CN107766201A - 一种软件处理方法和装置、电子设备 - Google Patents

一种软件处理方法和装置、电子设备 Download PDF

Info

Publication number
CN107766201A
CN107766201A CN201710894930.XA CN201710894930A CN107766201A CN 107766201 A CN107766201 A CN 107766201A CN 201710894930 A CN201710894930 A CN 201710894930A CN 107766201 A CN107766201 A CN 107766201A
Authority
CN
China
Prior art keywords
software
sequence
sequences
user
sequence information
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710894930.XA
Other languages
English (en)
Inventor
杨奇川
卓雷
胡长健
贺志强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lenovo Beijing Ltd
Original Assignee
Lenovo Beijing Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Lenovo Beijing Ltd filed Critical Lenovo Beijing Ltd
Priority to CN201710894930.XA priority Critical patent/CN107766201A/zh
Publication of CN107766201A publication Critical patent/CN107766201A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种软件处理方法和装置、电子设备，其中方法包括获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数；将所述软件使用序列信息和所述序列影响参数输入到预先建立的软件序列预测模型中；接收所述软件序列预测模型输出的软件序列预测结果；由此可见，本申请能够基于软件使用序列信息以及序列影响参数来对用户使用软件的习惯进行预测，提高了预测的准确性。

Description

一种软件处理方法和装置、电子设备
技术领域
本发明涉及应用软件序列预测技术领域，更具体的说是涉及一种软件处理方法和装置、电子设备。
背景技术
在人工智能领域，随着电子设备功能的丰富，电子设备上运行的应用软件也越来越多，随之带来的就是处理效率的下降。
而为了提高电子设备的处理效率，可以对应用软件的序列进行预测，通过预测结果预先处理，以提高处理效率。
现有技术中，一种软件序列的预测方法为基于马尔科夫序列的预测方法，在该方法中，基于软件的打开关闭动作来挖掘出用户的使用习惯。而这种预测方式较为单一，准确度不高。
另一种软件序列的预测方法为基于地理位置的预测方法，在该方法中，使用用户的地理位置信息触发某种特定软件的打开。而这种方法只对与地理位置十分相关的软件有作用，使用局限性较大。
发明内容
有鉴于此，本发明提供一种软件处理方法和装置、电子设备，以解决现有技术中存在的上述问题。
为实现上述目的，本发明提供如下技术方案：
一种软件处理方法，包括：
获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数；
将所述软件使用序列信息和所述序列影响参数输入到预先建立的软件序列预测模型中；
接收所述软件序列预测模型输出的软件序列预测结果。
优选的，还包括：
收集所述第一用户的软件训练序列信息以及序列影响参数；
将预设时间段内的所述软件训练序列信息和所述序列影响参数输入到目标训练模型中，生成所述软件序列预测模型。
优选的，该方法还包括：
按照预先设定的软件处理策略确定与所述软件序列预测结果对应的预测操作序列；
基于所述预测操作序列处理软件。
优选的，所述软件序列预测结果包括软件预测序列信息；该方法还包括：
获取所述第一用户在第二时刻下的软件真实序列信息以及真实操作序列；
利用所述软件预测序列信息、所述预测操作序列以及所述软件真实序列信息、所述真实操作序列更新所述软件序列预测模型的权重参数；
其中，所述第二时刻晚于所述第一时刻。
优选的，所述利用所述软件预测序列信息、所述预测操作序列以及所述软件真实序列信息、所述真实操作序列更新所述软件序列预测模型的权重参数，包括：
利用所述软件预测序列信息、所述预测操作序列以及所述软件真实序列信息、所述真实操作序列计算损失值；
确定所述软件序列预测模型的权重参数关于所述损失值的梯度值；
使用所述梯度值更新所述软件序列预测模型的权重参数。
优选的，获取第一用户在第一时刻下的序列影响参数，包括：
通过传感器采集第一用户在第一时刻下的序列影响参数。
优选的，所述序列影响参数，包括：所述第一用户使用软件时的身体状态参数；和/或，所述第一用户使用软件时的环境参数；和/或，所述第一用户的属性信息。
一种软件处理装置，包括：
第一获取单元，用于获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数；
第一输入单元，用于将所述软件使用序列信息和所述序列影响参数输入到预先建立的软件序列预测模型中；
第一接收单元，用于接收所述软件序列预测模型输出的软件序列预测结果。
一种电子设备，包括：
存储器，用于存储软件序列预测模型；
处理器，用于获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数，将所述软件使用序列信息和所述序列影响参数输入到预先建立的软件序列预测模型中，接收所述软件序列预测模型输出的软件序列预测结果。
优选的，还包括：
传感器，具体用于采集第一用户在第一时刻下的序列影响参数；
相应的，所述处理器具体用于接收所述传感器采集的所述序列影响参数。
经由上述的技术方案可知，与现有技术相比，本发明实施例提供了一种软件处理方法，包括：获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数，将软件使用序列信息和序列影响参数输入到预先建立的软件序列预测模型中，接收软件序列预测模型输出的软件序列预测结果，由此可见，本申请能够基于软件使用序列信息以及序列影响参数来对用户使用软件的习惯进行预测，提高了预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明一个实施例公开的一种软件处理方法的流程示意图；
图2为本发明另一实施例公开的一种软件处理方法的流程示意图；
图3为本发明另一实施例公开的深度神经网络DNN模型的示意图；
图4为本发明又一实施例公开的一种软件处理方法的流程示意图；
图5为本发明又一实施例公开的一种软件处理方法的流程示意图；
图6为本发明一个实施例公开的一种软件处理装置的结构示意图；
图7为本发明另一实施例公开的一种软件处理装置的结构示意图；
图8为本发明又一实施例公开的一种软件处理装置的结构示意图；
图9为本发明又一实施例公开的一种软件处理装置的结构示意图；
图10为本发明一个实施例公开的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明一个实施例公开了一种软件处理方法，如图1所示，该方法包括以下步骤：
步骤101：获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数；
本申请的目的是为了挖掘用户的软件使用习惯，针对第一用户而言，主要是基于第一用户的软件使用序列信息以及序列影响参数进行挖掘。
其中，以第一时刻为获取信息的基准，获取第一用户在第一时刻下已经产生的软件使用序列信息以及序列影响参数。
该软件使用序列信息可以包括不同软件的使用前后顺序、同一软件在不同时间下的打开关闭操作方式、软件的使用时间等中一种或多种信息。
序列影响参数可以包括：第一用户使用软件的身体状态参数；和/或，第一用户使用软件时的环境参数；和/或，第一用户的属性信息，当然还可以包括软件的属性信息。
可选的，获取第一用户在第一时刻下的序列影响参数可以包括：通过传感器采集第一用户在第一时刻下的序列影响参数。
其中，身体状态参数可以包括血压、心跳、呼吸次数等中的至少一种，可以通过传感器进行采集，如通过第一用户佩戴的智能手环上所设置的传感器的进行采集。
环境参数可以包括地理位置信息、温度信息、时间信息等中的至少一种，也可以通过传感器采集得到，如地理位置信息可以通过位置传感器采集，温度信息可以通过温度传感器采集，时间可以通过第一用户当前使用的电子设备获取。
第一用户的属性信息可以包括第一用户的职业特征属性、社交属性等，可以通过第一用户当前使用的电子设备的历史浏览记录，社交软件中的好友关系、第一用户手动输入的方式来获取。
如表1所示，为软件名称为Chrome的序列影响参数一种实现方式。
表1
上述Category(类别)为软件Chrome的属性信息，Timestamp、Location、Season、Holiday均为使用软件时的环境参数，HeartRate为第一用户使用软件时的身体状态参数。
步骤102：将所述软件使用序列信息和序列影响参数输入到预先建立的软件序列预测模型中；
其中，软件序列预测模型为通过对第一用户的软件的历史使用信息训练得到的模型，具体训练方式会在后文详细描述。
步骤103：接收所述软件序列预测模型输出的软件序列预测结果。
该软件序列预测结果为针对第一用户将来可能会使用的软件的预测结果，该软件序列预测结果可以包括软件预测序列信息，而软件预测序列信息可以包括第一用户将来使用软件的前后顺序、将来使用软件的使用时间等信息。该使用时间可以为精确使用时间，也可以为估算的大概使用时间。
本实施例中，通过获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数，将软件使用序列信息和序列影响参数输入到预先建立的软件序列预测模型中，接收软件序列预测模型输出的软件序列预测结果；即本申请能够基于软件使用序列信息以及序列影响参数来对用户使用软件的习惯进行预测，提高了预测的准确性。
本发明另一实施例还公开了一种软件处理方法，如图2所示，该方法包括以下步骤：
步骤201：收集第一用户的软件训练序列信息以及序列影响参数；
该软件训练序列信息以及序列影响参数与上述实施例中的软件使用序列信息以及序列影响参数的具体信息内容一致，区别在于，软件训练序列信息以及序列影响参数为用于训练软件序列预测模型所使用的参数，为第一用户使用软件的历史相关信息。
步骤202：将预设时间段内的所述软件训练序列信息和所述序列影响参数输入到目标训练模型中，生成所述软件序列预测模型；
可以基于预设时间段内的软件训练序列信息和序列影响参数对软件序列预测模型进行训练，该预设时间段可以根据实际情况进行设定，本发明并不限定。
可选的，该目标训练模型可以为深度神经网络DNN模型。作为深度神经网络DNN模型的一种具体结构，可参见图3，如图3所示，空白方块为三层DNN模型，每层1024个LSTM神经元，软件训练序列信息和序列影响参数依次输入该DNN模型，从而生成软件序列预测模型。
步骤203：获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数；
该第一时刻晚于上述预设时间段中的任一时刻。
步骤204：将所述软件使用序列信息和所述序列影响参数输入到预先建立的软件序列预测模型中；
软件使用序列信息以及序列影响参数为用于预测软件序列所使用的参数。
步骤205：接收所述软件序列预测模型输出的软件序列预测结果。
本实施例中，可以通过预设时间段内的软件训练序列信息和序列影响参数输入到目标训练模型中，来生成所述软件序列预测模型，由于该软件训练预测模型是使用第一用户的历史信息进行训练得到的，因此使用该软件训练预测模型来对用户使用软件的习惯进行预测，能够进一步提高预测的准确性。
本发明又一实施例公开了一种软件处理方法，如图4所示，该方法包括以下步骤：
步骤401：获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数；
步骤402：将所述软件使用序列信息和所述序列影响参数输入到预先建立的软件序列预测模型中；
步骤403：接收所述软件序列预测模型输出的软件序列预测结果；
该软件序列预测结果包括软件预测序列信息，软件预测序列信息可以包括预测的第一用户的软件使用前后顺序以及预测的软件的使用时间。
步骤404：按照预先设定的软件处理策略确定与所述软件序列预测结果对应的预测操作序列；
软件处理策略为预先设定的，对软件序列预测结果中的软件进行预先处理的策略。具体的策略实现方式本发明不做限定。
作为一种具体的软件处理策略可以如下所示：
(1)将距当前时间第一时间内使用的软件预加载进入进程；
(2)将距当前时间第二时间内不使用的软件进程挂起；
(3)将距当前时间第三时间内不使用的软件移入硬盘；
(4)将距当前时间第四时间内不使用的软件程序进行释放。
其中，第一时间大于第二时间大于第三时间大于第四时间。
例如，与上述软件处理策略对应的一个具体实例如下：
(1)将即将使用的软件预加载入进程，如一小时内使用的软件预加载进入进程；
(2)将未来2小时不会使用的进程挂起；
(3)将今天不会使用的进程移入硬盘；
(4)将此后两天内不会再使用的程序释放掉。
具体可以在预先设定的软件处理策略中确定与软件预测序列信息中的每一软件使用时间对应的操作方式，即预测操作序列为对软件预测序列信息中的软件预先处理的操作方式。
步骤405：基于所述预测操作序列处理软件。
本实施例中，通过获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数，将软件使用序列信息和序列影响参数输入到预先建立的软件序列预测模型中，接收软件序列预测模型输出的软件序列预测结果；即本申请能够基于软件使用序列信息以及序列影响参数来对用户使用软件的习惯进行预测，提高了预测的准确性。
进一步的，能够按照预先设定的软件处理策略确定与所述软件序列预测结果对应的预测操作序列，从而基于预测操作序列对软件进行预先处理，提高处理效率。
本发明又一实施例公开了一种软件处理方法，如图5所示，该方法包括以下步骤：
步骤501：获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数；
步骤502：将所述软件使用序列信息和所述序列影响参数输入到预先建立的软件序列预测模型中；
步骤503：接收所述软件序列预测模型输出的软件序列预测结果；
该软件序列预测结果包括软件预测序列信息，软件预测序列信息可以包括第一用户将来使用的软件前后顺序以及软件的使用时间。
步骤504：按照预先设定的软件处理策略确定与所述软件序列预测结果对应的预测操作序列；
步骤505：基于所述预测操作序列处理软件；
步骤506：获取所述第一用户在第二时刻下的软件真实序列信息以及真实操作序列；
其中，所述第二时刻晚于所述第一时刻。
软件真实序列信息为第一用户真实使用软件的序列信息，真实操作序列为第一用户对软件真实序列信息中的软件处理的操作方式。
步骤507：利用所述软件预测序列信息、所述预测操作序列以及所述软件真实序列信息、所述真实操作序列更新所述软件序列预测模型的权重参数。
所述利用所述软件预测序列信息、所述预测操作序列以及所述软件真实序列信息、所述真实操作序列更新所述软件序列预测模型的权重参数，包括：
(1)利用所述软件预测序列信息、所述预测操作序列以及所述软件真实序列信息、所述真实操作序列计算损失值；
具体的，可以通过以下计算公式来计算损失值：
L(w)＝E[(r+γmaxa′Q(s’,a’,w)-Q(s,a,w))2]
其中，r为本次进程优化的回报值；
γ为学习率，也可以称之为衰减率；
Q为进程优化的估值函数；
s’为软件真实序列信息，a’真实操作序列；
s为软件预测序列信息，a为预测操作序列；
w为软件序列预测模型的权重参数；
L为损失值。
上述E可以为均方差函数。
(2)确定所述软件序列预测模型的权重参数关于所述损失值的梯度值；
通过对上述公式求导能够确定出梯度值，具体求导公式如下：
(3)使用所述梯度值更新所述软件序列预测模型的权重参数。
通过重新确定的梯度值来更新软件训练预测模型中的权重参数能够进一步软件训练预测模块进行优化，使得软件训练预测模块的预测结果更加精确。
与上述一种软件处理方法对应的，本发明实施例还公开了一种软件处理装置，以下通过几个实施例进行描述。
本发明一个实施例公开了一种软件处理装置，如图6所示，该装置包括：第一获取单元601、第一输入单元602以及第一接收单元603；其中：
第一获取单元601，用于获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数；
本申请的目的是为了挖掘用户的软件使用习惯，针对第一用户而言，主要是基于第一用户的软件使用序列信息以及序列影响参数进行挖掘。
其中，以第一时刻为获取信息的基准，获取第一用户在第一时刻下已经产生的软件使用序列信息以及序列影响参数。
该软件使用序列信息可以包括不同软件的使用前后顺序、同一软件在不同时间下的打开关闭操作方式、软件的使用时间等中一种或多种信息。
序列影响参数可以包括：第一用户使用软件的身体状态参数；和/或，第一用户使用软件时的环境参数；和/或，第一用户的属性信息，当然还可以包括软件的属性信息。
可选的，第一获取单元601具体用于通过传感器采集第一用户在第一时刻下的序列影响参数。
其中，身体状态参数可以包括血压、心跳、呼吸次数等中的至少一种，可以通过传感器进行采集，如通过第一用户佩戴的智能手环上所设置的传感器的进行采集。
环境参数可以包括地理位置信息、温度信息、时间信息等中的至少一种，也可以通过传感器采集得到，如地理位置信息可以通过位置传感器采集，温度信息可以通过温度传感器采集，时间可以通过第一用户当前使用的电子设备获取。
第一用户的属性信息可以包括第一用户的职业特征属性、社交属性等，可以通过第一用户当前使用的电子设备的历史浏览记录，社交软件中的好友关系、第一用户手动输入的方式来获取。
第一输入单元602，用于将所述软件使用序列信息和所述序列影响参数输入到预先建立的软件序列预测模型中；
其中，软件序列预测模型为通过对第一用户的软件的历史使用信息训练得到的模型，具体训练方式会在后文详细描述。
第一接收单元603，用于接收所述软件序列预测模型输出的软件序列预测结果。
该软件序列预测结果为针对第一用户将来可能会使用的软件的预测结果，该软件序列预测结果可以包括软件预测序列信息，而软件预测序列信息可以包括第一用户将来使用软件的前后顺序、将来使用软件的使用时间等信息。该使用时间可以为精确使用时间，也可以为估算的大概使用时间。
本实施例中，通过获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数，将软件使用序列信息和序列影响参数输入到预先建立的软件序列预测模型中，接收软件序列预测模型输出的软件序列预测结果；即本申请能够基于软件使用序列信息以及序列影响参数来对用户使用软件的习惯进行预测，提高了预测的准确性。
本发明另一实施例还公开了一种软件处理装置，如图7所示，该装置包括：收集参数单元701、生成模型单元702、第一获取单元703、第一输入单元704以及第一接收单元705；其中：
收集参数单元701，用于收集所述第一用户的软件训练序列信息以及序列影响参数；
该软件训练序列信息以及序列影响参数与上述实施例中的软件使用序列信息以及序列影响参数的具体信息内容一致，区别在于，软件训练序列信息以及序列影响参数为用于训练软件序列预测模型所使用的参数，为第一用户使用软件的历史相关信息。
生成模型单元702，用于将预设时间段内的所述软件训练序列信息和所述序列影响参数输入到目标训练模型中，生成所述软件序列预测模型；
可以基于预设时间段内的软件训练序列信息和序列影响参数对软件序列预测模型进行训练，该预设时间段可以根据实际情况进行设定，本发明并不限定。
可选的，该目标训练模型可以为深度神经网络DNN模型。
第一获取单元703，用于获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数；
该第一时刻晚于上述预设时间段中的任一时刻。
第一输入单元704，用于将所述软件使用序列信息和所述序列影响参数输入到预先建立的软件序列预测模型中；
软件使用序列信息以及序列影响参数为用于预测软件序列所使用的参数。
第一接收单元705，用于接收所述软件序列预测模型输出的软件序列预测结果。
本实施例中，可以通过预设时间段内的软件训练序列信息和序列影响参数输入到目标训练模型中，来生成所述软件序列预测模型，由于该软件训练预测模型是使用第一用户的历史信息进行训练得到的，因此使用该软件训练预测模型来对用户使用软件的习惯进行预测，能够进一步提高预测的准确性。
本发明又一实施例公开了一种软件处理装置，如图8所示，该装置包括：第一获取单元801、第一输入单元802、第一接收单元803、确定序列单元804以及处理软件单元805；其中：
第一获取单元801，用于获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数；
第一输入单元802，用于将所述软件使用序列信息和所述序列影响参数输入到预先建立的软件序列预测模型中；
第一接收单元803，用于接收所述软件序列预测模型输出的软件序列预测结果；
该软件序列预测结果包括软件预测序列信息，软件预测序列信息可以包括预测的第一用户的软件使用前后顺序以及预测的软件的使用时间。
确定序列单元804，用于按照预先设定的软件处理策略确定与所述软件序列预测结果对应的预测操作序列；
处理软件单元805，用于基于所述预测操作序列处理软件。
本实施例中，通过获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数，将软件使用序列信息和序列影响参数输入到预先建立的软件序列预测模型中，接收软件序列预测模型输出的软件序列预测结果；即本申请能够基于软件使用序列信息以及序列影响参数来对用户使用软件的习惯进行预测，提高了预测的准确性。
进一步的，能够按照预先设定的软件处理策略确定与所述软件序列预测结果对应的预测操作序列，从而基于预测操作序列对软件进行预先处理，提高处理效率。
本发明又一实施例公开了一种软件处理装置，如图9所示，该装置包括：第一获取单元901、第一输入单元902、第一接收单元903、确定序列单元904处理软件单元905、第二获取单元906以及更新参数单元907；其中：
第一获取单元901，用于获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数；
第一输入单元902，用于将所述软件使用序列信息和所述序列影响参数输入到预先建立的软件序列预测模型中；
第一接收单元903，用于接收所述软件序列预测模型输出的软件序列预测结果；
确定序列单元904，用于按照预先设定的软件处理策略确定与所述软件序列预测结果对应的预测操作序列；
处理软件单元905，用于基于所述预测操作序列处理软件；
所述软件序列预测结果包括软件预测序列信息。
第二获取单元906，用于获取所述第一用户在第二时刻下的软件真实序列信息以及真实操作序列；
其中，所述第二时刻晚于所述第一时刻。
软件真实序列信息为第一用户真实使用软件的序列信息，真实操作序列为第一用户对软件真实序列信息中的软件处理的操作方式。
更新参数单元907，用于利用所述软件预测序列信息、所述预测操作序列以及所述软件真实序列信息、所述真实操作序列更新所述软件序列预测模型的权重参数；
其中，所述第二时刻晚于所述第一时刻。
其中，更新参数单元907，包括：
第一计算模块9071，用于利用所述软件预测序列信息、所述预测操作序列以及所述软件真实序列信息、所述真实操作序列计算损失值；
第一确定模块9072，用于确定所述软件序列预测模型的权重参数关于所述损失值的梯度值；
更新参数模块9073，用于使用所述梯度值更新所述软件序列预测模型的权重参数。
与上述一种软件预测方法对应的，本发明还公开了一种电子设备，以下通过几个实施例进行描述。
本发明一个实施例公开了一种电子设备，如图10所示，该电子设备包括存储器100以及处理器200；其中：
存储器100，用于存储软件序列预测模型；
处理器200，用于获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数，将所述软件使用序列信息和所述序列影响参数输入到预先建立的软件序列预测模型中，接收所述软件序列预测模型输出的软件序列预测结果。
该软件使用序列信息可以包括不同软件的使用前后顺序、同一软件在不同时间下的打开关闭操作方式、软件的使用时间等中一种或多种信息。
序列影响参数可以包括：第一用户使用软件的身体状态参数；和/或，第一用户使用软件时的环境参数；和/或，第一用户的属性信息，当然还可以包括软件的属性信息。
在本发明另一实施例中，该电子设备还可以包括传感器300，其中：传感器，具体用于采集第一用户在第一时刻下的序列影响参数。
相应的，所述处理器具体用于接收所述传感器采集的所述序列影响参数。
其中，身体状态参数可以包括血压、心跳、呼吸次数等中的至少一种，可以通过传感器进行采集，如通过第一用户佩戴的智能手环上所设置的传感器的进行采集。
环境参数可以包括地理位置信息、温度信息、时间信息等中的至少一种，也可以通过传感器采集得到，如地理位置信息可以通过位置传感器采集，温度信息可以通过温度传感器采集，时间可以通过第一用户当前使用的电子设备获取。
第一用户的属性信息可以包括第一用户的职业特征属性、社交属性等，可以通过第一用户当前使用的电子设备的历史浏览记录，社交软件中的好友关系、第一用户手动输入的方式来获取。
其中，软件序列预测模型为通过对第一用户的软件的历史使用信息训练得到的模型。
软件序列预测结果为针对第一用户将来可能会使用的软件的预测结果，该软件序列预测结果可以包括软件预测序列信息，而软件预测序列信息可以包括第一用户将来使用软件的前后顺序、将来使用软件的使用时间等信息。该使用时间可以为精确使用时间，也可以为估算的大概使用时间。
本实施例中，通过获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数，将软件使用序列信息和序列影响参数输入到预先建立的软件序列预测模型中，接收软件序列预测模型输出的软件序列预测结果；即本申请能够基于软件使用序列信息以及序列影响参数来对用户使用软件的习惯进行预测，提高了预测的准确性。
本发明另一实施例公开了一种电子设备，在本实施例中，处理器还用于收集所述第一用户的软件训练序列信息以及序列影响参数；将预设时间段内的所述软件训练序列信息和所述序列影响参数输入到目标训练模型中，生成所述软件序列预测模型。
其中，软件训练序列信息以及序列影响参数与上述实施例中的软件使用序列信息以及序列影响参数的具体信息内容一致，区别在于，软件训练序列信息以及序列影响参数为用于训练软件序列预测模型所使用的参数，为第一用户使用软件的历史相关信息。
可选的，该目标训练模型可以为深度神经网络DNN模型。
本实施例中，可以通过预设时间段内的软件训练序列信息和序列影响参数输入到目标训练模型中，来生成所述软件序列预测模型，由于该软件训练预测模型是使用第一用户的历史信息进行训练得到的，因此使用该软件训练预测模型来对用户使用软件的习惯进行预测，能够进一步提高预测的准确性。
本发明又一实施例公开了一种电子设备，在本实施例中，处理器还用于按照预先设定的软件处理策略确定与所述软件序列预测结果对应的预测操作序列，基于所述预测操作序列处理软件。
该软件序列预测结果包括软件预测序列信息，软件预测序列信息可以包括预测的第一用户的软件使用前后顺序以及预测的软件的使用时间。软件处理策略为预先设定的，对软件序列预测结果中的软件进行预先处理的策略。具体的策略实现方式本发明不做限定。
具体的，处理器可以用于在预先设定的软件处理策略中确定与软件预测序列信息中的每一软件使用时间对应的操作方式，即预测操作序列为对软件预测序列信息中的软件预先处理的操作方式。
本实施例中，能够按照预先设定的软件处理策略确定与所述软件序列预测结果对应的预测操作序列，从而基于预测操作序列对软件进行预先处理，提高处理效率。
本发明又一实施例公开了一种电子设备，在本实施例中，处理器还用于获取所述第一用户在第二时刻下的软件真实序列信息以及真实操作序列，利用所述软件预测序列信息、所述预测操作序列以及所述软件真实序列信息、所述真实操作序列更新所述软件序列预测模型的权重参数。
其中，所述第二时刻晚于所述第一时刻。软件真实序列信息为第一用户真实使用软件的序列信息，真实操作序列为第一用户对软件真实序列信息中的软件处理的操作方式。
软件序列预测结果包括软件预测序列信息。
其中，处理器具体可以用于利用所述软件预测序列信息、所述预测操作序列以及所述软件真实序列信息、所述真实操作序列计算损失值，确定所述软件序列预测模型的权重参数关于所述损失值的梯度值，使用所述梯度值更新所述软件序列预测模型的权重参数。
通过重新确定的梯度值来更新软件训练预测模型中的权重参数能够进一步软件训练预测模块进行优化，使得软件训练预测模块的预测结果更加精确。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种软件处理方法，其特征在于，包括：
获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数；
将所述软件使用序列信息和所述序列影响参数输入到预先建立的软件序列预测模型中；
接收所述软件序列预测模型输出的软件序列预测结果。
2.根据权利要求1所述的方法，其特征在于，还包括：
收集所述第一用户的软件训练序列信息以及序列影响参数；
将预设时间段内的所述软件训练序列信息和所述序列影响参数输入到目标训练模型中，生成所述软件序列预测模型。
3.根据权利要求1所述的方法，其特征在于，该方法还包括：
按照预先设定的软件处理策略确定与所述软件序列预测结果对应的预测操作序列；
基于所述预测操作序列处理软件。
4.根据权利要求3所述的方法，其特征在于，所述软件序列预测结果包括软件预测序列信息；该方法还包括：
获取所述第一用户在第二时刻下的软件真实序列信息以及真实操作序列；
利用所述软件预测序列信息、所述预测操作序列以及所述软件真实序列信息、所述真实操作序列更新所述软件序列预测模型的权重参数；
其中，所述第二时刻晚于所述第一时刻。
5.根据权利要求4所述的方法，其特征在于，
所述利用所述软件预测序列信息、所述预测操作序列以及所述软件真实序列信息、所述真实操作序列更新所述软件序列预测模型的权重参数，包括：
利用所述软件预测序列信息、所述预测操作序列以及所述软件真实序列信息、所述真实操作序列计算损失值；
确定所述软件序列预测模型的权重参数关于所述损失值的梯度值；
使用所述梯度值更新所述软件序列预测模型的权重参数。
6.根据权利要求1所述的方法，其特征在于，获取第一用户在第一时刻下的序列影响参数，包括：
通过传感器采集第一用户在第一时刻下的序列影响参数。
7.根据权利要求1所述的方法，其特征在于，所述序列影响参数，包括：所述第一用户使用软件时的身体状态参数；和/或，所述第一用户使用软件时的环境参数；和/或，所述第一用户的属性信息。
8.一种软件处理装置，其特征在于，包括：
第一获取单元，用于获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数；
第一输入单元，用于将所述软件使用序列信息和所述序列影响参数输入到预先建立的软件序列预测模型中；
第一接收单元，用于接收所述软件序列预测模型输出的软件序列预测结果。
9.一种电子设备，其特征在于，包括：
存储器，用于存储软件序列预测模型；
处理器，用于获取第一用户在第一时刻下的软件使用序列信息以及序列影响参数，将所述软件使用序列信息和所述序列影响参数输入到预先建立的软件序列预测模型中，接收所述软件序列预测模型输出的软件序列预测结果。
10.根据权利要求9所述的电子设备，其特征在于，还包括：
传感器，具体用于采集第一用户在第一时刻下的序列影响参数；
相应的，所述处理器具体用于接收所述传感器采集的所述序列影响参数。
CN201710894930.XA 2017-09-28 2017-09-28 一种软件处理方法和装置、电子设备 Pending CN107766201A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710894930.XA CN107766201A (zh) 2017-09-28 2017-09-28 一种软件处理方法和装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710894930.XA CN107766201A (zh) 2017-09-28 2017-09-28 一种软件处理方法和装置、电子设备

Publications (1)

Publication Number Publication Date
CN107766201A true CN107766201A (zh) 2018-03-06

Family

ID=61267396

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710894930.XA Pending CN107766201A (zh) 2017-09-28 2017-09-28 一种软件处理方法和装置、电子设备

Country Status (1)

Country Link
CN (1) CN107766201A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108595228A (zh) * 2018-05-10 2018-09-28 Oppo广东移动通信有限公司 应用程序预测模型建立方法、装置、存储介质及移动终端
CN110377354A (zh) * 2019-06-04 2019-10-25 哈尔滨工业大学（威海） 一种软件操作序列自动生成方法
US11397590B2 (en) 2018-05-10 2022-07-26 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method for preloading application, storage medium, and terminal
US11467855B2 (en) 2018-06-05 2022-10-11 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Application preloading method and device, storage medium and terminal
US11604660B2 (en) 2018-05-15 2023-03-14 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method for launching application, storage medium, and terminal

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103425564A (zh) * 2013-08-22 2013-12-04 安徽融数信息科技有限责任公司 一种智能手机软件使用预测方法
WO2014091733A1 (ja) * 2012-12-12 2014-06-19 日本電気株式会社 性能予測装置及び性能予測方法
CN106612198A (zh) * 2015-10-26 2017-05-03 中国移动通信集团公司 一种业务质量测试指标的测试方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014091733A1 (ja) * 2012-12-12 2014-06-19 日本電気株式会社 性能予測装置及び性能予測方法
CN103425564A (zh) * 2013-08-22 2013-12-04 安徽融数信息科技有限责任公司 一种智能手机软件使用预测方法
CN106612198A (zh) * 2015-10-26 2017-05-03 中国移动通信集团公司 一种业务质量测试指标的测试方法及装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108595228A (zh) * 2018-05-10 2018-09-28 Oppo广东移动通信有限公司 应用程序预测模型建立方法、装置、存储介质及移动终端
CN108595228B (zh) * 2018-05-10 2021-03-12 Oppo广东移动通信有限公司 应用程序预测模型建立方法、装置、存储介质及移动终端
US11397590B2 (en) 2018-05-10 2022-07-26 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method for preloading application, storage medium, and terminal
US11442747B2 (en) 2018-05-10 2022-09-13 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method for establishing applications-to-be preloaded prediction model based on preorder usage sequence of foreground application, storage medium, and terminal
US11604660B2 (en) 2018-05-15 2023-03-14 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method for launching application, storage medium, and terminal
US11467855B2 (en) 2018-06-05 2022-10-11 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Application preloading method and device, storage medium and terminal
CN110377354A (zh) * 2019-06-04 2019-10-25 哈尔滨工业大学（威海） 一种软件操作序列自动生成方法

Similar Documents

Publication Publication Date Title
CN107766201A (zh) 一种软件处理方法和装置、电子设备
CN104573359B (zh) 一种基于任务难度与标注者能力的众包标注数据整合方法
CN105825230B (zh) 基于深度置信网络模型的土壤墒情预测方法和系统
CN109558971A (zh) 基于lstm长短期记忆网络的智能滑坡监测装置与方法
CN109491816A (zh) 基于知识的故障诊断方法
CN102930155B (zh) 获取电力需求的预警参数的方法及装置
CN106096662A (zh) 基于加速度传感器的人体运动状态识别
CN105608310A (zh) 一种科学健身指导系统
CN103186575B (zh) 一种传感数据的聚类分析方法和系统
CN104537273B (zh) 一种溺水模式智能推理系统及方法
CN103942461A (zh) 基于在线贯序极限学习机的水质参数预测方法
CN107705556A (zh) 一种基于支持向量机和bp神经网络结合的交通流预测方法
CN106499656B (zh) 一种风扇风速智能控制方法
CN109146156A (zh) 一种用于预测充电桩系统充电量的方法
CN106067079A (zh) 一种基于bp神经网络的灰霾预测的系统和方法
CN106599821A (zh) 基于bp神经网络的管制员疲劳检测方法及系统
CN107945534A (zh) 一种基于gmdh神经网络的交通车流量预测方法
CN102034133A (zh) 一种基于量子神经网络的多因素系统的综合评价方法
CN106874874A (zh) 一种运动状态的识别方法及装置
CN111783516A (zh) 一种基于深度学习的耕地质量自然等级评价方法
CN103605878A (zh) 一种基于数据建模和模型移植的通用血糖预测方法
CN112766600A (zh) 一种城市区域人群流量预测方法及系统
CN114970377A (zh) 基于新安江与深度学习耦合模型的场次洪水预报方法和系统
CN106611153A (zh) 一种智能球训练动作识别系统及方法
CN111513723A (zh) 运动姿态监测方法、调整方法、装置和终端

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180306