CN107643948A - 应用程序管控方法、装置、介质及电子设备 - Google Patents

应用程序管控方法、装置、介质及电子设备 Download PDF

Info

Publication number
CN107643948A
CN107643948A CN201710919669.4A CN201710919669A CN107643948A CN 107643948 A CN107643948 A CN 107643948A CN 201710919669 A CN201710919669 A CN 201710919669A CN 107643948 A CN107643948 A CN 107643948A
Authority
CN
China
Prior art keywords
application program
function
training pattern
gaussian kernel
module
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.)
Granted
Application number
CN201710919669.4A
Other languages
English (en)
Other versions
CN107643948B (zh
Inventor
梁昆
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.)
Guangdong Oppo Mobile Telecommunications Corp Ltd
Original Assignee
Guangdong Oppo Mobile Telecommunications Corp 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 Guangdong Oppo Mobile Telecommunications Corp Ltd filed Critical Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority to CN201710919669.4A priority Critical patent/CN107643948B/zh
Publication of CN107643948A publication Critical patent/CN107643948A/zh
Priority to PCT/CN2018/097907 priority patent/WO2019062317A1/zh
Application granted granted Critical
Publication of CN107643948B publication Critical patent/CN107643948B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]

Abstract

本申请提供了一种应用程序管控方法、装置、介质及电子设备，通过检测应用程序进入后台，获取历史特征信息xi，采用非线性支持向量机算法生成训练模型，从而将应用程序的当前特征信息s带入训练模型，进而判断所述应用程序是否需要关闭，智能关闭应用程序。

Description

应用程序管控方法、装置、介质及电子设备
技术领域
本申请涉及电子设备终端领域，具体涉及一种应用程序管控方法、装置、介质及电子设备。
背景技术
终端用户每天会使用大量应用，通常一个应用被推到后台后，如果及时不清理会占用宝贵的系统内存资源，并且会影响系统功耗。因此，有必要提供一种应用程序管控方法、装置、介质及电子设备。
发明内容
本申请实施例提供一种应用程序管控方法、装置、介质及电子设备，以智能关闭应用程序。
本申请实施例提供一种应用程序管控方法，应用于电子设备，所述应用程序管控方法包括以下步骤：
获取所述应用程序在预设历史时段内的样本向量集，其中该样本向量集中的样本向量包括所述应用程序在预设历史时间段内的若干时间点的多个维度的历史特征信息xi；
采用非线性支持向量机算法对样本向量集进行计算，生成训练模型；
将所述应用程序的当前特征信息s输入所述训练模型进行计算；以及
判断所述应用程序是否需要关闭。
本申请实施例还提供一种应用程序管控方法装置，所述装置包括：
获取模块，用于获取所述应用程序在预设历史时段内的样本向量集，其中该样本向量集中的样本向量包括所述应用程序在预设历史时间段内的若干时间点的多个维度的历史特征信息xi；
生成模块，用于采用非线性支持向量机算法对样本向量集进行计算，生成训练模型；
计算模块，用于将所述应用程序的当前特征信息s输入所述训练模型进行计算；以及
判断模块，用于判断所述应用程序是否需要关闭。
本申请实施例还提供一种介质，所述介质中存储有多条指令，所述指令适于由处理器加载以执行上述的应用程序管控方法。
本申请实施例还提供一种电子设备，所述电子设备包括处理器和存储器，所述电子设备与所述存储器电性连接，所述存储器用于存储指令和数据，所述处理器用于执行以下步骤：
获取所述应用程序在预设历史时段内的样本向量集，其中该样本向量集中的样本向量包括所述应用程序在预设历史时间段内的若干时间点的多个维度的历史特征信息xi；
采用非线性支持向量机算法对样本向量集进行计算，生成训练模型；
将所述应用程序的当前特征信息s输入所述训练模型进行计算；以及
判断所述应用程序是否需要关闭。
本申请所提供的应用程序管控方法、装置、介质及电子设备，通过检测应用程序进入后台，获取历史特征信息xi，采用非线性支持向量机算法生成训练模型，从而将应用程序的当前特征信息s带入训练模型，进而判断所述应用程序是否需要关闭，智能关闭应用程序。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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为本申请实施例提供的应用程序管控装置的一种系统示意图。
图2为本申请实施例提供的应用程序管控装置的应用场景示意图。
图3为本申请实施例提供的应用程序管控方法的一种流程示意图。
图4为本申请实施例提供的应用程序管控方法的另一种流程示意图。
图5为本申请实施例提供的装置的一种结构示意图。
图6为本申请实施例提供的装置的另一种结构示意图。
图7为本申请实施例提供的电子设备的一种结构示意图。
图8为本申请实施例提供的电子设备的另一种结构示意图。
主要元件符号说明
装置 30
获取模块 31
生成模块 32
训练模块 321
求解模块 322
计算模块 33
采集模块 331
运算模块 332
判断模块 34
检测模块 35
第一预设模块 36
储存模块 37
第二预设模块 38
关闭模块 39
电子设备 500
处理器 501
存储器 502
射频电缆 503
显示屏 504
控制电路 505
输入单元 506
音频电路 507
传感器 508
电源 509
具体实施例
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、完整地描述。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，本领域技术人员在没有作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。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
在本申请中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
下文的公开提供了许多不同的实施例或例子用来实现本申请的不同结构。为了简化本申请的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本申请。此外，本申请可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。此外，本申请提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
请参照附图中的图式，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所示例的本申请的具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。
本申请原理以上述文字来说明，其并不代表为一种限制，本领域技术人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。本申请的原理使用许多其它泛用性或特定目的运算、通信环境或组态来进行操作。
本申请提供的应用程序管控方法，主要应用于电子设备，如：手环、智能手机、基于苹果系统或安卓系统的平板电脑、或基于Windows或Linux系统的笔记本电脑等智能移动电子设备。需要说明的是，所述应用程序可以为聊天应用程序、视频应用程序、音乐应用程序、购物应用程序、共享单车应用程序或手机银行应用程序等。
请参阅图1，图1为本申请实施例提供的应用程序管控装置的系统示意图。所述应用程序管控装置主要用于：从数据库中获取应用程序的历史特征信息xi，然后，将历史特征信息xi通过算法进行计算，得到训练模型，其次，将应用程序的当前特征信息s输入训练模型进行计算，通过计算结果判断应用程序是否可关闭，以对预设应用程序进行管控，例如关闭、或者冻结等。
具体的，请参阅图2，图2为本申请实施例提供的应用程序管控方法的应用场景示意图。在一种实施例中，应用程序管控装置在检测到应用程序进入电子设备的后台时，从数据库中获取应用程序的历史特征信息xi，然后，将历史特征信息xi通过算法进行计算，得到训练模型，其次，将应用程序的当前特征信息s输入训练模型进行计算，通过计算结果判断应用程序是否可关闭。比如，应用程序管控装置在检测到应用程序a进入电子设备的后台时，从数据库中获取应用程序a的历史特征信息xi，然后，将历史特征信息xi通过算法进行计算，得到训练模型，其次，将应用程序的当前特征信息s输入训练模型进行计算，通过计算结果判断应用程序a可关闭，并将应用程序a关闭；应用程序管控装置在检测到应用程序b进入电子设备的后台时，从数据库中获取应用程序b的历史特征信息xi，然后，将历史特征信息xi通过算法进行计算，得到训练模型，其次，将应用程序b的当前特征信息s输入训练模型进行计算，通过计算结果判断应用程序b需要保留，并将应用程序b保留。
本申请实施例提供一种应用程序管控方法，所述应用程序管控方法的执行主体可以是本发明实施例提供的应用程序管控装置，或者成了该应用程序管控装置的电子设备，其中该应用程序管控装置可以采用硬件或者软件的方式实现。
请参阅图3，图3为本申请实施例提供的应用程序管控方法的流程示意图。本申请实施例提供的应用程序管控方法应用于电子设备，具体流程可以如下：
步骤S101，获取所述应用程序在预设历史时段内的样本向量集，其中该样本向量集中的样本向量包括所述应用程序在预设历史时间段内的若干时间点的多个维度的历史特征信息xi。
比如，当检测到应用程序进入后台时，获取应用程序的多个样本向量，所述多个样本向量形成样本向量集。一个样本向量包括应用程序在预设历史时段内的某一时间点的多个维度的历史特征信息xi。
其中，所述预设历史时段为检测到应用程序进入后台的时间点之前的时间段。
例如，所述预设历史时段可以为检测到应用程序处于后台的时间点之前的一周。在一种实施例中，2017年8月15日上午8点15分检测到某一应用程序进入后台，获取2017年8月15日上午8点15分之前一周的历史特征信息xi，也即获取2017年8月8日上午8点15分至2017年8月15日上午8点15分之间的历史特征信息xi。
例如，在所述预设历史时段还可以为检测到应用程序处于后台的时间点之前的三天。在一种实施例中，2017年8月13日下午6点20分检测到某一应用程序进入后台，获取2017年8月13日下午6点20分之前三天的历史特征信息xi，也即获取2017年8月10日下午6点20分至2017年8月13日下午6点20分之间的历史特征信息xi。
其中，所述多个维度的特征信息可以参考表1。
表1
需要说明的是，以上表1示出的10个维度的特征信息仅为本申请实施例中的一种，但是本申请并不局限于表1示出的10个维度的特征信息，也可以为其中之一、或者其中至少两个，或者全部，亦或者还可以包括其他维度的特征信息，例如，当前是否在充电、当前的电量或者当前是否连接WiFi等。
步骤S102，采用非线性支持向量机算法对样本向量集进行计算，生成训练模型。
请参阅图4，图4为本申请实施例提供的应用程序管控方法的流程示意图。在一种实施例中，所述步骤S102可以包括：
步骤S1021：对样本向量集中的样本向量进行标记，生成每个样本向量的标记结果yi；以及
步骤S1022：通过定义高斯核函数，得到训练模型。
在步骤S1021中，对样本向量集中的样本向量进行标记，生成每个样本向量的标记结果yi。
比如，可以对样本向量集中的样本向量进行标记，在非线性支持向量机算法中输入样本向量，生成每个样本向量的标记结果yi，形成样本向量结果集T＝{(x1,y1),(x2,y2),...,(xm,ym)}，输入样本向量xi∈Rn,yi∈{+1,-1},i＝1,2,3,...,n，Rn表示样本向量所在的输入空间，n表示输入空间的维数，yi表示输入样本向量对应的标记结果。
在步骤S1022中，通过定义高斯核函数，得到训练模型。
在一种实施例中，所述核函数为高斯核函数为其中，K(x,xi)为空间中任一点x到某一中心xi之间欧氏距离，σ为高斯核函数的宽度参数。
在一种实施例中，所述通过定义高斯核函数，得到训练模型的步骤可以为通过定义高斯核函数，根据高斯核函数定义模型函数和分类决策函数，得到训练模型，所述模型函数为所述分类决策函数为其中，f(x)为分类决策值，αi是拉格朗日因子，b为偏置系数，当f(x)＝1时，代表所述应用程序“可清理”，当f(x)＝-1时，代表所述应用程序“不可清理”。
在一种实施例中，所述通过定义高斯核函数，根据高斯核函数定义模型函数和分类决策函数，得到训练模型的步骤可以为通过定义高斯核函数，根据高斯核函数定义模型函数和分类决策函数，通过模型函数和分类决策函数定义目标最优化函数，通过序列最小优化算法得到目标优化函数的最优解，得到训练模型，所述目标优化函数为其中，所述目标最优化函数为在参数(α1,α2,…,αi)上求最小值，一个αi对应于一个样本(xi,yi)，变量的总数等于训练样本的容量m。
在一种实施例中，所述最优解可以记为所述训练模型为所述g(x)为训练模型输出值。
步骤S103，将所述应用程序的当前特征信息s输入所述训练模型进行计算。
请参阅图4，在一种实施例中，所述步骤S103可以包括：
步骤S1031：采集所述应用程序的当前特征信息s；以及
步骤S1032：将当前特征信息s带入训练模型进行计算。
在一种实施例中，采集所述应用程序的当前特征信息s，将当前特征信息s带入公式计算
在一种实施方式中，采集的所述应用程序的当前特征信息s的维度与采集的所述应用程序的历史特征信息xi的维度相同。
步骤S104，判断所述应用程序是否需要关闭。
需要说明的是，当g(s)>0，判定应用程序需要关闭；当g(s)<0，判定应用程序需要保留。
本申请所提供的应用程序管控方法，通过检测应用程序进入后台，获取历史特征信息xi，采用非线性支持向量机算法生成训练模型，从而将应用程序的当前特征信息s带入训练模型，进而判断所述应用程序是否需要关闭，智能关闭应用程序。
请参阅图5，图5为本申请实施例提供的应用程序管控装置的结构示意图。所述装置30包括获取模块31，生成模块32、计算模块33和判断模块34。
需要说明的是，所述应用程序可以为聊天应用程序、视频应用程序、音乐应用程序、购物应用程序、共享单车应用程序或手机银行应用程序等。
所述获取模块31用于获取所述应用程序在预设历史时段内的样本向量集，其中该样本向量集中的样本向量包括所述应用程序在预设历史时间段内的若干时间点的多个维度的历史特征信息xi。
请参阅图6，图6为本申请实施例提供的应用程序管控装置的结构示意图。所述装置30还包括检测模块35，用于检测所述应用程序进入后台。
所述装置30还可以包括第一预设模块36和储存模块37。所述第一预设模块36用于预设历史时段。所述储存模块37用于储存应用程序的特征信息。所述获取模块31根据所述第一预设模块36设定的预设历史时段，从储存模块37中获取预设历史时段内历史特征信息xi。
比如，当检测到应用程序进入后台时，获取应用程序的多个样本向量，所述多个样本向量形成样本向量集。一个样本向量包括应用程序在预设历史时段内的某一时间点的多个维度的历史特征信息xi。
其中，所述预设历史时段为检测到应用程序进入后台的时间点之前的时间段。
例如，所述预设历史时段可以为检测到应用程序处于后台的时间点之前的一周。在一种实施例中，2017年8月15日上午8点15分检测到某一应用程序进入后台，获取2017年8月15日上午8点15分之前一周的历史特征信息xi，也即获取2017年8月8日上午8点15分至2017年8月15日上午8点15分之间的历史特征信息xi。
例如，在所述预设历史时段还可以为检测到应用程序处于后台的时间点之前的三天。在一种实施例中，2017年8月13日下午6点20分检测到某一应用程序进入后台，获取2017年8月13日下午6点20分之前三天的历史特征信息xi，也即获取2017年8月10日下午6点20分至2017年8月13日下午6点20分之间的历史特征信息xi。
其中，所述多个维度的特征信息可以参考表2。
表2
需要说明的是，以上表2示出的10个维度的特征信息仅为本申请实施例中的一种，但是本申请并不局限于表1示出的10个维度的特征信息，也可以为其中之一、或者其中至少两个，或者全部，亦或者还可以包括其他维度的特征信息，例如，当前是否在充电、当前的电量或者当前是否连接WiFi等。
所述生成模块32用于采用非线性支持向量机算法对样本向量集进行计算，生成训练模型。
所述生成模块32训练所述获取模块31获取的历史特征信息xi，在非线性支持向量机算法中输入所述历史特征信息xi。
请参阅图6，所述生成模块32包括训练模块321和求解模块322。
所述训练模块321用于对样本向量集中的样本向量进行标记，生成每个样本向量的标记结果。
比如，可以对样本向量集中的样本向量进行标记，在非线性支持向量机算法中输入样本向量，生成每个样本向量的标记结果yi，形成样本向量结果集T＝{(x1,y1),(x2,y2),...,(xm,ym)}，输入样本向量xi∈Rn,yi∈{+1,-1},i＝1,2,3,...,n，Rn表示样本向量所在的输入空间，n表示输入空间的维数，yi表示输入样本向量对应的标记结果。
所述求解模块322用于通过定义高斯核函数，得到训练模型。
在一种实施例中，所述核函数为高斯核函数为其中，K(x,xi)为空间中任一点x到某一中心xi之间欧氏距离，σ为高斯核函数的宽度参数。
在一种实施例中，所述求解模块322可以用于通过定义高斯核函数，根据高斯核函数定义模型函数和分类决策函数，得到训练模型，所述模型函数为所述分类决策函数为其中，f(x)为分类决策值，αi是拉格朗日因子，b为偏置系数，当f(x)＝1时，代表所述应用程序“可清理”，当f(x)＝-1时，代表所述应用程序“不可清理”。
在一种实施例中，所述求解模块322可以用于通过定义高斯核函数，根据高斯核函数定义模型函数和分类决策函数，通过模型函数和分类决策函数定义目标最优化函数，通过序列最小优化算法得到目标优化函数的最优解，得到训练模型，所述目标优化函数为其中，所述目标最优化函数为在参数(α1,α2,…,αi)上求最小值，一个αi对应于一个样本(xi,yi)，变量的总数等于训练样本的容量m。
在一种实施例中，所述最优解可以记为所述训练模型为所述g(x)为训练模型输出值。
所述计算模块33用于将所述应用程序的当前特征信息s输入所述训练模型进行计算。
请参阅图6，在一种实施例中，所述计算模块33可以包括采集模块331和运算模块332。
所述采集模块331用于采集所述应用程序的当前特征信息s。
所述运算模块332用于当前特征信息s带入训练模型进行计算。
在一种实施例中，采集所述应用程序的当前特征信息s，将当前特征信息s带入公式计算
在一种实施方式中，采集的所述应用程序的当前特征信息s的维度与采集的所述应用程序的历史特征信息xi的维度相同。
在一种实施例中，所述采集模块331用于根据预定采集时间定时采集当前特征信息s，并将当前特征信息s存入储存模块37，所述采集模块331还用于采集检测到应用程序进入后台的时间点对应的当前特征信息s，并将该当前特征信息s输入运算模块332用于带入训练模型进行计算。
所述判断模块34用于判断所述应用程序是否需要关闭。
需要说明的是，当g(s)>0，判定应用程序需要关闭；当g(s)<0，判定应用程序需要保留。
所述装置30还包括一第二预设模块38。所述第二预设模块38用于预设未来时段。所述判断模块34根据所述计算模块33计算的结果判断应用程序在预设未来时段应用的概率。所述预设的未来时段可以是从检测到应用程序处于后台的时间点之后5分钟、10分钟或者15分钟。
所述装置30还可以包括关闭模块39，用于当判断应用程序需要关闭时，将所述应用程序关闭。
本申请所提供的用于应用程序管控方法的装置，通过检测应用程序进入后台，获取历史特征信息xi，采用非线性支持向量机算法生成训练模型，从而将应用程序的当前特征信息s带入训练模型，进而判断所述应用程序是否需要关闭，智能关闭应用程序。
请参阅图7，图7为本申请实施例提供的电子设备的结构示意图。所述电子设备500包括：处理器501和存储器502。其中，处理器501与存储器502电性连接。
处理器501是电子设备500的控制中心，利用各种接口和线路连接整个电子设备500的各个部分，通过运行或加载存储在存储器502内的应用程序，以及调用存储在存储器502内的数据，执行电子设备的各种功能和处理数据，从而对电子设备500进行整体监控。
在本实施例中，电子设备500中的处理器501会按照如下的步骤，将一个或一个以上的应用程序的进程对应的指令加载到存储器502中，并由处理器501来运行存储在存储器502中的应用程序，从而实现各种功能：
获取所述应用程序在预设历史时段内的样本向量集，其中该样本向量集中的样本向量包括所述应用程序在预设历史时间段内的若干时间点的多个维度的历史特征信息xi；
采用非线性支持向量机算法对样本向量集进行计算，生成训练模型；
将所述应用程序的当前特征信息s输入所述训练模型进行计算；以及
判断所述应用程序是否需要关闭。
需要说明的是，所述应用程序可以为聊天应用程序、视频应用程序、音乐应用程序、购物应用程序、共享单车应用程序或手机银行应用程序等。
比如，当检测到应用程序进入后台时，获取应用程序的多个样本向量，所述多个样本向量形成样本向量集。一个样本向量包括应用程序在预设历史时段内的某一时间点的多个维度的历史特征信息xi。
其中，所述预设历史时段为检测到应用程序进入后台的时间点之前的时间段。
例如，所述预设历史时段可以为检测到应用程序处于后台的时间点之前的一周。在一种实施例中，2017年8月15日上午8点15分检测到某一应用程序进入后台，获取2017年8月15日上午8点15分之前一周的历史特征信息xi，也即获取2017年8月8日上午8点15分至2017年8月15日上午8点15分之间的历史特征信息xi。
例如，在所述预设历史时段还可以为检测到应用程序处于后台的时间点之前的三天。在一种实施例中，2017年8月13日下午6点20分检测到某一应用程序进入后台，获取2017年8月13日下午6点20分之前三天的历史特征信息xi，也即获取2017年8月10日下午6点20分至2017年8月13日下午6点20分之间的历史特征信息xi。
其中，所述多个维度的特征信息可以参考表3。
表3
需要说明的是，以上表3示出的10个维度的特征信息仅为本申请实施例中的一种，但是本申请并不局限于表1示出的10个维度的特征信息，也可以为其中之一、或者其中至少两个，或者全部，亦或者还可以包括其他维度的特征信息，例如，当前是否在充电、当前的电量或者当前是否连接WiFi等。
在一种实施例中，所述处理器501采用非线性支持向量机算法对样本向量集进行计算，生成训练模型还包括：
对样本向量集中的样本向量进行标记，生成每个样本向量的标记结果yi；以及
通过定义高斯核函数，得到训练模型。
在一种实施例中，可以对样本向量集中的样本向量进行标记，在非线性支持向量机算法中输入样本向量，生成每个样本向量的标记结果yi，形成样本向量结果集T＝{(x1,y1),(x2,y2),...,(xm,ym)}，输入样本向量xi∈Rn,yi∈{+1,-1},i＝1,2,3,...,n，Rn表示样本向量所在的输入空间，n表示输入空间的维数，yi表示输入样本向量对应的标记结果。
在一种实施例中，所述核函数为高斯核函数为其中，K(x,xi)为空间中任一点x到某一中心xi之间欧氏距离，σ为高斯核函数的宽度参数。
在一种实施例中，所述通过定义高斯核函数，得到训练模型的步骤为通过定义高斯核函数，根据高斯核函数定义模型函数和分类决策函数，得到训练模型，所述模型函数为所述分类决策函数为其中，f(x)为分类决策值，αi是拉格朗日因子，b为偏置系数，当f(x)＝1时，代表所述应用程序“可清理”，当f(x)＝-1时，代表所述应用程序“不可清理”。
在一种实施例中，所述通过定义高斯核函数，根据高斯核函数定义模型函数和分类决策函数，得到训练模型的步骤为通过定义高斯核函数，根据高斯核函数定义模型函数和分类决策函数，通过模型函数和分类决策函数定义目标最优化函数，通过序列最小优化算法得到目标优化函数的最优解，得到训练模型，所述目标优化函数为其中，所述目标最优化函数为在参数(α1,α2,…,αi)上求最小值，一个αi对应于一个样本(xi,yi)，变量的总数等于训练样本的容量m。
在一种实施例中，所述最优解可以记为所述训练模型为所述g(x)为训练模型输出值。
在一种实施例中，所述处理器501将所述应用程序的当前特征信息s输入所述训练模型进行计算还包括：
采集所述应用程序的当前特征信息s；以及
将当前特征信息s带入训练模型进行计算。
在一种实施例中，所述处理器501采集所述应用程序的当前特征信息s，将当前特征信息s带入公式计算
在一种实施方式中，所述处理器501采集的所述应用程序的当前特征信息s的维度与采集的所述应用程序的历史特征信息xi的维度相同。
在一种实施方式中，所述处理器501判断所述应用程序是否需要关闭。当g(s)>0，所述处理器501判定应用程序需要关闭；当g(s)<0，所述处理器501判定应用程序需要保留。
存储器502可用于存储应用程序和数据。存储器502存储的程序中包含有可在处理器中执行的指令。所述程序可以组成各种功能模块。处理器501通过运行存储在存储器502的程序，从而执行各种功能应用以及数据处理。
在一些实施例中，如图8所示，图8为本申请实施例提供的电子设备的结构示意图。所述电子设备500还包括：射频电路503、显示屏504、控制电路505、输入单元506、音频电路507、传感器508以及电源509。其中，处理器501分别与射频电路503、显示屏504、控制电路505、输入单元506、音频电路507、传感器508以及电源509电性连接。
射频电路503用于收发射频信号，以通过无线通信网络与服务器或其他电子设备进行通信。
显示屏504可用于显示由用户输入的信息或提供给用户的信息以及终端的各种图形用户接口，这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路505与显示屏504电性连接，用于控制显示屏504显示信息。
输入单元506可用于接收输入的数字、字符信息或用户特征信息(例如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
音频电路507可通过扬声器、传声器提供用户与终端之间的音频接口。
传感器508用于采集外部环境信息。传感器508可以包括环境亮度传感器、加速度传感器、陀螺仪等传感器中的一种或多种。
电源509用于给电子设备500的各个部件供电。在一些实施例中，电源509可以通过电源管理系统与处理器501逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图8中未示出，电子设备500还可以包括摄像头、蓝牙模块等，在此不再赘述。
本申请所提供的电子设备，通过检测应用程序进入后台，获取历史特征信息xi，采用非线性支持向量机算法生成训练模型，从而将应用程序的当前特征信息s带入训练模型，进而判断所述应用程序是否需要关闭，智能关闭应用程序。
本发明实施例还提供一种介质，该介质中存储有多条指令，该指令适于由处理器加载以执行上述任一实施例所述的应用程序管控方法。
本发明实施例提供的应用程序管控方法、装置、介质及电子设备属于同一构思，其具体实现过程详见说明书全文，此处不再赘述。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，RandomAccess Memory)、磁盘或光盘等。
以上对本申请实施例提供的应用程序管控方法、装置、介质及电子设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施例进行了阐述，以上实施例的说明只是用于帮助理解本申请。同时，对于本领域的技术人员，依据本申请的思想，在具体实施例及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (20)

1.一种应用程序管控方法，应用于电子设备，其特征在于，所述应用程序管控方法包括以下步骤：
获取所述应用程序在预设历史时段内的样本向量集，其中该样本向量集中的样本向量包括所述应用程序在预设历史时间段内的若干时间点的多个维度的历史特征信息xi；
采用非线性支持向量机算法对样本向量集进行计算，生成训练模型；
将所述应用程序的当前特征信息s输入所述训练模型进行计算；以及
判断所述应用程序是否需要关闭。
2.如权利要求1所述的应用程序管控方法，其特征在于，采用非线性支持向量机算法对样本向量集进行计算，生成训练模型的步骤包括：
对样本向量集中的样本向量进行标记，生成每个样本向量的标记结果yi；以及
通过定义高斯核函数，得到训练模型。
3.如权利要求2所述的应用程序管控方法，其特征在于：所述核函数为高斯核函数为其中，K(x,xi)为空间中任一点x到某一中心xi之间欧氏距离，σ为高斯核函数的宽度参数。
4.如权利要求3所述的应用程序管控方法，其特征在于：所述通过定义高斯核函数，得到训练模型的步骤为通过定义高斯核函数，根据高斯核函数定义模型函数和分类决策函数，得到训练模型，所述模型函数为所述分类决策函数为其中，f(x)为分类决策值，αi是拉格朗日因子，b为偏置系数，当f(x)＝1时，代表所述应用程序“可清理”，当f(x)＝-1时，代表所述应用程序“不可清理”。
5.如权利要求4所述的应用程序管控方法，其特征在于：所述通过定义高斯核函数，根据高斯核函数定义模型函数和分类决策函数，得到训练模型的步骤为通过定义高斯核函数，根据高斯核函数定义模型函数和分类决策函数，通过模型函数和分类决策函数定义目标最优化函数，通过序列最小优化算法得到目标优化函数的最优解，得到训练模型，所述目标优化函数为其中，所述目标最优化函数为在参数(α1,α2,…,αi)上求最小值，一个αi对应于一个样本(xi,yi)，变量的总数等于训练样本的容量m。
6.如权利要求5所述的应用程序管控方法，其特征在于：所述最优解记为所述训练模型为所述g(x)为训练模型输出值。
7.如权利要求6所述的应用程序管控方法，其特征在于：所述判断应用程序是否需要关闭的步骤还包括：
当g(s)>0，判定所述应用程序需要关闭；以及
当g(s)<0，判定所述应用程序需要保留。
8.一种应用程序管控装置，其特征在于，所述装置包括：
获取模块，用于获取所述应用程序在预设历史时段内的样本向量集，其中该样本向量集中的样本向量包括所述应用程序在预设历史时间段内的若干时间点的多个维度的历史特征信息xi；
生成模块，用于采用非线性支持向量机算法对样本向量集进行计算，生成训练模型；
计算模块，用于将所述应用程序的当前特征信息s输入所述训练模型进行计算；以及
判断模块，用于判断所述应用程序是否需要关闭。
9.如权利要求8所述的应用程序管控装置，其特征在于：所述生成模块包括：
训练模块，用于对样本向量集中的样本向量进行标记，生成每个样本向量的标记结果yi；
求解模块，用于通过定义高斯核函数，得到训练模型。
10.如权利要求9所述的应用程序管控装置，其特征在于：所述核函数为高斯核函数为其中，K(x,xi)为空间中任一点x到某一中心xi之间欧氏距离，σ为高斯核函数的宽度参数。
11.如权利要求10所述的应用程序管控装置，其特征在于：所述求解模块用于通过定义高斯核函数，根据高斯核函数定义模型函数和分类决策函数，得到训练模型，所述模型函数为所述分类决策函数为其中，f(x)为分类决策值，αi是拉格朗日因子，b为偏置系数，当f(x)＝1时，代表所述应用程序“可清理”，当f(x)＝-1时，代表所述应用程序“不可清理”。
12.如权利要求11所述的应用程序管控装置，其特征在于：所述求解模块用于通过定义高斯核函数，根据高斯核函数定义模型函数和分类决策函数，通过模型函数和分类决策函数定义目标最优化函数，通过序列最小优化算法得到目标优化函数的最优解，得到训练模型，所述目标优化函数为其中，所述目标最优化函数为在参数(α1,α2,…,αi)上求最小值，一个αi对应于一个样本(xi,yi)，变量的总数等于训练样本的容量m。
13.如权利要求12所述的应用程序管控装置，其特征在于：如权利要求5所述的应用程序管控方法，其特征在于：所述最优解记为所述训练模型为所述g(x)为训练模型输出值。
14.如权利要求8所述的应用程序管控装置，其特征在于：还包括检测模块，用于检测所述应用程序进入后台。
15.如权利要求8所述的应用程序管控装置，其特征在于：还包括第一预设模块，用于预设历史时段。
16.如权利要求8所述的应用程序管控装置，其特征在于：还包括第二预设模块，用于预设未来时段。
17.如权利要求8所述的应用程序管控装置，其特征在于：还包括储存模块，用于储存应用程序的特征信息。
18.如权利要求8所述的应用程序管控装置，其特征在于：还包括关闭模块，用于当判断应用程序需要关闭时，将所述应用程序关闭。
19.一种介质，其特征在于：所述介质中存储有多条指令，所述指令适于由处理器加载以执行如权利要求1至7中任一项所述的应用程序管控方法。
20.一种电子设备，其特征在于：所述电子设备包括处理器和存储器，所述电子设备与所述存储器电性连接，所述存储器用于存储指令和数据，所述处理器用于执行如权利要求1至7中任一项所述的应用程序管控方法。
CN201710919669.4A 2017-09-30 2017-09-30 应用程序管控方法、装置、介质及电子设备 Active CN107643948B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710919669.4A CN107643948B (zh) 2017-09-30 2017-09-30 应用程序管控方法、装置、介质及电子设备
PCT/CN2018/097907 WO2019062317A1 (zh) 2017-09-30 2018-08-01 应用程序管控方法及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710919669.4A CN107643948B (zh) 2017-09-30 2017-09-30 应用程序管控方法、装置、介质及电子设备

Publications (2)

Publication Number Publication Date
CN107643948A true CN107643948A (zh) 2018-01-30
CN107643948B CN107643948B (zh) 2020-06-02

Family

ID=61123198

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710919669.4A Active CN107643948B (zh) 2017-09-30 2017-09-30 应用程序管控方法、装置、介质及电子设备

Country Status (2)

Country Link
CN (1) CN107643948B (zh)
WO (1) WO2019062317A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019062358A1 (zh) * 2017-09-30 2019-04-04 Oppo广东移动通信有限公司 应用程序管控方法及终端设备
WO2019062414A1 (zh) * 2017-09-30 2019-04-04 Oppo广东移动通信有限公司 应用程序管控方法、装置、存储介质及电子设备
WO2019062317A1 (zh) * 2017-09-30 2019-04-04 Oppo广东移动通信有限公司 应用程序管控方法及电子设备
WO2019085749A1 (zh) * 2017-10-31 2019-05-09 Oppo广东移动通信有限公司 应用程序管控方法、装置、介质及电子设备

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111797861A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 信息处理方法、装置、存储介质及电子设备
CN111241688B (zh) * 2020-01-15 2023-08-25 北京百度网讯科技有限公司 复合生产工艺过程监控方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015009023A1 (ko) * 2013-07-15 2015-01-22 삼성전자 주식회사 휴대 단말기의 사용 로그를 활용하는 방법 및 이를 이용한 장치
CN104573740A (zh) * 2014-12-22 2015-04-29 山东鲁能软件技术有限公司 一种基于svm分类模型的设备故障诊断方法
CN105912370A (zh) * 2016-05-03 2016-08-31 广东欧珀移动通信有限公司 移动终端的后台应用程序的控制方法、装置及移动终端
CN106155777A (zh) * 2016-06-30 2016-11-23 宇龙计算机通信科技(深圳)有限公司 一种后台应用管理装置、终端及后台应用管理方法
CN106971091A (zh) * 2017-03-03 2017-07-21 江苏大学 一种基于确定性粒子群优化和支持向量机的肿瘤识别方法
CN107133094A (zh) * 2017-06-05 2017-09-05 努比亚技术有限公司 应用管理方法、移动终端及计算机可读存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106055399A (zh) * 2016-05-31 2016-10-26 宇龙计算机通信科技(深圳)有限公司 一种控制应用程序的方法及终端
CN107643948B (zh) * 2017-09-30 2020-06-02 Oppo广东移动通信有限公司 应用程序管控方法、装置、介质及电子设备
CN107608748B (zh) * 2017-09-30 2019-09-13 Oppo广东移动通信有限公司 应用程序管控方法、装置、存储介质及终端设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015009023A1 (ko) * 2013-07-15 2015-01-22 삼성전자 주식회사 휴대 단말기의 사용 로그를 활용하는 방법 및 이를 이용한 장치
CN104573740A (zh) * 2014-12-22 2015-04-29 山东鲁能软件技术有限公司 一种基于svm分类模型的设备故障诊断方法
CN105912370A (zh) * 2016-05-03 2016-08-31 广东欧珀移动通信有限公司 移动终端的后台应用程序的控制方法、装置及移动终端
CN106155777A (zh) * 2016-06-30 2016-11-23 宇龙计算机通信科技(深圳)有限公司 一种后台应用管理装置、终端及后台应用管理方法
CN106971091A (zh) * 2017-03-03 2017-07-21 江苏大学 一种基于确定性粒子群优化和支持向量机的肿瘤识别方法
CN107133094A (zh) * 2017-06-05 2017-09-05 努比亚技术有限公司 应用管理方法、移动终端及计算机可读存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019062358A1 (zh) * 2017-09-30 2019-04-04 Oppo广东移动通信有限公司 应用程序管控方法及终端设备
WO2019062414A1 (zh) * 2017-09-30 2019-04-04 Oppo广东移动通信有限公司 应用程序管控方法、装置、存储介质及电子设备
WO2019062317A1 (zh) * 2017-09-30 2019-04-04 Oppo广东移动通信有限公司 应用程序管控方法及电子设备
WO2019085749A1 (zh) * 2017-10-31 2019-05-09 Oppo广东移动通信有限公司 应用程序管控方法、装置、介质及电子设备

Also Published As

Publication number Publication date
CN107643948B (zh) 2020-06-02
WO2019062317A1 (zh) 2019-04-04

Similar Documents

Publication Publication Date Title
CN107643948A (zh) 应用程序管控方法、装置、介质及电子设备
CN107608748B (zh) 应用程序管控方法、装置、存储介质及终端设备
CN107678799B (zh) 应用程序管控方法、装置、存储介质及电子设备
CN109948633A (zh) 用户性别预测方法、装置、存储介质及电子设备
CN107885544B (zh) 应用程序管控方法、装置、介质及电子设备
CN107678845A (zh) 应用程序管控方法、装置、存储介质及电子设备
CN109034365A (zh) 深度学习模型的训练方法及装置
CN107844338B (zh) 应用程序管控方法、装置、介质及电子设备
CN106331254B (zh) 一种移动终端跌落的保护处理方法及装置
US11249645B2 (en) Application management method, storage medium, and electronic apparatus
CN107704070A (zh) 应用清理方法、装置、存储介质及电子设备
CN107765853A (zh) 应用关闭方法、装置、存储介质及电子设备
CN108108455A (zh) 目的地的推送方法、装置、存储介质及电子设备
CN108763847A (zh) 一种非侵入式电信号分析追踪方法、装置、电子设备
CN107894827A (zh) 应用清理方法、装置、存储介质及电子设备
CN107766891A (zh) 用户性别识别方法、装置、存储介质及电子设备
CN110633870A (zh) 一种谐波预警方法、谐波预警装置及终端设备
CN113284142A (zh) 图像检测方法、装置、计算机可读存储介质及计算机设备
CN107704876B (zh) 应用控制方法、装置、存储介质以及电子设备
CN107943570A (zh) 应用管理方法、装置、存储介质及电子设备
CN107832848B (zh) 应用管理方法、装置、存储介质及电子设备
CN207020766U (zh) 一种快递柜的控制系统
CN107861770B (zh) 应用程序管控方法、装置、存储介质及终端设备
CN107040955B (zh) 终端的耗电状态识别方法、装置及电子设备
CN111931075A (zh) 一种内容推荐方法、装置、计算机设备及存储介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18

Applicant after: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS CORP., Ltd.

Address before: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18

Applicant before: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS CORP., Ltd.

GR01 Patent grant
GR01 Patent grant