人群扩展方法、人群扩展装置、电子设备和可读存储介质

摘要

本申请提供了一种人群扩展方法、人群扩展装置、电子设备和可读存储介质，该方法包括：在目标人群池中抽取正种子样本，在非目标人群池中抽取负种子样本；合并正负种子样本形成种子人群池，对种子人群池执行Apriori算法，得到指向目标人群的第一规则合集和指向非目标人群的第二规则合集；根据第二规则合集对第一规则合集进行干扰排除，得到指向目标人群的第三规则合集；基于第三规则合集进行目标人群的扩展与调控。基于Apriori算法的人群扩展方法能同时考虑数据与经验，通过对频繁项集的挖掘得到单项特征和多项特征与目标人群的关联性，且对目标人群与非目标人群共有的规则去除，提高留下规则对目标人群与非目标人群的区分能力，提高人群扩散与调控的准确性。

说明书

技术领域

本申请涉及数据处理技术领域，尤其是涉及到一种人群扩展方法、人群扩展装置、电子设备和可读存储介质。

背景技术

相似人群扩展(Lookalike)是指基于已有的人群，自动地发现与其属性比较相似的其他人群，能够使商超系统、广告公司有针对性地寻找受众。

目前，Lookalike主要包含以下三种方法：

(1)利用用户画像进行人群扩展：给种子样本打标签，利用相同标签找到目标人群。例如，男、女是性别维度的两个标签，若待扩展的种子样本的标签是“女”，那么在用户池中所有性别为“女”的人均为扩展对象。基于用户画像的扩散方法主要是对数据进行标签化，并基于标签对人群进行扩散，打标的方式有两种：一是基于经验而非数据特征来制定标签，其结果存在一定的不稳定性，尤其在经验匮乏的情况下会影响扩散效果；二是通过各种特征选择方法来制定标签，这是依赖数据而非经验的，且分析结果中仅有单项特征与目标的关联性，没有多项特征与目标的关联性，即缺乏特征与特征共同贡献的概念。

(2)利用分类模型进行人群扩展：构建分类器，将种子样本视为正样本，非种子样本视为负样本，训练分类模型，而后用分类模型对人群池内所有样本进行分类，取分类结果为正的人群作为扩展的结果。该方法的弊端是计算量大、耗时长，尤其当人群池的量级大时，需对每一个人群池内的样本用分类器进行分类判断，该过程所消耗的计算资源十分庞大。

(3)利用社交网络进行人群扩展：利用关系网络(如种子样本的好友关系网络、亲属关系网络)进行人群扩散。该方法必须先构建人群的关系网络，当没有关系数据时，方法不可使用。

发明内容

有鉴于此，本申请提供了一种人群扩展方法、人群扩展装置、电子设备和可读存储介质，实现了提高人群扩散效率和效果、提高人群扩散准确性的功能。

第一方面，本申请实施例提供了一种人群扩展方法，该方法包括：在目标人群池中抽取正种子样本，在非目标人群池中抽取负种子样本；合并正种子样本和负种子样本形成种子人群池，对该种子人群池执行Apriori算法，分别得到指向目标人群的第一规则合集和指向非目标人群的第二规则合集；根据第二规则合集对第一规则合集进行干扰排除，得到指向目标人群的第三规则合集；基于第三规则合集进行目标人群的扩展与调控。

根据本申请实施例的上述人群扩展方法，还可以具有以下附加技术特征：

在上述技术方案中，可选地，在根据第二规则合集对第一规则合集进行干扰排除，得到指向目标人群的第三规则合集之前，还包括：将第一规则合集存入指向目标人群的第一规则合集池，以及将第二规则合集存入指向非目标人群的第二规则合集池；在第一规则合集池中去除出现次数小于或等于第一阈值的规则，以及在第二规则合集池中去除出现次数小于或等于第二阈值的规则。

在上述任一技术方案中，可选地，根据第二规则合集对第一规则合集进行干扰排除，得到指向目标人群的第三规则合集，包括：在第二规则合集池中取出满足预设条件的有效规则；将第一规则合集池中与有效规则重合的规则去除，得到指向目标人群的第三规则合集；其中，预设条件为规则的支持度、置信度、频度中的任一项大于或等于第三阈值。

在上述任一技术方案中，可选地，基于第三规则合集进行目标人群的扩展与调控，包括：对第三规则合集中的规则的支持度或置信度的阈值进行调整，得到目标数量的目标人群。

在上述任一技术方案中，可选地，基于第三规则合集进行目标人群的扩展与调控，包括：基于经验信息对第三规则合集中的规则进行筛选，得到目标数量的目标人群。

在上述任一技术方案中，可选地，基于第三规则合集进行目标人群的扩展与调控，包括：根据第三规则合集中的规则进行目标人群的扩展，并对每个扩展的目标人群进行分值计算；将扩展的目标人群按照分值降序排序，并取目标数量的目标人群；其中，分值的计算公式为：

S为分值，confi为扩展到目标人群的第i条规则的置信度，n为扩展到目标人群的总规则条数，i大于等于1且小于等于n。

在上述任一技术方案中，可选地，在目标人群池中抽取正种子样本，以及在非目标人群池中抽取负种子样本之前，还包括：确定正种子样本的唯一标识和多维特征，并建立目标人群池；以及确定负种子样本的唯一标识和多维特征，并建立非目标人群池。

第二方面，本申请实施例提供了一种人群扩展装置，该装置包括：抽取模块，用于在目标人群池中抽取正种子样本，在非目标人群池中抽取负种子样本；执行模块，合并正种子样本和负种子样本形成种子人群池，对该种子人群池执行Apriori算法，分别得到指向目标人群的第一规则合集和指向非目标人群的第二规则合集；排除模块，用于根据第二规则合集对第一规则合集进行干扰排除，得到指向目标人群的第三规则合集；扩展与调控模块，用于基于第三规则合集进行目标人群的扩展与调控。

第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器和存储器，存储器存储可在处理器上运行的程序或指令，程序或指令被处理器执行时实现如第一方面的方法的步骤。

第四方面，本申请实施例提供了一种可读存储介质，可读存储介质上存储程序或指令，程序或指令被处理器执行时实现如第一方面的方法的步骤。

第五方面，本申请实施例提供了一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行程序或指令，实现如第一方面的方法。

第六方面，本申请实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如第一方面的方法。

在本申请实施例中，预先建立存储有正种子样本的目标人群池以及存储有负种子样本的非目标人群池，在需要进行目标人群的扩展与调控时，从目标人群池中抽取正种子样本以及从非目标人群中抽取负种子样本。然后，将抽取的正种子样本和负种子样本放到一起执行Apriori算法，得到一组指向目标人群的第一规则合集、一组指向非目标人群的第二规则合集，第一规则合集中包括目标人群对应的规则、第二规则合集中包括非目标人群对应的规则，当然，两个规则合集中的规则可能包括目标人群与非目标人群共有的。然后，利用第二规则合集对第一规则合集进行干扰排除，将第一规则合集中目标人群与非目标人群共有的规则去除，以提高留下的规则区分目标人群与非目标人群的能力，最终得到第三规则合集。最后，利用第三规则合集进行目标人群的扩展与调控。

本申请实施例，一方面，相比相关技术中由经验得到规则的方法、由特征选择得到规则的方法，本申请实施例能够同时考虑数据与经验，通过Apriori算法实现对正负样本合集进行频繁项集的挖掘来得到包含单项特征与目标人群的关联性、多项特征联合与目标人群的关联性的规则，结合后续的排除、扩展与调控，提高了规则的稳定性和丰富性，提高了人群扩散与调控的效果；相比相关技术中将人群池的样本逐个放入分类器的方法，本申请实施例的效率大大提高，尤其是数据量大的时候；相比相关技术中依赖社交网络的方法，本申请实施例无需构建人群的关系网络，易于实现。另一方面，通过对目标人群与非目标人群共有的规则去除，提高留下规则对目标人群与非目标人群的区分能力，从而提高人群扩散与调控的准确性。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了本申请实施例的人群扩展方法的流程示意图之一；

图2示出了本申请实施例的人群扩展方法的流程示意图之二；

图3示出了本申请实施例的人群扩展方法的流程示意图之三；

图4示出了本申请实施例的人群扩展方法的流程示意图之四

图5示出了本申请实施例的人群扩展装置的结构框图；

图6示出了本申请实施例的电子设备的结构框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚地描述，显然，所描述的实施例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获得的所有其他实施例，都属于本申请保护的范围。

本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。

下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的人群扩展方法、人群扩展装置、电子设备和可读存储介质进行详细地说明。

本申请实施例提供了一种人群扩展方法，如图1所示，该方法包括：

步骤101，在目标人群池中抽取正种子样本，在非目标人群池中抽取负种子样本。

为了让生成的规则能够更好的扩展出目标人群，需要整个方法体系不仅能够找出与目标人群相关的特征，也能对非目标人群有一定的区分能力。因此，在每一次的规则生成过程中，如图2和图3所示，分别在目标人群池(也即正种子样本池)、非目标人群池(负种子样本池)中进行取样。

需要说明的是，取样方式可以为简单随机抽样、分层抽样、系统抽样、整群抽样等，可根据实际情况来确定，在此不作具体限定。

步骤102，合并正种子样本和负种子样本形成种子人群池，对该种子人群池执行Apriori算法，分别得到指向目标人群的第一规则合集和指向非目标人群的第二规则合集。

如图2和图3所示，将取样结果放到一起执行Apriori算法，得到一组指向目标人群的规则合集Ai(也即第一规则合集)、一组指向非目标人群的规则合集Bi(也即第二规则合集)。规则合集Ai中包括目标人群对应的规则、规则合集Bi中包括非目标人群对应的规则，当然，两个规则合集中的规则也可能包括目标人群与非目标人群共有的。

其中，Apriori算法是一种关联规则挖掘算法，它利用逐层搜索的迭代方式找出数据库中项集的关系，以形成规则。该算法可用于推荐系统，例如，基于顾客的消费记录使用Apriori算法，得到了啤酒→尿布的规则，商场随即决策将啤酒与尿布捆绑促销或放在相邻的位置以提升销量。

Apriori算法过程为：输入一组多特征的数据集，基于对数据集中频繁项集的挖掘，得到特征与特征之间的关联关系。本申请实施例基于Apriori算法，输入两个数据集，也即正种子样本(标记为类1)和负种子样本(标记为类2)，通过Apriori算法得到特征→类1或特征→类2的规则，舍弃其它特征→特征的规则，然后通过一定的筛选方法，得到有效规则列表(均为特征→类1的规则)，用有效规则来进行人群扩展与后续处理。

值得注意的是，此处标记的分类也是特征的一种，但为了与其它特征区分开来，将之称为分类，其它称为特征。

例如，商场想要找“父亲”角色的人群，正种子样本被标记为父亲，负种子样本被标记为非父亲，运用Apriori算法并进行处理后得到有效规则啤酒、尿布→父亲。那么在人群池，所有同时符合啤酒、尿布购买行为的人，则认为是“父亲”角色，实现人群扩展。

步骤103，根据第二规则合集对第一规则合集进行干扰排除，得到指向目标人群的第三规则合集。

利用第二规则合集对第一规则合集进行干扰排除，将第一规则合集中目标人群与非目标人群共有的规则去除，以提高留下的规则区分目标人群与非目标人群的能力，最终得到第三规则合集。

步骤104，基于第三规则合集进行目标人群的扩展与调控。

最后，利用第三规则合集进行目标人群的扩展与调控。

本申请实施例，一方面，相比相关技术中由经验得到规则的方法、由特征选择得到规则的方法，本申请实施例能够同时考虑数据与经验，通过Apriori算法实现对正负样本合集进行频繁项集的挖掘来得到包含单项特征与目标人群的关联性、多项特征联合与目标人群的关联性的规则，结合后续的排除、扩展与调控，提高了规则的稳定性和丰富性，提高了人群扩散与调控的效果；相比相关技术中将人群池的样本逐个放入分类器的方法，本申请实施例的效率大大提高，对资源消耗与结果产出进行了合理的平衡，尤其是数据量大的时候；相比相关技术中依赖社交网络的方法，本申请实施例无需构建人群的关系网络，易于实现。

另一方面，通过对目标人群与非目标人群共有的规则去除，提高留下规则对目标人群与非目标人群的区分能力，从而提高人群扩散与调控的准确性。

在本申请的一个实施例中，在该步骤101之前，确定正种子样本的唯一标识和多维特征，并建立目标人群池，以及确定负种子样本的唯一标识和多维特征，并建立非目标人群池。

如表1所示，原始的人群数据一般包含人群唯一标识(例如，身份证、手机号、编码等)、多个维度的特征(例如，性别、年龄、职业等)。

表1

对进行负种子样本处理，如表2所示，在数据集最后一列上加上分类，标为0(也可为其它值)。

表2

对正种子样本进行处理，如表3所示，在数据集最后一列上加上分类，标为1(也可为其它值)。

表3

在此基础上，对正种子样本和负种子样本进行一定的预处理操作，预处理可包括缺失值填充、离散化、编码化等。

一般来说非目标人群样本池的数据量要远大于目标人群样本池，若仅执行一次全量目标人群样本(正种子样本)+抽样非目标人群样本(负种子样本)进行规则生成，生成的规则中只会包含该次数据体现的特征。而当抽样进行多次后，出现频次过低的规则可以被认为是偶然产生的结果，应当去除。

因此，在本申请的一个实施例中，将第一规则合集存入指向目标人群的第一规则合集池，将第二规则合集存入指向非目标人群的第二规则合集池，并在第一规则合集池中去除出现次数小于或等于第一阈值的规则，以及在第二规则合集池中去除出现次数小于或等于第二阈值的规则。

在该实施例中，如图3所示，将指向目标人群的规则合集Ai(也即第一规则合集)、指向非目标人群的规则合集Bi(也即第二规则合集)分别存入指向目标人群的第一规则合集池、指向非目标人群的第二规则合集池，也即，第一规则合集池中包括每次执行后分别得到的指向目标人群的规则合集A1、规则合集A2、规则合集A3......，第二规则合集池中包括每轮执行后分别得到的指向非目标人群的规则合集B1、规则合集B2、规则合集B3......。在完成若干次的规则生成后，对于每个规则合集池，根据规则出现的频次，去掉出现次数过少的规则，分别得到指向目标人群的规则合集A、指向非目标人群的规则合集B，由此避免了偶发的偏差，进一步地提高了人群扩展与调控的准确性。

由于目标人群和非目标人群虽然在当前项目中被分为两类人，而在另一维度上也可以是一类人。所以部分特征可以是目标人群与非目标人群共有的，所以需要去掉这些共有的规则，提高产出规则对目标人群与非目标人群的区分能力。

因此，在本申请的一个实施例中，根据第二规则合集池对第一规则合集池进行干扰排除，得到指向目标人群的第三规则合集，包括：在第二规则合集池中取出满足预设条件的有效规则；将第一规则合集池中与有效规则重合的规则去除，得到指向目标人群的第三规则合集；其中，预设条件为规则的支持度、置信度、频度中的任一项大于或等于第三阈值。

在该实施例中，因为需要的是仅指向目标人群的规则，所以如图2所示，通过进行联合处理，去除指向目标人群的规则中同样指向非目标人群的规则，得到指向目标人群的规则合集C(也即第三规则合集)，其中，规则合集C是规则合集A的子集。

具体地，如图4所示，首先在指向非目标人群的规则合集B中取出支持度或置信度或频度较高的规则与指向目标人群的规则合集A中的规则进行比对，并将重合的部分从第一规则合集池中去除，得到指向目标人群的规则合集C。

通过上述方式，排除了同样属于非目标人群的规则的干扰，尽可能提高留下的规则能够区分目标人群与非目标人群的能力，进一步地提高了人群扩展与调控的准确性。

在得到了指向目标人群的规则合集C后，如图2所示，有三种方式实现人群扩展与调控，其中方法(1)与方法(2)得到的目标人群数量为非精准的，方法(3)则可精准得到预设目标人群数量：

(1)对指向目标人群的规则合集C中的规则的支持度或置信度的阈值进行调整，得到目标数量的目标人群。

在该实施例中，基于每条规则的置信度、支持度，进行阈值调整的方式，对规则进行筛选。具体地，在首次扩展时可不对置信度、支持度进行限制，用规则合集C进行人群扩展，得到m个人。假设需要扩展的人群数量为n，则根据当前的m，对支持度、置信度的阈值进行多轮调整，以得到n个人群。

(2)基于经验信息对指向目标人群的规则合集C中的规则进行筛选，得到目标数量的目标人群。

在该实施例中，基于经验对规则进行筛选。具体地，规则是基于数据特征生成的，而在一些特殊场景下，经验规则可以矫正数据分析的方向。与方法(1)相同的是，在首次扩展时，可不对规则做筛选，根据筛选的结果，若发现有一些特征在经验上对目标人群的贡献是非必要的，则将它们去除。

例如，在基于购物记录数据去识别“父亲”人群的过程中，可能会产生干扰性规则：祛疤膏→父亲，一个解释是当前的数据集中体现的特征是该数据集内的“父亲”倾向于为自己的老婆买祛疤膏，但从通识的角度，我们并不认为这两者在长时间维度上具有强关联性，这个关联特征可能仅存在于当前数据集中，因此，诸如此类的规则可以在这一步被筛选出去。

(3)根据指向目标人群的规则合集C中的规则进行目标人群的扩展，并对每个扩展的目标人群进行分值计算，再将扩展的目标人群按照分值降序排序，并取目标数量的目标人群。

在该实施例中，对于方法(1)与方法(2)，存在的一个问题是用规则扩散人群的步骤可能需执行多次，这在数据量较大的情况下会影响结果产出的速度。而为了避免这个问题，方法(3)用规则合集C中的规则直接进行人群扩散，并对每个扩展出的人群进行分值计算，将扩展出的人群根据分值降序排序，按序取需要的人数作为扩散结果。

已知不同的规则可能会扩到同一个人，每个人群的分值S的计算方法为：

其中，confi为扩展到目标人群的第i条规则的置信度，n为扩展到目标人群的总规则条数，i大于等于1且小于等于n。

根据S对扩展出的人群m进行降序排序，根据需要扩展的人群数量n，取m中分值在前n个的人群作为扩展结果。

需要说明的是，不同的人群分值计算方式可以不同，当前采用的是加权平均，也可采用其它分值计算方法，在此不作具体限定。

本申请实施例中，可以基于正种子样本和负种子样本在人群池中高效地找到更多的同类人群，并可实现对扩散出的人群的数量的调控。

在实际应用中，本申请实施例的方法，可以利用Python、C等计算机语言、基于其它关联算法如FP-Growth实现。另外，对于本申请实施例中允许进行不同参数的阈值限制，实际使用中可根据具体情况去除或添加不同参数的阈值限制。

进一步地，作为上述人群扩展方法的具体实现，本申请实施例提供了一种人群扩展装置。如图5所示，该人群扩展装置500包括：抽取模块501、执行模块502、排除模块503以及扩展与调控模块504。

其中，抽取模块501，用于在目标人群池中抽取正种子样本，在非目标人群池中抽取负种子样本；执行模块502，用于合并正种子样本和负种子样本形成种子人群池，对该种子人群池执行Apriori算法，分别得到指向目标人群的第一规则合集和指向非目标人群的第二规则合集；排除模块503，用于根据第二规则合集对第一规则合集进行干扰排除，得到指向目标人群的第三规则合集；扩展与调控模块504，用于基于第三规则合集进行目标人群的扩展与调控。

可选地，该人群扩展装置500还包括：存储模块，用于将第一规则合集存入指向目标人群的第一规则合集池，以及将第二规则合集存入指向非目标人群的第二规则合集池；规则去除模块，具体用于在第一规则合集池中去除出现次数小于或等于第一阈值的规则，以及在第二规则合集池中去除出现次数小于或等于第二阈值的规则。

可选地，排除模块503，具体用于：在第二规则合集池中取出满足预设条件的有效规则；将第一规则合集池中与有效规则重合的规则去除，得到指向目标人群的第三规则合集；其中，预设条件为规则的支持度、置信度、频度中的任一项大于或等于第三阈值。

可选地，扩展与调控模块504，具体用于对第三规则合集中的规则的支持度或置信度的阈值进行调整，得到目标数量的目标人群。

可选地，扩展与调控模块504，具体用于基于经验信息对第三规则合集中的规则进行筛选，得到目标数量的目标人群。

可选地，扩展与调控模块504，具体用于：根据第三规则合集中的规则进行目标人群的扩展，并对每个扩展的目标人群进行分值计算；将扩展的目标人群按照分值降序排序，并取目标数量的目标人群；其中，分值的计算公式为：

S为分值，confi为扩展到目标人群的第i条规则的置信度，n为扩展到目标人群的总规则条数，i大于等于1且小于等于n。

可选地，该人群扩展装置500还包括：建立模块，用于确定正种子样本的唯一标识和多维特征，并建立目标人群池，以及确定负种子样本的唯一标识和多维特征，并建立非目标人群池。

本申请实施例中的人群扩展装置500可以是电子设备，也可以是电子设备中的部件，例如集成电路或芯片。该电子设备可以是终端，也可以为除终端之外的其他设备。示例性的，电子设备可以为平板电脑、笔记本电脑、掌上电脑、超级移动个人计算机(Ultra-Mobile Personal Computer，UMPC)、上网本或者个人数字助理(Personal DigitalAssistant，PDA)等，还可以为服务器、网络附属存储器(Network Attached Storage，NAS)、个人计算机(Personal Computer，PC)等，本申请实施例不作具体限定。

本申请实施例中的人群扩展装置500可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统，可以为ios操作系统，还可以为其他可能的操作系统，本申请实施例不作具体限定。

本申请实施例提供的人群扩展装置能够实现图1至图4的人群扩展方法实施例实现的各个过程，为避免重复，这里不再赘述。

可选地，如图6所示，本申请实施例还提供一种电子设备600，包括处理器601和存储器602，存储器602上存储有可在处理器601上运行的程序或指令，该程序或指令被处理器601执行时实现上述人群扩展方法实施例的各个步骤，且能达到相同的技术效果，为避免重复，这里不再赘述。

需要说明的是，本申请实施例中的电子设备包括移动电子设备和非移动电子设备。

存储器602可用于存储软件程序以及各种数据。存储器602可主要包括存储程序或指令的第一存储区和存储数据的第二存储区，其中，第一存储区可存储操作系统、至少一个功能所需的应用程序或指令(比如声音播放功能、图像播放功能等)等。此外，存储器602可以包括易失性存储器或非易失性存储器，或者，存储器602可以包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Rate SDRAM，DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synch link DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct Rambus RAM，DRRAM)。本申请实施例中的存储器602包括但不限于这些和任意其它适合类型的存储器。

处理器601可包括一个或多个处理单元；可选的，处理器601集成应用处理器和调制解调处理器，其中，应用处理器主要处理涉及操作系统、用户界面和应用程序等的操作，调制解调处理器主要处理无线通信信号，如基带处理器。可以理解的是，上述调制解调处理器也可以不集成到处理器601中。

本申请实施例还提供一种可读存储介质，可读存储介质上存储有程序或指令，该程序或指令被处理器执行时实现上述人群扩展方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

本申请实施例还提供了一种芯片，芯片包括处理器和通信接口，通信接口和处理器耦合，处理器用于运行程序或指令，实现上述人群扩展方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。

本申请实施例还提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如上述人群扩展方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

需要说明的是，上述软、硬件设备能够作为实现本申请的人群扩展方法的支撑，本申请可不主动提供。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。此外，需要指出的是，本申请实施方式中的方法和装置的范围不限按示出或讨论的顺序来执行功能，还可包括根据所涉及的功能按基本同时的方式或按相反的顺序来执行功能，例如，可以按不同于所描述的次序来执行所描述的方法，并且还可以添加、省去、或组合各种步骤。另外，参照某些示例所描述的特征可在其他示例中被组合。

上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。