一种群体特征画像分析方法、装置、设备及可读存储介质与流程

本申请涉及信息处理技术领域，特别是涉及一种群体特征画像分析方法、装置、设备及可读存储介质。

背景技术：

对信访的研究主要关注于信访的生成机理、信访处置的司法控制、信访处置的政治价值研究等方面，而对如何确定信访群体的处理策略则无相关研究。

在司法实践中，信访群体作为主体的画像技术方面仍然没有相应的创新性技术成果，具体原因包括：首先，行政司法部门形成了一套各自为政的单一处置体制，信访信息分布于不同系统中，数据缺乏共享，难以进行数据化分析和处置；其次，对信访群体进行区分涉及因素繁杂，尚未形成统一的描述，甚至连相关成果都很难找到；最后，涉诉信访业务还面临涉诉和一般信访案件混淆、涉诉风险难以预判预警等问题。

综上所述，如何有效地提升群体特征画像分析技术等问题，是目前本领域技术人员急需解决的技术问题。

技术实现要素：

本申请的目的是提供一种群体特征画像分析方法、装置、设备及可读存储介质，利用训练习得了风险预测能力的风险预测模型，基于目标信访群体的目标特征信息，对目标信访群体进行风险预测，进而基于风险预测结果来制定处理策略，可以使得该处理策略更加贴合目标信访群体。

为解决上述技术问题，本申请提供如下技术方案：

一种群体特征画像分析方法，包括：

获取目标信访群体的目标特征信息；

利用风险预测模型，对所述目标特征信息进行风险预测，得到风险预测值；

利用所述风险预测值，确定所述目标信访群体的处理策略；

其中，训练所述风险预测模型的过程，包括：

利用信息采集表，获取不同信访群体的特征信息；

利用所述特征信息，分别获取各个所述信访群体的风险值；

对各个所述特征信息添加对应所述风险值，得到训练数据集；

利用所述训练数据集，对初始风险预测模型进行训练，得到所述风险预测模型。

优选地，所述对各个所述特征信息添加对应所述风险值，得到训练数据集，包括：

将所述特征信息量化为属性特征值，并添加对应所述风险值，得到所述训练数据集；其中，所述属性特征值与独热码对应；

相应地，所述利用风险预测模型，对所述目标特征信息进行风险预测，得到风险预测值，包括：

将所述目标特征信息量化为与所述独热码对应的目标属性特征值；

将所述目标属性特征值输入至所述风险预测模型进行风险预测，得到所述风险预测值。

优选地，在将所述目标特征信息量化为与所述独热码对应的目标属性特征值之后，还包括：

对所述目标属性特征值进行降维处理，得到二维特征数据；

利用所述二维特征数据，生成二维可视化的特征图形。

优选地，利用所述特征信息，分别获取各个所述信访群体的风险值，包括：

从所述信息采集表中获取所述特征信息中各种信息的具体值，并进行累加，得到所述特征信息对应所述访问群体的所述风险值；

其中，所述特征信息包括信访群体基本信息、信访类型信息、信访诉求信息、信访性质信息、信访行为信息、涉案审理信息和社会发展态势信息；所述信息采集表中每种信息的不同值分别对应一个具体值。

优选地，利用所述训练数据集，对初始风险预测模型进行训练，得到所述风险预测模型，包括：

将所述训练数据集划分为训练集和测试集；

利用所述训练集对所述初始风险预测模型进行训练；

利用所述测试集评估训练得到的初始风险预测模型对应泛化能力值；

将所述泛化能力值达到预设阈值的所述初始风险预测模型确定为所述风险预测模型。

优选地，将所述训练数据集划分为训练集和测试集，包括：

利用k折交叉、上采样或下采样，将所述训练数据集划分为所述训练集和所述测试集。

优选地，在利用所述训练数据集，对初始风险预测模型进行训练，得到所述风险预测模型之前，还包括：

利用网格搜索方法，对训练参数进行逐个寻优处理，得到优化训练参数；所述训练参数包括迭代次数、学习率、决策树最大深度和内部节点再划分所需最小样本数。

一种群体特征画像分析装置，包括：

群体信息获取模块，用于目标信访群体的目标特征信息；

风险预测模块，用于利用风险预测模型，对所述目标特征信息进行风险预测，得到风险预测值；

信访处理模块，用于利用所述风险预测值，确定所述目标信访群体的处理策略

模型训练模块，用于利用信息采集表，获取不同信访群体的特征信息；利用所述特征信息，分别获取各个所述信访群体的风险值；对各个所述特征信息添加对应所述风险值，得到训练数据集；利用所述训练数据集，对初始风险预测模型进行训练，得到所述风险预测模型。

一种电子设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现上述群体特征画像分析方法的步骤。

一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述群体特征画像分析方法的步骤。

应用本申请实施例所提供的方法，获取目标信访群体的目标特征信息；利用风险预测模型，对目标特征信息进行风险预测，得到风险预测值；利用风险预测值，确定目标信访群体的处理策略；其中，训练风险预测模型的过程，包括：利用信息采集表，获取不同信访群体的特征信息；利用特征信息，分别获取各个信访群体的风险值；对各个特征信息添加对应风险值，得到训练数据集；利用训练数据集，对初始风险预测模型进行训练，得到风险预测模型。

在本申请中，可从信息采集表中得到不同信访群体的特征信息，然后基于特征信息计算出各个信访群体的风险值。将风险值添加至特征信息中，便可形成训练数据集，并训练出风险预测模型。如此，在获取到目标信访群体的目标特征信息之后，便可利用风险预测模型对目标特征信息进行风险预测，进而得到风险预测值。基于该风险预测值可以确定出与目标信访群体对应的处理策略。也就是说，所确定的目标信访群体的处理策略是基于其目标特征信息预测所得到的风险值而定，即实现了对信访群体的特征信息进行挖掘，从而确定出与其风险匹配的处理策略，可以准确地处理信访案件。

相应地，本申请实施例还提供了与上述群体特征画像分析方法相对应的群体特征画像分析装置、设备和可读存储介质，具有上述技术效果，在此不再赘述。

附图说明

为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例中一种群体特征画像分析方法的实施流程图；

图2为本申请实施例中一种性群体风险项及值示意图；

图3为本申请实施例中一个特征图像；

图4为本申请实施例中一种训练参数寻优搜索顺序示意图；

图5为本申请实施例中一种群体特征画像分析装置的结构示意图；

图6为本申请实施例中一种电子设备的结构示意图；

图7为本申请实施例中一种电子设备的具体结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面结合附图和具体实施方式对本申请作进一步的详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

请参考图1，图1为本申请实施例中一种群体特征画像分析方法的流程图，该方法包括以下步骤：

s101、获取目标信访群体的目标特征信息。

其中，目标信访群体可以仅对应一个人，也可以对应两个人或两个以上的人群。例如，目标信访群体可以对应一个员工，一个家庭，一个团体。在本实施例中，对于目标信访群体的具体信访方式、信访性质、信访需求等均不做限定。

具体的，可以通过数据接口获取目标特征信息，该目标特征信息可包括性别、年龄、信访次数、有无工作单位、信访群体与案件当事人关系、人员数量、信访部门、信访群体经济状况、信访需求等与信访相关信息。

s102、利用风险预测模型，对目标特征信息进行风险预测，得到风险预测值。

其中，训练风险预测模型的过程，包括：

步骤一、利用信息采集表，获取不同信访群体的特征信息。

在本实施例中，可以通过获取信息采集表来获取不同信访群体的特征信息。也就是说，在获取不同信访群体的特征信息时，均参照同一个信息采集表，可以使得所获取到的特征信息具有统一的描述。

步骤二、利用特征信息，分别获取各个信访群体的风险值。

得到特征信息之后，便可分别获取各个信访群体的风险值，具体的，可以向人机交互界面输出特征信息，得到用户反馈的风险值的方式，进而得到风险值。

在本申请中的一种具体实施方式中，利用特征信息，分别获取各个信访群体的风险值，可具体包括：从信息采集表中获取特征信息中各种信息的具体值，并进行累加，得到特征信息对应访问群体的风险值；其中，特征信息包括信访群体基本信息、信访类型信息、信访诉求信息、信访性质信息、信访行为信息、涉案审理信息和社会发展态势信息；信息采集表中每种信息的不同值分别对应一个具体值。具体的，可以制定打分规则，细分为信访群体基本信息、信访类型信息、信访诉求信息、信访性质信息、信访行为信息、涉案审理情况、社会发展态势这7个大类，给每个变量赋值值，表示其重要程度。然后，计算信访群体风险值。

举例说明：如图2所示，信息采集表中每个变量的不同选项都对应一个具体值，将所有变量的取值加起来，得到每个信访群体的总值，即风险值。

步骤三、对各个特征信息添加对应风险值，得到训练数据集。

在对应的特征信息上添加上风险值，进而得到训练数据集。

步骤四、利用训练数据集，对初始风险预测模型进行训练，得到风险预测模型。

其中，该初始风险预测模型可具体为深度神经网络模型，也可以为机器学习模型。在本实施例中，对于初始风险预测模型的具体架构以及内部参数等均不做限定，仅需初始风险预测模型经过训练后，能够具备风险预测能力即可。

借助具有风险值的训练数据集，便可对初始风险预测模型进行训练，进而得到具备风险预测能力的风险预测模型。

为便于理解，下面以初始风险预测模型对应gbdt(gradientboostingdecisiontree，梯度提升树)算法为例，对初始风险预测模型的训练过程进行详细说明。

首先，gbdt通过初始化弱学习器：

如此，对第m＝1,2，…，m个学习器有：

(i)、对每个样本(即训练数据集中与信访群体对应的具有风险值的特征信息)i＝1,2,…,n，计算残差(负梯度)，

(ii)、将(i)步得到的残差作为样本新的标签值，数据(xi，rim)作为下棵树的训练数据，得到一棵新的回归树fm(x)，其叶子节点区域为rjm，j＝1,2,…,j。(j为叶子节点的个数)。

(iii)、对叶子区域计算最佳拟合值；

(iv)、更新学习器；

(v)、最终学习器；

需要注意的是，对于上述公式的具体解释，以及训练过程的具体实现，可参照gbdt算法，在此不再一一赘述。

得到目标特征信息之后，便可利用训练好的风险预测模型进行风险预测，得到与目标特征信息对应的风险预测值。

s103、利用风险预测值，确定目标信访群体的处理策略。

在本实施例中，可以预先制定多种处理策略，并将这些处理策略与风险值建立对应关系。例如，根据风险值，进行分级预案(即处理策略)，如a级、b级、c级、d级、e级共5个级别。如此，在获得风险预测值之后，便可确定出目标访问群体的处理策略。例如，对于风险预测值较低的信访群体进行简单的信访目的了解，进行劝返；而对于风险预测值较高的信访群体，表明该信访群体可能会出现过激行为或非法行为，可以采用较为强硬的处理策略，如监管信访群体的动向，进行监控，将涉诉案件设置为紧急案件等。

应用本申请实施例所提供的方法，获取目标信访群体的目标特征信息；利用风险预测模型，对目标特征信息进行风险预测，得到风险预测值；利用风险预测值，确定目标信访群体的处理策略；其中，训练风险预测模型的过程，包括：利用信息采集表，获取不同信访群体的特征信息；利用特征信息，分别获取各个信访群体的风险值；对各个特征信息添加对应风险值，得到训练数据集；利用训练数据集，对初始风险预测模型进行训练，得到风险预测模型。

在本申请中，可从信息采集表中得到不同信访群体的特征信息，然后基于特征信息计算出各个信访群体的风险值。将为特征信息标注风险值，便可形成训练数据集，并基于训练数据集训练得到风险预测模型。如此，在获取到目标信访群体的目标特征信息之后，便可利用风险预测模型对目标特征信息进行风险预测，进而得到风险预测值。基于该风险预测值可以确定出与目标信访群体对应的处理策略。也就是说，所确定的目标信访群体的处理策略是基于其目标特征信息预测所得到的风险值而定，即实现了对信访群体的特征信息进行挖掘，从而确定出与其风险匹配的处理策略，可以准确地处理信访案件。

需要说明的是，基于上述实施例，本申请实施例还提供了相应的改进方案。在优选/改进实施例中涉及与上述实施例中相同步骤或相应步骤之间可相互参考，相应的有益效果也可相互参照，在本文的优选/改进实施例中不再一一赘述。

在本申请中的一种具体实施方式中，利用训练数据集，对初始风险预测模型进行训练，得到风险预测模型，包括：

步骤一、将训练数据集划分为训练集和测试集；

步骤二、利用训练集对初始风险预测模型进行训练；

步骤三、利用测试集评估训练得到的初始风险预测模型对应泛化能力值；

步骤四、将泛化能力值达到预设阈值的初始风险预测模型确定为风险预测模型。

为便于描述，下面将上述四个步骤结合起来进行说明。

将训练数据集划分成训练集(train_data)和测试集(test_data)，划分比例可按照7:3进行。其中，训练集用于初始风险预测模型训练，测试集检测初始风险预测模型训练的结果，评估模型的泛化能力。

具体的，检测初始风险预测模型训练的结果，评估模型的泛化能力，可以通过交叉验证、召回率和精确率中的至少一项进行。将泛化能力值(如预测误差平方和、召回率和精确率)大于预设阈值的初始风险预测模型确定为用于风险预测的风险预测模型。

其中，交叉验证(cross-validation)，也称循环估计(rotationestimation)，即在给定的数据样本中，用大部分样本建模，留小部分测试，求小部分样本的预测误差。持续这个过程，直到所有样本都被预测过一次且仅一次，对所有样本的预测误差平方进行求和，基于求和大小，评估模型训练效果。

召回率(recall)，即查全率，衡量了分类器对正例的识别能力。计算公式为如下：

recall＝tp/(tp+fn)

其中，tp表示将正类预测为正类数，fn表示正类预测为负类数。

精确率(precision)，衡量预测正确的正样本，表现为预测是正的里面有多少真正是正的。计算公式如下：

precision＝tp/(tp+fp)

其中，fp表示预测为正的负样本。

优选地，上述步骤将训练数据集划分为训练集和测试集，可具体包括：利用k折交叉、上采样或下采样，将训练数据集划分为训练集和测试集。即，为了防止初始风险预测模型过拟合，训练数据集划分可以使用k折交叉(可与上文中的交叉验证)，特别在数据量不是很充足的情况下，能够从有限的数据中获取尽可能多的有效信息。当训练数据集的数量较多时，可以通过上采样方式对训练数据集进行划分，以减少训练压力；当训练数据集的数量较少时，为了更好地训练初始风险预测模型，可以采用下采样方式对训练数据集进行划分。

在本申请中的一种具体实施方式中，对各个特征信息添加对应风险值，得到训练数据集，具体包括：将特征信息量化为属性特征值，并添加对应风险值，得到训练数据集；其中，属性特征值与独热码对应。

其中，独热码(one-hotcode，即one-hot编码)，有多少个状态就有多少比特，而且只有一个比特为1，其他全为0的一种码制，使用one-hot编码的直接结果就是数据变稀疏。由于状态译码简单，可减少组合逻辑且速度较快，还易于修改，增加状态或改变状态转换条件都可以在不影响状态机的其它部分的情况下很方便地实现。如此，可使得训练数据集更加有利于训练初始风险预测模型。

相应地，步骤s102利用风险预测模型，对目标特征信息进行风险预测，得到风险预测值，包括：

步骤一、将目标特征信息量化为与独热码对应的目标属性特征值；

步骤二、将目标属性特征值输入至风险预测模型进行风险预测，得到风险预测值。

为便于描述，下面将上述两个步骤结合起来进行说明。

为了便于风险预测模型进行风险预测，还可将目标特征信息量化为与独热码对应的目标属性特征值。即目标属性特征值之间的类别差异更加明显。将目标属性特征值输入至风险预测模型进行风险预测，便可得到风险预测值。由于目标属性特征值的类别差异更加明显，即更有利于风险预测模型进行风险预测。

优选地，在实际应用中，为了更加清楚地了解目标信访群体，还可对目标信访群体的目标特征信息在可视化界面进行展示。具体的，可在将目标特征信息量化为与独热码对应的目标属性特征值之后，执行以下步骤：

步骤一、对目标属性特征值进行降维处理，得到二维特征数据。

其中，目标属性特征值对应独热码，为了便于可视化，需对目标属性特征值进行降维处理(pca)，最终得到二维特征数据。在本实施例中，对于具体采用何种降维方式对目标属性特征值进行降维处理，不做限定。

步骤二、利用二维特征数据，生成二维可视化的特征图形。

得到二维特征数据之后，便可生成二维可视化的特征图像。如图3所示，该图即为本申请实施例中一个特征图像。从该特征图像可看出该目标信访群体的特征分布包括3个类别中心，以及各个类别中心之间的距离关系等信息。

在本申请中的一种具体实施方式中，在利用训练数据集，对初始风险预测模型进行训练，得到风险预测模型之前，还可以利用网格搜索方法，对训练参数进行逐个寻优处理，得到优化训练参数；训练参数包括迭代次数、学习率、决策树最大深度和内部节点再划分所需最小样本数。

其中，网格搜索法是指定参数值的一种穷举搜索方法，通过交叉验证的方法进行优化来得到最优的学习算法。即，将各个参数可能的取值进行排列组合，列出所有可能的组合结果生成网格。然后，将各组合用于svm(支持向量机)训练，并使用交叉验证对表现进行评估。在拟合函数尝试了所有的参数组合后，返回一个合适的分类器，自动调整至最佳参数组合。

具体的，在利用训练数据集对风险预测模型进行训练之前，还可对训练参数进行逐个寻优处理，进而得到优化训练参数。具体的，可以结合控制变量法，利用网格搜索方法，寻找较优的各项训练参数值，各训练参数的寻优搜索顺序如图4所示。

也就是说，可先从步长(learning_rate)和迭代次数(n_estimators)入手，一般地，开始选择一个较小的步长来网格搜索最好的迭代次数。

找到合适的迭代次数后，再对决策树进行调参，同样控制其他训练参数值不变，对学习率、决策树最大深度(max_depth，简称最大深度)和内部节点再划分所需最小样本数(即，再划分所需最小样本数，min_samples_split)进行网格搜索。

为了方便参照，可通过python机器学习库sklearn调用gbdt分类算法，首先用gbdt默认参数拟合数据，对比初始风险预测模型的训练效果。结合参数寻优过程，可得到如下表所示的模型相关训练参数调整结果：

可以发现默认参数下的精度为0.852，查全率为0.882。通过设定迭代次数范围为[100,800]，移动窗口大小为50，搜索到迭代次数为200的时候，精度和查全率都有提高。同理，最大深度范围为[2,10]，移动窗口大小为1，搜索到最优深度为3。学习率范围设定为[0.01,0.1]，移动窗口大小为0.01，搜索到最优学习率为0.08。再划分所需最小样本范围设定为[2,10]，移动窗口大小为1，搜索到最优再划分所需最小样本数为2。

如此，便获得了使得训练效果更佳的优化训练参数。后续利用优化训练参数对初始风险预测模型进行训练，可使得最终的风险预测模型的精准率和查全率更优。

相应于上面的方法实施例，本申请实施例还提供了一种群体特征画像分析装置，下文描述的群体特征画像分析装置与上文描述的群体特征画像分析方法可相互对应参照。

参见图5所示，该装置包括以下模块：

群体信息获取模块101，用于目标信访群体的目标特征信息；

风险预测模块102，用于利用风险预测模型，对目标特征信息进行风险预测，得到风险预测值；

信访处理模块103，用于利用风险预测值，确定目标信访群体的处理策略

模型训练模块104，用于利用信息采集表，获取不同信访群体的特征信息；利用特征信息，分别获取各个信访群体的风险值；对各个特征信息添加对应风险值，得到训练数据集；利用训练数据集，对初始风险预测模型进行训练，得到风险预测模型。

应用本申请实施例所提供的装置，获取目标信访群体的目标特征信息；利用风险预测模型，对目标特征信息进行风险预测，得到风险预测值；利用风险预测值，确定目标信访群体的处理策略；其中，训练风险预测模型的过程，包括：利用信息采集表，获取不同信访群体的特征信息；利用特征信息，分别获取各个信访群体的风险值；对各个特征信息添加对应风险值，得到训练数据集；利用训练数据集，对初始风险预测模型进行训练，得到风险预测模型。

在本申请中，可从信息采集表中得到不同信访群体的特征信息，然后基于特征信息计算出各个信访群体的风险值。将风险值添加至特征信息中，便可形成训练数据集，并训练出风险预测模型。如此，在获取到目标信访群体的目标特征信息之后，便可利用风险预测模型对目标特征信息进行风险预测，进而得到风险预测值。基于该风险预测值可以确定出与目标信访群体对应的处理策略。也就是说，所确定的目标信访群体的处理策略是基于其目标特征信息预测所得到的风险值而定，即实现了对信访群体的特征信息进行挖掘，从而确定出与其风险匹配的处理策略，可以准确地处理信访案件。

在本申请的一种具体实施方式中，模型训练模块104，具体用于将特征信息量化为属性特征值，并添加对应风险值，得到训练数据集；其中，属性特征值与独热码对应；

相应地，风险预测模块102，具体用于将目标特征信息量化为与独热码对应的目标属性特征值；将目标属性特征值输入至风险预测模型进行风险预测，得到风险预测值。

在本申请的一种具体实施方式中，还包括：

特征可视化模块，用于在将目标特征信息量化为与独热码对应的目标属性特征值之后，对目标属性特征值进行降维处理，得到二维特征数据；利用二维特征数据，生成二维可视化的特征图形。

在本申请的一种具体实施方式中，模型训练模块104，具体用于从信息采集表中获取特征信息中各种信息的具体值，并进行累加，得到特征信息对应访问群体的风险值；其中，特征信息包括信访群体基本信息、信访类型信息、信访诉求信息、信访性质信息、信访行为信息、涉案审理信息和社会发展态势信息；信息采集表中每种信息的不同值分别对应一个具体值。

在本申请的一种具体实施方式中，模型训练模块104，具体用于将训练数据集划分为训练集和测试集；利用训练集对初始风险预测模型进行训练；利用测试集评估训练得到的初始风险预测模型对应泛化能力值；将泛化能力值达到预设阈值的初始风险预测模型确定为风险预测模型。

在本申请的一种具体实施方式中，模型训练模块104，具体用于利用k折交叉、上采样或下采样，将训练数据集划分为训练集和测试集。

在本申请的一种具体实施方式中，还包括：

参数寻优模块，用于在利用训练数据集，对初始风险预测模型进行训练，得到风险预测模型之前，利用网格搜索方法，对训练参数进行逐个寻优处理，得到优化训练参数；训练参数包括迭代次数、学习率、决策树最大深度和内部节点再划分所需最小样本数。

相应于上面的方法实施例，本申请实施例还提供了一种电子设备，下文描述的一种电子设备与上文描述的一种群体特征画像分析方法可相互对应参照。

参见图6所示，该电子设备包括：

存储器332，用于存储计算机程序；

处理器322，用于执行计算机程序时实现上述方法实施例的群体特征画像分析方法的步骤。

具体的，请参考图7，图7为本实施例提供的一种电子设备的具体结构示意图，该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(centralprocessingunits，cpu)322(例如，一个或一个以上处理器)和存储器332，存储器332存储有一个或一个以上的计算机应用程序342或数据344。其中，存储器332可以是短暂存储或持久存储。存储在存储器332的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，中央处理器322可以设置为与存储器332通信，在电子设备301上执行存储器332中的一系列指令操作。

电子设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341。

上文所描述的群体特征画像分析方法中的步骤可以由电子设备的结构实现。

相应于上面的方法实施例，本申请实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种群体特征画像分析方法可相互对应参照。

一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的群体特征画像分析方法的步骤。

该可读存储介质具体可以为u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可存储程序代码的可读存储介质。

本领域技术人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。