1.一种分群模型的解释方法，其特征在于，包括：

获取训练后的目标分群模型和训练后的对照分群模型，其中，所述对照分群模型用于衡量所述目标分群模型的可解释性；

根据用户在预设的解释策略表中的选中操作，确定所述目标分群模型与所述对照分群模型对应的解释策略；

根据所述解释策略分别对所述目标分群模型和所述对照分群模型进行解释处理，得到所述目标分群模型对应的目标解释结果、所述对照分群模型对应的对照解释结果以及所述目标解释结果相对于所述对照解释结果的相对解释结果，解释处理是指对所述目标分群模型和所述对照分群模型中的特征参数对应的重要度进行度量，所述目标解释结果包括目标关注度，所述对照解释结果包括对照关注度，所述相对解释结果包括相对关注度，其中，所述相对关注度表示所述目标关注度与所述对照关注度之间的差别；

所述获取训练后的目标分群模型和训练后的对照分群模型之前，还包括：获取初始的第一分群模型和初始的第二分群模型；获取预设数量的用户的长期随访信息，对所述长期随访信息进行分群标注得到训练样本；根据所述训练样本对所述初始的第一分群模型和所述初始的第二分群模型进行训练至收敛，得到训练后的第一分群模型和训练后的第二分群模型以及所述训练后的第一分群模型对应的第一分群方案和所述训练后的第二分群模型对应的第二分群方案；获取初始的目标分群模型和初始的对照分群模型；根据所述训练样本和所述第一分群方案对所述初始的对照分群模型进行训练至收敛，得到训练后的对照分群模型，以及根据所述训练样本和所述第二分群方案对所述初始的目标分群模型进行训练至收敛，得到训练后的目标分群模型；所述长期随访信息包括患者的基本信息、检验指标信息、用药史信息以及分群方案。

2.根据权利要求1所述的分群模型的解释方法，其特征在于，所述根据所述解释策略分别对所述目标分群模型和所述对照分群模型进行解释处理之前，还包括：获取待分群信息；

将所述待分群信息输入所述目标分群模型中进行分群预测，得到所述待分群信息对应的目标分群方案。

3. 根据权利要求2所述的分群模型的解释方法，其特征在于，所述解释策略包括全局解释策略和局部解释策略；所述根据所述解释策略分别对所述目标分群模型和所述对照分群模型进行解释处理，包括：当所述解释策略为全局解释策略时，对所述目标分群模型与所述对照分群模型分别进行全局解释；或当所述解释策略为局部解释策略时，对所述目标分群模型与所述对照分群模型分别进行局部解释；或当所述解释策略为全局解释策略与局部解释策略时，对所述目标分群模型进行全局解释与局部解释，以及对所述对照分群模型进行全局解释与局部解释。

4.根据权利要求3所述的分群模型的解释方法，其特征在于，所述解释结果包括关注度；所述对所述目标分群模型与所述对照分群模型分别进行全局解释，包括：获取所述目标分群模型对应的第一特征参数以及所述对照分群模型对应的第二特征参数，其中，所述第一特征参数为所述目标分群模型在训练后生成的特征参数，所述第二特征参数为所述对照分群模型在训练后生成的特征参数；

根据预设的特征重要度函数，确定所述第一特征参数在所述目标分群模型中对应的第一特征重要度，以及确定所述第二特征参数在所述对照分群模型中对的第二特征重要度；

根据预设的排序函数，对所述第一特征重要度进行排序，得到所述目标分群模型对应的目标关注度，以及对所述第二特征重要度进行排序，得到所述对照分群模型对应的对照关注度；

根据预设的第一相对函数，确定所述第一特征重要度与所述第二特征重要度之间的相对关注度。

5.根据权利要求3所述的分群模型的解释方法，其特征在于，所述解释结果包括关注度；所述对所述目标分群模型与所述对照分群模型分别进行局部解释，包括：将所述待分群信息输入所述目标分群模型和所述对照分群模型中，获取所述目标分群模型根据所述待分群信息生成的第三特征参数以及获取所述对照分群模型根据所述待分群信息生成的第四特征参数；

根据预设的解释函数，确定所述第三特征参数对应的第三特征重要度以及所述第四特征参数对应的第四特征重要度；

根据预设的排序函数，对所述第三特征重要度进行排序，得到所述目标分群模型对应的目标关注度，以及对所述第四特征重要度进行排序，得到所述对照分群模型对应的对照关注度；

根据预设的第二相对函数，确定所述第三特征重要度与所述第四特征重要度之间的相对关注度。

6.根据权利要求4或5所述的分群模型的解释方法，其特征在于，所述根据所述解释策略分别对所述目标分群模型和所述对照分群模型进行解释之后，还包括：将所述目标关注度、所述对照关注度、所述相对关注度以及所述目标分群方案输出，以使用户根据所述目标关注度、所述对照关注度以及所述相对关注度确定是否使用所述目标分群方案。

7.根据权利要求1所述的分群模型的解释方法，其特征在于，所述初始的第一分群模型包括神经网络模型，所述初始的第二分群模型包括深度强化学习模型；所述训练后的对照分群模型和所述训练后的目标分群模型存储在区块链中。

8.一种分群模型的解释装置，其特征在于，包括：

模型获取模块，用于获取训练后的目标分群模型和训练后的对照分群模型，其中，所述对照分群模型用于衡量所述目标分群模型的可解释性；

解释策略确定模块，用于根据用户在预设的解释策略表中的选中操作，确定所述目标分群模型与所述对照分群模型对应的解释策略；

解释处理模块，用于根据所述解释策略分别对所述目标分群模型和所述对照分群模型进行解释处理，得到所述目标分群模型对应的目标解释结果、所述对照分群模型对应的对照解释结果以及所述目标解释结果相对于所述对照解释结果的相对解释结果，解释处理是指对所述目标分群模型和所述对照分群模型中的特征参数对应的重要度进行度量，所述目标解释结果包括目标关注度，所述对照解释结果包括对照关注度，所述相对解释结果包括相对关注度，其中，所述相对关注度表示所述目标关注度与所述对照关注度之间的差别；

所述模型获取模块，还用于获取初始的第一分群模型和初始的第二分群模型；获取预设数量的用户的长期随访信息，对所述长期随访信息进行分群标注得到训练样本；根据所述训练样本对所述初始的第一分群模型和所述初始的第二分群模型进行训练至收敛，得到训练后的第一分群模型和训练后的第二分群模型以及所述训练后的第一分群模型对应的第一分群方案和所述训练后的第二分群模型对应的第二分群方案；获取初始的目标分群模型和初始的对照分群模型；根据所述训练样本和所述第一分群方案对所述初始的对照分群模型进行训练至收敛，得到训练后的对照分群模型，以及根据所述训练样本和所述第二分群方案对所述初始的目标分群模型进行训练至收敛，得到训练后的目标分群模型；所述长期随访信息包括患者的基本信息、检验指标信息、用药史信息以及分群方案。

9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器；

所述存储器，用于存储计算机程序；

所述处理器，用于执行所述计算机程序并在执行所述计算机程序时实现如权利要求1至7任一项所述的分群模型的解释方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时使所述处理器实现如权利要求1至7任一项所述的分群模型的解释方法。