及检查系统在农村和城市地区、不同年龄、教育程度和经济状况下能否保持一致行为。

人物画像的构建方式

生成流程结合了 NeMo Data Designer、NeMo SDG-PGMs 概率图模型框架，以及采用 Apache-2.0 许可、用于生成日语文本的 gemma-4-31B-it 模型。Data Designer 提供结构化输出、验证和自动重试功能。Sompo Japan、Tokio Marine Holdings、Bank of Fukuoka、Mizuho Financial Group、Meiji Yasuda Life Insurance 和 Financial Data Utilization Association 在设计过程中提供了反馈。

数据集说明卡将 J-FLEC 的调查和统计数据列为另一项种子输入。J-FLEC 官方索引指出，其金融素养调查涵盖 18 至 79 岁人群；其家庭金融行为调查则考察双人家庭和单人家庭的资产、负债及人生规划。

每个人物画像都是人工生成的，并非真实客户或个人的记录；如与现实中的某人相似，纯属巧合。公开的 Hugging Face 版本不包含独立的名字和姓氏字段，也不包含合成地址，并且排除了医疗健康领域的人物画像。数据集说明卡还披露了一项假设：在给定都道府县和性别的情况下，职业与教育程度相互独立；卡片同时指出，目前没有全面的人口普查统计数据能够提供独立于生理性别的性别信息。

配套隐私数据集

NVIDIA 同时发布了配套数据集 Nemotron-PII-Japan，用于训练和测试能够检测并遮盖个人身份信息（PII）的系统。该数据集包含 10 万份日语合成商业文档，涵盖 8 个领域中的 43 种文档类型，标注了 56 种 PII 标签和 810,703 段文本。金融人物画像可用于模拟客户，而 PII 文档则可用于测试处理流程能否识别敏感数据。

PII 数据集说明卡提醒，合成文档上的良好表现并不能保证系统能够在真实数据中完整检测信息、实现公平、保护隐私、遵守法规或防止数据泄露。这两个数据集为金融 AI 团队提供了一种开放方式，可用于测试客户互动和隐私控制。因而，这些数据集的实际价值，最终取决于它们在各机构自身日语工作流程中的真实表现。