一种人口属性确定方法、装置、设备及存储介质

技术领域

本发明实施例涉及数据处理技术领域，尤其涉及一种人口属性确定方法、装置、设备及存储介质。

背景技术

随着互联网的快速发展，针对不同用户的兴趣偏好，将适合的信息呈现并推荐给用户，可以提高推荐信息的转化率。其中，信息发布系统根据定向条件确定目标人群主要是根据用户的人口属性的统计特征来选取出符合定向条件的网络用户，将选取的这些用户作为目标人群进行信息。

因此，在信息推荐领域中用户的人口属性预测方面的研究是一项重要的研究内容。人口属性的标签预测通常通过神经网络模型，基于设备标识对应的行为特征数据预测该设备标识属于哪个标签类别。但仅基于神经网络模型的预测确定人口属性的方式单一、准确率差。

发明内容

本发明实施例提供了一种人口属性确定方法、装置、设备及存储介质，以实现提高人口属性确定的准确性。

第一方面，本发明实施例提供了一种人口属性确定方法，包括：

获取待预测人口信息；

将待预测人口信息输入至预先训练的属性分类模型中，获得属性分类模型输出的预测结果；

基于预测结果和预先设定的预测置信度阈值确定待预测人口信息对应的目标人口属性。

第二方面，本发明实施例还提供了一种人口属性确定装置，包括：

人口信息获取模块，用于获取待预测人口信息；

分类模型预测模块，用于将待预测人口信息输入至预先训练的属性分类模型中，获得属性分类模型输出的预测结果；

人口属性确定模块，用于基于预测结果和预先设定的预测置信度阈值确定待预测人口信息对应的目标人口属性。

第三方面，本发明实施例还提供了一种计算机设备，设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如本发明任意实施例所提供的人口属性确定方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任意实施例所提供的人口属性确定方法。

本发明实施例通过获取待预测人口信息；将待预测人口信息输入至预先训练的属性分类模型中，获得属性分类模型输出的预测结果；基于预测结果和预先设定的预测置信度阈值确定待预测人口信息对应的目标人口属性，通过在属性分类模型的基础上，添加预测置信度阈值作为人口属性的确定参数，提高了人口属性确定的准确性。

附图说明

图1是本发明实施例一所提供的一种人口属性确定方法的流程示意图；

图2是本发明实施例三所提供的一种人口属性确定方法的流程示意图；

图3是本发明实施例三所提供的一种人口属性确定方法的流程示意图；

图4是本发明实施例四所提供的一种人口属性确定装置的结构示意图；

图5是本发明实施例五所提供的一种计算机设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1是本发明实施例一所提供的一种人口属性确定方法的流程图。本实施例可适用于确定人口属性，以实现信息的精准推荐时的情形。该方法可以由人口属性确定装置执行，该人口属性确定装置可以采用软件和/或硬件的方式实现，例如，该人口属性确定装置可配置于计算机设备中。如图1所示，该方法包括：

S110、获取待预测人口信息。

在本实施例中，待预测人口信息可以为历史日志中预测对象的历史操作数据。其中，预测对象可以根据实际需求设定。示例性的，预测对象可以为用户、设备等。假设预设对象为用户，则待预测人口信息可以为历史日志中用户标识对应的历史操作数据，假设预测对象为设备，则待预测人口信息可以为历史日志中设备标识对应的历史操作数据。

可选的，为使基于待预测人口信息的人口属性预测更加准确，可以从历史日志中获取源数据后，对源数据进行数据聚合，采用与模型训练时相同的数据聚合数据的特征信息以及形式，得到待预测人口信息。

S120、将待预测人口信息输入至预先训练的属性分类模型中，获得属性分类模型输出的预测结果。

在本实施例中，基于预先训练的属性分类模型进行人口属性的预测。其中，属性分类模型的结构在此不做限定。可选的，属性分类模型可以为神经网络模型，还可以为数学模型。示例性的，属性分类模型可以为逻辑回归、XGBoost等模型，也可以为TextCNN、BERT等模型。

其中，属性分类模型的输出根据属性分类模型的设置确定。可选的，属性分类模型可以直接输出基于类别概率参数进行逆序排名后的前N个基准属性类别的类别概率参数以及类别置信度；还可以输出每个基准属性类别的类别概率参数以及类别置信度。

S130、基于预测结果和预先设定的预测置信度阈值确定待预测人口信息对应的目标人口属性。

在本实施例中，在属性分类模型输出的预测结果的基础上，添加了预测置信度阈值，将置信度高于预测置信度阈值的基准属性类别过滤出来，基于过滤后的基准属性分类确定待预测人口信息的目标人口属性，提高了人口属性预测的精度。

可以理解的是，本实施例不对基于类别置信度的筛选和基于类别概率参数的排序进行顺序限制，可以先基于类别置信度进行筛选后，将筛选得到的属性类别进行类别概率参数的排序，以确定目标人口属性，也可以先基于类别概率参数排序后，基于排序结果依次进行类别置信度的筛选。具体顺序可以根据实际需求设置，在此不做限定。

示例性的，可以先针对预测结果中的每个基准属性类别，先将类别置信度高于预测置信度阈值的基准属性类别作为候选属性类别，然后将类别概率参数最高的候选属性类别作为目标人口属性；还可以先针对预测结果中的每个基准属性类别，先基于类别概率参数进行逆序排序，依次判断排序结果中的每个基准属性类别的类别置信度是否高于预测置信度阈值，将首个类别置信度高于预测置信度阈值的基准属性类别作为目标人口属性。

一个实施例中，预测结果为各基准属性类别的类别置信度和类别概率参数，根据预测结果和预先设定的预测置信度阈值确定待预测人口信息对应的目标人口属性，包括：根据预测置信度阈值和基准属性类别的类别置信度对基准属性类别进行过滤，将类别置信度高于预测置信度阈值的基准属性类别作为候选属性类别；将类别概率参数最高的候选属性类别作为目标人口属性。具体的，预测结果设置为每个基准属性类别的类别置信度和类别概率参数，其中类别概率参数表示属性类别为该基准属性类别的概率，可以为数值形式。得到属性分类模型的预测结果后，针对属性分类模型输出的预测结果中的每个基准属性类别，将该基准属性类别的类别置信度与预测置信度阈值进行比较，当类别置信度高于预测置信度阈值时，将该基准属性类别作为候选属性类别，直到比对完预测结果中的所有基准属性类别，得到至少一个候选属性类别；然后比较各候选属性类别的类别概率参数，将类别概率参数最高的候选属性类别作为目标人口属性。

本发明实施例通过获取待预测人口信息；将待预测人口信息输入至预先训练的属性分类模型中，获得属性分类模型输出的预测结果；基于预测结果和预先设定的预测置信度阈值确定待预测人口信息对应的目标人口属性，通过在属性分类模型的基础上，添加预测置信度阈值作为人口属性的确定参数，提高了人口属性确定的准确性。

实施例二

图2是本发明实施例二所提供的一种人口属性确定方法的流程图。本实施例在上述实施例的基础上，增加了属性分类模型训练的操作。如图2所示，该方法包括：

S210、获取训练样本源数据。

在本实施例中，训练样本源数据可以为从历史日志中获取的日志数据。如设定时间段内设定操作关联的日志数据。

S220、对训练样本源数据进行数据处理，得到训练样本目标数据。

由于基于隐私保护的考虑，很难获取到准确且大数据量的设备标识的人口属性的种子数据，因此，种子数据具有数据量级较小且有一定的噪声的客观情况存在，噪声简单来说就是由于客观条件的存在，必定存在一定的种子数据的标签不准确的情况；同时，也存在一定的数据分布不均衡的情况，导致训练的种子数据存在数据的分布不均衡问题，对于模型的训练以及后续预测其所属类别必然会有一定的影响。因此，提升针对分布不均衡且含有噪声的种子数据的人口属性标签预测精度也是亟需解决的技术问题。本实施例中，通过对训练样本源数据的数据处理，解决上述技术问题。

可选的，可以对训练样本源数据进行特征工程、种子增强和数据扩充中的至少一种处理，得到训练样本目标数据。

在本发明的一种实施方式中，对训练样本源数据进行数据处理，得到训练样本目标数据，包括：对模型样本源数据进行特征工程处理，得到特征工程数据；对特征工程数据进行种子增强处理，得到种子增强数据；对种子增强数据进行数据扩充处理，得到训练样本目标数据。可选的，对训练样本源数据进行特征工程、种子增强和数据扩充中的顺次处理，得到训练样本目标数据，提高了训练样本目标数据的准确性，且使得训练样本目标数据分布均衡。

一个实施例中，对模型样本源数据进行特征工程处理，得到特征工程数据，包括：基于预先设置的关键词提取模型样本源数据的特征信息及原始标签，将包含特征信息和原始标签的模型样本源数据作为特征工程数据。具体的，聚合提取模型样本源数据中可用的字段，如通过标识(用户标识和/或设备标识)获取到需要的一些行为等特征信息。因此，通过模型样本源数据的标识，可以通过检测日志中的信息聚合得到多个不同的特征信息，同时还有其对应的原始标签，以此数据作为特征工程数据。

一个实施例中，对特征工程数据进行种子增强处理，得到种子增强数据，包括：将原始标签和预设预测标签一致，且原始标签的置信度高于增强置信度阈值的特征工程数据作为种子增强数据。具体的，种子增强处理由两个部分组成，过滤符合增强种子的条件是：训练的标签与模型预测的标签保持一致，且预测标签对应置信度能够满足预先设置的增强置信度阈值的要求。可以理解的是，采用一个分类模型来预测种子数据，满足模型预测的标签和输入种子数据标签一致的才会保留下来，然后进一步在满足后续试验操作要求的情况下，设置一个增强置信度阈值进一步提取一部分种子，执行上述过滤后得到种子增强数据，种子数据的精度就进一步提升了。

一个实施例中，对种子增强数据进行数据扩充处理，得到训练样本目标数据，包括：基于原始标签对应的种子增强数据的数据量确定待扩充标签；基于待扩充标签对应的种子增强数据进行数据扩充处理，得到训练样本目标数据。考虑到训练样本源数据是数据量比较少的一批数据，同时，其存在分布不够均匀的情况，例如，年龄在小于17岁或者大于55岁以上的这几个分段的人群在互联网上的点击行为数据肯定是小于在18至55岁的人群的，那么对于年龄的人口属性预测分类问题，获取到的种子数据在小于17或者大于55分段的数据必然比在18至55岁分段的数据量要小很多，这对于年龄的分类问题来说，训练的种子数据存在数据的分布不均衡问题，对于模型的训练以及后续预测其所属类别必然会有一定的影响，因此，为解决数据分布不均衡的技术问题，提出将种子数据分布较少的一些进行扩充，具体扩充的方式不做限定，如可以采用直接翻倍或者三倍的方式，只要满足整个数据量均匀分布即可。

S230、基于训练样本目标数据值对预先构建的属性分类模型进行训练，得到训练后的属性分类模型。

将训练样本源数据进行处理后，得到的训练样本目标数据为分布均衡、标签准确的种子数据，可以基于训练样本目标数据进行属性分类模型的训练，基于优化的训练样本目标数据训练出分类精准的属性分类模型。具体的训练过程可以参照现有技术中的模型训练过程，在此不再赘述。

在模型预测阶段，模型预测数据类别的时候，是将属于预测的数据准确率最高的取值归为某一类，如果再加入一定的阈值(即预测置信度阈值)来进行过滤，将置信度高的数据才过滤出来，这样最终得到的数据的准确率将会更加准确。但是，具体预测过程中需要平衡模型预测准确率和过滤后的量级，一味追求准确率则预测数据的量级可能不够，如果一味追求量级预测精度又可能难以满足要求。因此，预测置信度阈值的设置较关键。

为使预测置信度阈值的设置更加合理，平衡预测过程中属性分类模型的预测结果和预测置信度阈值，可以在进行属性分类模型的训练时，随属性分类模型的训练对预测置信度阈值进行调整。可选的，基于训练样本目标数据对预先构建的属性分类模型进行训练，得到训练后的属性分类模型，包括：基于训练样本目标数据和预先设置的预测置信度阈值对预先构建的属性分类模型进行训练，得到训练后的属性分类模型。具体的，在属性分类模型的训练过程中，将属性分类模型的预测结果基于预测置信度阈值进行筛选，得到最终的预测结果，将最终的预测结果与标签进行比对，确定损失值，回调属性分类模型中的参数，以及预测置信度阈值，直到满足设定的收敛条件，得到训练后的属性分类模型，并得到一个准确的预测置信度阈值。属性分类模型与预测置信度阈值的联动训练及设置使得预测置信度阈值的设置更加合理，进一步增强了人口属性的预测结果。

S240、获取待预测人口信息。

S250、将待预测人口信息输入至预先训练的属性分类模型中，获得属性分类模型输出的预测结果。

S260、基于预测结果和预先设定的预测置信度阈值确定待预测人口信息对应的目标人口属性。

本发明实施例在上述实施例的基础上，增加了属性分类模型训练的操作，通过获取训练样本源数据；对所述训练样本源数据进行数据处理，得到训练样本目标数据，提高了训练样本目标数据的分布均衡性及标签准确性；基于所述训练样本目标数据对预先构建的属性分类模型进行训练，得到训练后的属性分类模型，提高了训练后的属性分类模型的预测准确度。

实施例三

图3是本发明实施例三所提供的一种人口属性确定方法的流程示意图。本实施例在上述实施例的基础上，提供了一种优选实施例。在本实施例中，将训练样本源数据具体化为种子数据，提供了一种针对分布不均衡且含噪声数据的标签预测精度提升方法，旨在解决人口属性标签预测问题中种子数据存在噪声以及分布不均衡问题对模型训练及预测准确率不高的问题。

如图3所示，人口属性确定方法主要包括种子数据预处理、模型的训练、预测以及阈值过滤输出两部分内容，而种子数据预处理又包括特征工程、种子增强和数据扩充三个步骤。

一、种子数据预处理

(1)特征工程

种子数据预处理分为特征工程、种子增强和数据扩充三个步骤，首先，根据准备的种子样本数据，通过监测的日志数据，聚合提取日志中可用的字段，通过id获取到需要的一些行为等特征信息。因此，通过样本种子的id，可以通过检测日志中的信息聚合得到多个不同的特征信息，同时还有其对应的标签，以此数据作为种子训练数据，此时，种子数据的特征工程部分已经完成，得到含有特征信息及标签的种子数据，接下来就进入到种子增强部分。

(2)种子增强

之所以要进行种子的增强操作，是因为由于客观原因导致获取到的种子数据可能存在一定的噪声，即种子数据本身的标签存在一定的不准确，因此初始的种子数据不准确，会对后面模型训练预测产生一定的影响，因此，提出种子增强方法以提高种子数据的精度，其主要操作由两个部分组成，过滤符合增强种子的条件是：1.训练的标签与模型预测的标签保持一致；2.预测标签对应置信度能够满足实验设置的阈值要求。采用分类模型来预测种子数据，满足模型预测的标签和输入种子数据标签一致的才会保留，然后进一步在满足后续试验操作要求的情况下，设置阈值进一步提取一部分种子，以提升种子数据的精度。

(3)数据扩充

种子数据是数据量比较少的一批数据，同时，其存在分布不够均匀的情况，以年龄标签预测为例，一般来说，年龄在小于17岁或者大于55岁以上的这几个分段的人群在互联网上的点击行为数据小于在18至55岁的人群，那么对于年龄的人口属性预测分类问题，获取到的种子数据在小于17或者大于55分段的数据必然比在18至55岁分段的数据量要小很多，这对于年龄的分类问题来说，训练的种子数据存在数据的分布不均衡问题，对于模型的训练以及后续预测其所属类别会有一定的影响，因此，基于此问题，提出将种子数据分布较少的一些进行扩充，而扩充的方式采用直接翻倍或者三倍的方式，只要满足整个数据量均匀分布即可。

二、模型训练、预测及阈值过滤

(1)模型训练及预测

经过以上几个步骤后，整个训练数据全部准备完毕，从数据量以及种子标签的精度上都有一定的提升，接下来就是需要通过模型来训练这些数据，模型可以选择机器学习的一些方法，例如逻辑回归、XGBoost等模型，也可以选择深度学习的一些网络模型，例如TextCNN、BERT等模型来训练这些数据，模型训练完之后，保存精度较好的模型参数，再通过监测日志中聚合得到大数据量的预测数据，该预测数据聚合的特征信息以及形式要和模型的训练数据保持一致，然后保存的模型参数加载该预测数据，得到模型的预测数据，该数据量也即是模型放大后的数据，此时，就完成了模型的训练以及放大的步骤。

(2)阈值过滤

由于在模型预测阶段，模型预测数据类别的时候，是将属于预测的数据准确率最高的取值就归为某一类，如果再加入一定的阈值来进行过滤，将置信度高的数据过滤出来，最终得到的数据的准确率将会更加准确。但是，在模型预测准确率和过滤后的量级两者之间，需要有一个平衡，一味追求准确率则预测数据的量级可能不够，如果一味追求量级预测精度又可能难以满足要求。

本发明实施例提供的技术方案根据实际应用场景下初始种子数据存在的客观问题，提出了种子增强、数据扩充的操作进一步提升了种子数据自身的精度，以及后续模型预测后的数据加入阈值过滤来提升最后预测放大数据的精度，最终直接或者间接提升了最终预测放大数据的人口属性标签预测的精度和数据的量级需求。

实施例四

图4是本发明实施例四所提供的一种人口属性确定装置的结构示意图。该人口属性确定装置可以采用软件和/或硬件的方式实现，例如该人口属性确定装置可以配置于计算机设备中。如图4所示，该装置包括人口信息获取模块410、分类模型预测模块420和人口属性确定模块430，其中：

人口信息获取模块410，用于获取待预测人口信息；

分类模型预测模块420，用于将待预测人口信息输入至预先训练的属性分类模型中，获得属性分类模型输出的预测结果；

人口属性确定模块430，用于基于预测结果和预先设定的预测置信度阈值确定待预测人口信息对应的目标人口属性。

本发明实施例通过人口信息获取模块获取待预测人口信息；分类模型预测模块将待预测人口信息输入至预先训练的属性分类模型中，获得属性分类模型输出的预测结果；人口属性确定模块基于预测结果和预先设定的预测置信度阈值确定待预测人口信息对应的目标人口属性，通过在属性分类模型的基础上，添加预测置信度阈值作为人口属性的确定参数，提高了人口属性确定的准确性。

可选的，在上述方案的基础上，预测结果为各基准属性类别的类别置信度和类别概率参数，人口属性确定模块430具体用于：

根据预测置信度阈值和基准属性类别的类别置信度对基准属性类别进行过滤，将类别置信度高于预测置信度阈值的基准属性类别作为候选属性类别；

将类别概率参数最高的候选属性类别作为目标人口属性。

可选的，在上述方案的基础上，装置还包括分类模型训练模块，包括：

源数据获取子模块，用于获取训练样本源数据；

样本目标数据子模块，用于对训练样本源数据进行数据处理，得到训练样本目标数据；

分类模型训练子模块，用于基于训练样本目标数据值对预先构建的属性分类模型进行训练，得到训练后的属性分类模型。

可选的，在上述方案的基础上，源数据获取子模块包括：

特征工程处理单元，用于对模型样本源数据进行特征工程处理，得到特征工程数据；

种子增强处理单元，用于对特征工程数据进行种子增强处理，得到种子增强数据；

数据扩充处理单元，用于对种子增强数据进行数据扩充处理，得到训练样本目标数据。

可选的，在上述方案的基础上，特征工程处理单元具体用于：

基于预先设置的关键词提取模型样本源数据的特征信息及原始标签，将包含特征信息和原始标签的模型样本源数据作为特征工程数据。

可选的，在上述方案的基础上，种子增强处理单元具体用于：

将原始标签和预设预测标签一致，且原始标签的置信度高于增强置信度阈值的特征工程数据作为种子增强数据。

可选的，在上述方案的基础上，数据扩充处理单元具体用于：

基于原始标签对应的种子增强数据的数据量确定待扩充标签；

基于待扩充标签对应的种子增强数据进行数据扩充处理，得到训练样本目标数据。

本发明实施例所提供的人口属性确定装置可执行本发明任意实施例所提供的人口属性确定方法，具备执行方法相应的功能模块和有益效果。

实施例五

图5是本发明实施例五所提供的一种计算机设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性计算机设备512的框图。图5显示的计算机设备512仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机设备512以通用计算设备的形式表现。计算机设备512的组件可以包括但不限于：一个或者多个处理器516，系统存储器528，连接不同系统组件(包括系统存储器528和处理器516)的总线518。

总线518表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器516或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

计算机设备512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备512访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器528可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)550和/或高速缓存存储器542。计算机设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储装置554可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线518相连。存储器528可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块542的程序/实用工具540，可以存储在例如系统存储器528中，这样的程序模块542包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。

计算机设备512也可以与一个或多个外部设备514例如键盘、指向设备、显示器524等)通信，还可与一个或者多个使得用户能与该计算机设备512交互的设备通信，和/或与使得该计算机设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且，计算机设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器520通过总线518与计算机设备512的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备512使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理器516通过运行存储在系统存储器528中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的人口属性确定方法，该方法包括：

获取待预测人口信息；

将待预测人口信息输入至预先训练的属性分类模型中，获得属性分类模型输出的预测结果；

基于预测结果和预先设定的预测置信度阈值确定待预测人口信息对应的目标人口属性。

当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的人口属性确定方法的技术方案。

实施例六

本发明实施例六还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明实施例所提供的人口属性确定方法，该方法包括：

获取待预测人口信息；

将待预测人口信息输入至预先训练的属性分类模型中，获得属性分类模型输出的预测结果；

基于预测结果和预先设定的预测置信度阈值确定待预测人口信息对应的目标人口属性。

当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上的方法操作，还可以执行本发明任意实施例所提供的人口属性确定方法的相关操作。

本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。