移动设备，尤其是智能手机，支持丰富的功能，已经发展成为日常生活中不可或缺的工具。随着生成式人工智能服务的兴起，智能手机有望转变为个性化的助手，预测用户需求并相应地安排服务。在智能手机上预测用户意图，并基于过去的交互和上下文反映预期的活动，是实现这一愿景的关键步骤。现有的研究主要集中于特定领域，忽视了在动态上下文中对多样事件序列进行建模的挑战。利用预训练语言模型（PLM）提供了一个有前途的方向，然而将PLM适应于设备上的用户意图预测仍面临重大挑战。为了解决这些挑战，我们提出了PITuning，这是一种从群体到个体的调优框架。PITuning通过动态事件到意图的转化建模增强了常见模式的提取，并通过自适应去学习策略解决了长尾偏好问题。基于真实世界数据集的实验结果表明，PITuning在意图预测性能上表现优越，突显了其捕捉长尾偏好能力及其在设备端预测场景中的实用性。https://arxiv.org/pdf/2408.09815