CN107678858A - 应用处理方法、装置、存储介质及电子设备 - Google Patents

应用处理方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN107678858A
CN107678858A CN201710940531.2A CN201710940531A CN107678858A CN 107678858 A CN107678858 A CN 107678858A CN 201710940531 A CN201710940531 A CN 201710940531A CN 107678858 A CN107678858 A CN 107678858A
Authority
CN
China
Prior art keywords
application
event
bayesian
electronic equipment
use 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.)
Granted
Application number
CN201710940531.2A
Other languages
English (en)
Other versions
CN107678858B (zh
Inventor
曾元清
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 CN201710940531.2A priority Critical patent/CN107678858B/zh
Publication of CN107678858A publication Critical patent/CN107678858A/zh
Application granted granted Critical
Publication of CN107678858B publication Critical patent/CN107678858B/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
    • 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]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Telephonic Communication Services (AREA)

Abstract

本申请实施例公开了一种应用处理方法、装置、存储介质及电子设备。该应用处理方法，通过获取历史时段内每一采样时间点样本应用的使用信息，根据采样时间点和使用信息生成训练样本，并利用训练样本对预设的贝叶斯模型进行训练，得到训练后的第一贝叶斯模型；将第一贝叶斯模型与第二贝叶斯模型融合，得到贝叶斯混合模型，其中，第二贝叶斯模型由服务器利用多个电子设备各自对应的训练样本，对预设的贝叶斯模型训练而得到；基于贝叶斯混合模型对电子设备中的后台应用进行处理。该方案结合服务器和电子设备得到最终模型对后台应用进行处理，可降低电子设备终资源的占用，提升了电子设备的运行流畅度，减少了电子设备的功耗。

Description

应用处理方法、装置、存储介质及电子设备
技术领域
本申请涉及电子设备技术领域，尤其涉及一种应用处理方法、装置、存储介质及电子设备。
背景技术
随着互联网的发展和移动通信网络的发展，同时也伴随着电子设备的处理能力和存储能力的迅猛发展，海量的应用得到了迅速传播和使用；常用的应用在方便用户工作和生活的同时，不乏新开发的应用也进入到用户的日常生活，提高了用户的生活质量、使用电子设备的频率以及使用中的娱乐感。
当电子设备开启有多个应用时，在后台运行的应用会严重地占用电子设备的资源，降低电子设备的运行流畅度，同时还会导致电子设备的功耗较大。
发明内容
本申请实施例提供一种应用处理方法、装置、存储介质及电子设备，可以智能地管控应用，降低电子设备功耗。
第一方面，本申请实施例提供一种应用处理方法，应用于电子设备，所述方法包括：
获取历史时段内每一采样时间点样本应用的使用信息；
根据所述采样时间点和所述使用信息生成训练样本；
利用所述训练样本对预设的贝叶斯模型进行训练，得到训练后的第一贝叶斯模型；
将第一贝叶斯模型与第二贝叶斯模型融合，得到贝叶斯混合模型，其中，所述第二贝叶斯模型由服务器利用多个电子设备各自对应的训练样本，对所述预设的贝叶斯模型训练而得到；
基于所述贝叶斯混合模型对所述电子设备中的后台应用进行处理。
第二方面，本申请实施例提供了一种应用处理装置，应用于电子设备，所述装置包括：
获取模块，用于获取历史时段内每一采样时间点样本应用的使用信息；
生成模块，用于根据所述采样时间点和所述使用信息生成训练样本；
训练模块，用于利用所述训练样本对预设的贝叶斯模型进行训练，得到训练后的第一贝叶斯模型；
合成模块，用于将第一贝叶斯模型与第二贝叶斯模型融合，得到贝叶斯混合模型，其中，所述第二贝叶斯模型由服务器利用多个电子设备各自对应的训练样本，对所述预设的贝叶斯模型训练而得到
处理模块，用于基于所述贝叶斯混合模型对所述电子设备中的后台应用进行处理。
第三方面，本申请实施例还提供了一种存储介质，所述存储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处理方法。
第四方面，本申请实施例还提供了一种电子设备，包括处理器及存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据；处理器用于执行上述的应用处理方法。
本申请实施例公开了一种应用处理方法、装置、存储介质及电子设备。该应用处理方法，通过获取历史时段内每一采样时间点样本应用的使用信息，根据采样时间点和使用信息生成训练样本，并利用训练样本对预设的贝叶斯模型进行训练，得到训练后的第一贝叶斯模型；将第一贝叶斯模型与第二贝叶斯模型融合，得到贝叶斯混合模型，其中，所述第二贝叶斯模型由服务器利用多个电子设备各自对应的训练样本，对所述预设的贝叶斯模型训练而得到；基于贝叶斯混合模型对电子设备中的后台应用进行处理。该方案结合服务器和电子设备得到最终模型对后台应用进行处理，可充分利用服务器高性能来处理大数据，同时又兼顾到电子设备使用的差异性，可降低电子设备终资源的占用，提升了电子设备的运行流畅度，减少了电子设备的功耗。
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是本申请实施例提供的应用处理方法的场景架构示意图。
图2是本申请实施例提供的应用处理方法的一种流程示意图。
图3是本申请实施例提供的应用处理方法的另一种流程示意图。
图4是本申请实施例提供的一种贝叶斯混合模型训练过程的示意图。
图5是本申请实施例提供的应用处理装置的第一种结构示意图。
图6是本申请实施例提供的应用处理装置的第二种结构示意图。
图7是本申请实施例提供的应用处理装置的第三种结构示意图。
图8是本申请实施例提供的应用处理装置的第四种结构示意图。
图9是本申请实施例提供的应用处理装置的第四种结构示意图。
图10是本申请实施例提供的电子设备的一种结构示意图。
图11是本申请实施例提供的电子设备的另一种结构示意图。
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、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。
本申请实施例提供一种应用处理方法、装置、存储介质及电子设备。以下将分别进行详细说明。
请参阅图1，图1为本申请实施例提供的应用处理方法的场景架构示意图。
如图，以对后台运行的应用为A～E进行处理为例。首先在电子设备端进行数据采集，记录各应用的使用信息，如记录一个月内使用各应用(即在前台运行)的时间。然后，将应用、以及使用该应用的时间作为训练样本，对预设的贝叶斯模型进行训练，得到训练后的第一贝叶斯模型。接着，将该第一贝叶斯模型结合预先由服务器基于大量样本训练好的第二贝叶斯模型，生成贝叶斯混合模型。电子设备基于该贝叶斯混合模型预测即将切换至前台运行的目标应用，根据预测结果从多个后台应用A～E中确定出可清理的应用和/或不可清理的应用(即该目标应用)。从而基于用户的使用习惯实现对后台应用的管控，减少应用对电子设备资源的占用。
其中，电子设备可以为移动终端，如手机、平板电脑、笔记本电脑等，本申请实施例对此不进行限定。
在一实施例中，提供一种应用处理方法，应用于电子设备，该电子设备可以为智能手机、平板电脑、笔记本电脑等移动终端。如图2所示，流程可以如下：
101、获取历史时段内每一采样时间点样本应用的使用信息。
本实施例所提及的应用，可以是电子设备上安装的任何一个应用，例如办公应用、社交应用、游戏应用、购物应用等。
其中，样本应用可为电子设备中多个或所有已安装的应用。应用的使用信息可以为应用的使用记录，如各应用的开启时间记录。采样时间点则可根据实际需求进行设定，若想得到精确度较高的结果，则可将采集时间点设置地密集一些，如每隔1分钟为一采样时间点；若想节省电子设备的资源而对结果的精确度不做要求，则可将采样时间点设置地松散一些，如每隔10分钟为一采样时间点。
在一些实施例中，自应用安装，则可记录每一已安装应用的使用信息，转换成相应的数据存储到预设的存储区域中。当需要使用某一或某些应用的使用信息时，则可以从该存储区域中调取与该某一或某些应用对应的数据，对获取的数据进行解析得到相应的信息，以作为该某一或某些应用的使用信息，而该某一或某些应用则作为样本应用，从获取的使用信息中选取出所需时间段内的使用信息即可。
在一些实施例中，为减少电子设备的功耗，节省电子设备的终端资源，可直接设定所需记录的时间段，然后在该时间段内对每一采样时间点样本应用的使用信息进行记录即可，以便后续使用。
比如，历史时段可以是过去一个月，每一时间点可以为当前时间的时间戳。使用信息可以是从数据库中提取出来的，该数据库内可以存储有过去一个月电子设备中应用的打开记录，如下表1所示：
应用包名 打开此应用的时间戳
com.tencent.mobileqq 1457550655465
com.android.settings 1457605107522
... ...
表1
102、根据采样时间点和使用信息生成训练样本。
在一些实施例中，可对所获取到的样本应用的使用信息进行预处理，筛选出有效使用信息，与采样时间点一一对应生成训练样本。也即，步骤“根据采样时间点和使用信息生成训练样本”可以包括以下流程：
判断采样时间点对应的使用信息是否满足预设条件；
若是，则确定采样时间点对应的采样日期类型和采样时段；
根据采样日期类型、采样时段以及采用时间点对应的使用信息生成训练样本。
其中，该采样日期类型是对每周进行划分，其可以包括工作日和周末。该采样时段是对每天进行划分，其可以将一天分为48个时段、144个时段等等。
103、利用训练样本对预设的贝叶斯模型进行训练，得到训练后的第一贝叶斯模型。
具体地，将上述生成的训练样本输入至预设的贝叶斯模型中，根据所输入的训练样本不断地修正预设的混合高斯模型中的模型参数，以使得训练后得到的第一贝叶斯模型的预测的准确性得到提升。
104、将第一贝叶斯模型与第二贝叶斯模型融合，得到贝叶斯混合模型，其中，第二贝叶斯模型由服务器利用多个电子设备各自对应的训练样本，对预设的贝叶斯模型训练而得到。
如今人工智能相关技术的发展迅速，相关技术中，可在高性能的服务器上训练出算法模型参数，并将算法模型参数记录下来应用到电子设备中。然而采用这种方式的话所有电子设备都只能用一套参数，而无法贴合不同电子设备的用户习惯而制定算法模型，灵活性较差。然而，若在智能手机等电子设备上训练出算法模型参数非常困难的。训练算法模型参数直到收敛十分耗时，且非常占用中央处理器(CPU，central processing unit)和输入输出(IO，Input Output)资源，会导致电子设备负荷量较大。因此，本申请提出结合服务器端和电子设备端的训练得到最终的预测模型，可充分利用服务器高性能来处理大数据，同时兼顾到电子设备用户的差异性。在电子设备上使用用户个人习惯数据训练，对不同用户训练出不同的模型参数，使得最后得到的混合模型更加贴合电子设备用户个人的的实际使用。
首先服务器端训练以很多电子设备的数据为输入，寻找出一组模型参数，那么这组模型参数是全局最优的，但不是对每个用户都是最优的终端训练。不同的电子设备上分别独立去做，求得该电子设备上的最优解。
本申请中预先在服务器上使用大数据训练，多个电子设备进行数据的采集，形成超大样本量(千万级别)的训练样本，并定时上传至服务器，服务器根据所获取到的训练样本对预设的贝叶斯模型进行训练，其训练方法与电子设备中贝叶斯模型的训练方法相同。最终得到较佳的模型参数，并基于该模型参数生成训练后的贝叶斯模型，记作第二贝叶斯模型。
具体地，将服务器训练好的第二贝叶斯模型与电子设备端训练好第一贝叶斯模型，按照预设的比例进行合成，最终得到贝叶斯混合模型。
105、基于训练后的贝叶斯混合模型对电子设备中的后台应用进行处理。
在一些实施例中，对应用进行处理的过程，给定当前时间，利用最终得出的贝叶斯混合模型预测出当前时间下对应预测结果。根据该预测结果从后台应用中区别出可清理和/或不可清理的后台应用。根据当前电子设备的实际情况(剩余电量、CPU占用率、内存占用率等等)，从可清理类中选取相应的后台应用进行清理，以减少应用对电子设备资源的占用。
由上可知，本申请是实施例提供的应用处理方法，通过获取历史时间段内每一采样时间点样本应用的使用信息，根据采样时间点和使用信息生成训练样本，再根据训练样本对预设的混合高斯模型进行训练，基于训练后的混合高斯模型对电子设备中的后台应用进行处理。该方案结合服务器和电子设备得到最终模型对后台应用进行处理，可充分利用服务器高性能来处理大数据，同时又兼顾到电子设备使用的差异性，可降低电子设备终资源的占用，提升了电子设备的运行流畅度，减少了电子设备的功耗。
在一实施例中，还提供另一种应用处理方法，应用于电子设备，该电子设备可以为智能手机、平板电脑、笔记本电脑等移动终端。如图3所示，流程可以如下：
201、获取历史时间段内每一采样时间点样本应用的使用信息。
样本应用可为电子设备中多个或所有已安装的应用。采样时间点可根据实际需求进行设定，若想得到精确度较高的结果，可将采集时间点设置地密集一些，如每隔10分钟为一采样时间点。应用的使用信息可为应用在使用过程中的相关信息。
参考上表1，可将这些应用的打开记录，作为各样本应用在每一采样时间点的使用信息。
202、判断采样时间点对应的使用信息是否满足预设条件；若是，执行步骤203，若否，结束流程。
在一些实施例中，可对所获取到的样本应用的使用信息进行预处理，筛选出有效使用信息，以与采样时间点一一对应生成训练样本。比如，使用信息为应用的运行状态的信息；则步骤“判断采样时间点对应的使用信息是否满足预设条件”的步骤，可以包括以下流程：
判断运行状态是否为前台运行；
若是，则判定使用信息满足预设条件；
若否，则判定使用信息不满足预设条件。
其中运行状态为在前台运行，即意味着当前用户正在使用该样本应用。在本实施例中，应用在前台运行(即被用户使用)才算作是有效使用信息。
203、确定采样时间点对应的采样日期类型和采样时段。
在一些实施例中，历史时间段包括多个时间周期，如历史时间段为过去一个月，则时间周期则可以为过去一个月中的每一天。每一时间周期可划分为多个采样时段，如一天中的每1分钟、一天中的每10分钟。具体地，可基于采样时间点对应的时间戳，确定其所属的时间周期以及具体的采样时段，如可为xx月xx日xx分。
比如，每10分钟分钟采样一次，时间点是按照10分钟进行编号，则一天有24*60＝1440分钟，那么一天就有1440/10＝144个时段，时段t∈[1,2,3…144]，以及记录该时间点正在使用的应用程序。
应用包名 时段
/ 1
... ...
com.tencent.mobileqq 48
com.tencent.mobileqq 49
com.tencent.mm 50
/ 51
/ 52
com.android.settings 53
... ...
/ 144
表2
可将表2中的应用包名与时段一一对应形成训练样本。其中，表2为历史时间段内其中1天(1个时间周期)的使用信息，实际应用中还包括其他时间周期的使用信息，在此未示出。“/”表示当前时间无应用在前台运行。
204、根据使用信息为每一样本应用设置对应的参数值，以得到参数值序列，参数值为正整数。
比如，qq对应的参数值设为1，微信对应的参数值设为2，微博对应的参数值设为3等，以此类推，从而表示不同的应用。建立参数值与应用之间的映射关系并存储在相应的存储区域中。
205、根据采样日期类型、采样时段、以及参数值成训练样本。
206、利用训练样本对预设的贝叶斯模型进行训练，得到训练后的第一贝叶斯模型。
在一些实施例中，采样时段包括(t1，t2…tm)，参数值包括(1，2…y)；则步骤“利用所述训练样本对预设的贝叶斯模型进行训练”可以包括以下流程：
将采样时段输入第一预设公式中，得到对应采样时段的概率，第一预设公式为：
其中，N(y)表示事件y出现的次数，N表示样本总数，P(y)表示事件y发生的概率；
将特征值和预测值输入第二预设公式中，得到对应特征值和预测值的概率，第二预设公式为：
其中，P(t|y)表示在事件y发生的前提下，事件t发生的概率，N(t,y)表示事件t和事件y同时发生的次数。
经过对贝叶斯模型的不断更新、训练，得到最优的模型参数[N(y),N(t,y)]。
207、将第一贝叶斯模型与第二贝叶斯模型融合，得到贝叶斯混合模型，其中，第二贝叶斯模型由服务器利用多个电子设备各自对应的训练样本，对预设的贝叶斯模型训练而得到。
在一些实施例中，步骤“将第一贝叶斯模型与第二贝叶斯模型融合，得到贝叶斯混合模型”可以包括以下流程：
对第一贝叶斯模型和第二贝叶斯模型进行加权处理；
将加权处理后的第一贝叶斯模型与第二贝叶斯模型叠加，以得到贝叶斯混合模型。
假设服务端训练出的模型参数是[Ns(t),Ns(t,y)]，则服务器侧对应的第二贝叶斯模型为：
假设电子设备U手机端训练出的模型参数是[Nu(t),Nu(t,y)]，则电子设备侧对应的第一贝叶斯模型为：
对两个模型合并，得到最终使用的贝叶斯分类器：
其中λ为增强因子，可根据实际需求调整λ的取值，取任意大于0的实数。
服务器端对贝叶斯模型的训练，以大量训练样本为输入，得到一个算法模型参数。大量训练样本是来自数以万计的用户的数据，样本数量在千万级别(参考表2)。具体训练过程可如下所示：
假设如下的一个贝叶斯分类器，
ymax＝argmaxP(yj|t)＝argmaxP(yj)P(t|yj)
其中t表示时间段，y每一应用程序对应的参数值。比如，可以给每个应用赋予一个唯一的编号比如qq编号为1，微信编号为2，微博编号为3等，以此类推。对于服务器的训练样本的采集，可在智能手机、平板电脑等终端设备上完成，每隔10分钟获取当前终端设备上正在使用的应用信息，并且存储到该终端设备的数据库里，那么对于一个用户一个月的应用使用记录，可提取上万条使用信息样本。
那么服务器上训练过程的伪代码：
记S表示训练样本集合；
记N表说训练样本集合大小；
记N(U)表示用户数量，即训练样本的的数据来源量；
记N(t＝t1)表示t取值为t1出现次数，比如N(t＝49)，表示时段t为49出现次数；
记N(t＝t1,y＝y1)表示t、y取值为t1、y1的次数；
输入：S,N
输出：N(t,y)
对S中每一条样本s：
假设s是(y1,t1)
依次更新
N(t＝t1)＝N(t＝t1)+1
以及更新
N(t＝t1,y＝y1)＝N(t＝t1,y＝y1)+1
参考图4，把服务器上训练出的模型参数(训练算法的输出)导出，之后会以文件形式存在电子设备系统中(出厂内置)，以供电子设备基于服务器上训练出的第二贝叶斯模型，以及电子设备中各应用的实际使用信息训练而成的第一贝叶斯模型，按照预设的权重设定叠加合成贝叶斯混合模型。
208、确定电子设备的后台应用、以及当前时间。
在一些实施例中，可在电子设备的中央处理器占用较大、运行内存资源占用较大和/或电子设备剩余电量不足时，触发应用处理指令。电子设备获取该应用处理指令，然后，根据该应用处理指令确定处于后台运行的后台应用，以便后续对后台应用进行处理。
209、利用贝叶斯混合模型预测在当前时间下对应的参数值，并确定参数值对应的在当前时间下将使用的目标应用。
在一些实施例中，步骤“利用贝叶斯混合模型预测在当前时间下对应的参数值”可以包括以下流程：
确定当前时间所落入的目标采样时段；
将目标采样时段输入第三预设公式中进行计算，得到对应的参数值，第三预设公式为：
其中，[Ns(t),Ns(t,y)]为服务器训练出的模型参数，Ns(t)表示事件t发生的次数，Ns(t,y)表示示事件t和事件y同时发生的次数，[Nu(t),Nu(t,y)]为电子设备训练出的模型参数，NU(t)表示事件t发生的次数，NU(t,y)表示示事件t和事件y同时发生的次数，λ为增强因子，λ>0，y表示满足时的幅角。
具体地，以当前时间为输入，利用第三预设公式，求得取值最大时，即‘Ps(y|t)+λPu(y|t)’的值最大时y对应的取值，即为输出的参数值。需要说明的是y∈(1,2,3…n)，n为正整数。的前提条件是y为正整数，存在一个y的值使得最大，此时y的取值便为输出的参数值。
210、对后台应用中除目标应用外的其他应用进行处理。
在一些实施例中，对应用进行处理的过程，给定当前时间，利用最终得出的贝叶斯混合模型预测出当前时间下对应预测结果，该预测结果即为当前时间下即将使用的目标应用。根据该预测结果从后台应用中区别出可清理和/或不可清理的后台应用。根据当前电子设备的实际情况(剩余电量、CPU占用率、内存占用率等等)，从可清理类中选取相应的后台应用进行清理，以减少应用对电子设备资源的占用。比如，将除目标应用外的所有后台应用都关闭、或关闭出目标应用外预设个数的后台应用、或对后台应用进行关闭直到CPU占用率不高于某阈值等等。
由上可知，本申请实施例提供的应用处理方法，通过获取历史时段内每一采样时间点样本应用的使用信息，根据采样时间点和使用信息生成训练样本，并利用训练样本对预设的贝叶斯模型进行训练，得到训练后的第一贝叶斯模型；将第一贝叶斯模型与第二贝叶斯模型融合，得到贝叶斯混合模型，其中，所述第二贝叶斯模型由服务器利用多个电子设备各自对应的训练样本，对所述预设的贝叶斯模型训练而得到；基于贝叶斯混合模型对电子设备中的后台应用进行处理。该方案结合服务器和电子设备得到最终模型对后台应用进行处理，可充分利用服务器高性能来处理大数据，同时又兼顾到电子设备使用的差异性，可降低电子设备终资源的占用，提升了电子设备的运行流畅度，减少了电子设备的功耗。
在本申请又一实施例中，还提供一种应用处理装置，该应用处理装置可以软件或硬件的形式集成在电子设备中，该电子设备具体可以包括手机、平板电脑、笔记本电脑等设备。如图5所示，该应用处理装置30可以包括获取模块31、生成模块32、训练模块33、合成模块34以及处理模块35，其中：
获取模块31，用于获取历史时段内每一采样时间点样本应用的使用信息；
生成模块32，用于根据采样时间点和使用信息生成训练样本；
训练模块33，用于利用训练样本对预设的贝叶斯模型进行训练，得到训练后的第一贝叶斯模型；
合成模块34，用于将第一贝叶斯模型与第二贝叶斯模型融合，得到贝叶斯混合模型，其中，第二贝叶斯模型由服务器利用多个电子设备各自对应的训练样本，对预设的贝叶斯模型训练而得到
处理模块35，用于基于贝叶斯混合模型对电子设备中的后台应用进行处理。
在一些实施例中，参考图6，生成模块32可以包括：
判断子模块321，用于判断采样时间点对应的使用信息是否满足预设条件；
第一确定子模块322，用于若判断子模块判定为是，则确定采样时间点对应的采样日期类型和采样时段；
生成子模块323，用于根据采样日期类型、采样时段以及采用时间点对应的使用信息生成训练样本。
在一些实施例中，使用信息为样本应用的运行状态的信息，判断子模块321进一步可以用于：
判断运行状态是否为前台运行；
若是，则判定使用信息满足预设条件；
若否，则判定使用信息不满足预设条件。
在一些实施例中，生成子模块323进一步可以用于：
根据使用信息为每一样本应用设置对应的参数值，以得到参数值序列，参数值为正整数；
根据采样日期类型、采样时段、以及参数值成训练样本。
在一些实施例中，采样时段包括(t1，t2…tm)，参数值包括(1，2…y)；参考图7，训练模块33可以包括：
第一输入子模块331，用于将采样时段输入第一预设公式中，得到对应采样时段的概率，第一预设公式为：
其中，N(y)表示事件y出现的次数，N表示样本总数，P(y)表示事件y发生的概率；
第二输入子模块332，用于将特征值和预测值输入第二预设公式中，得到对应特征值和预测值的概率，第二预设公式为：
其中，P(t|y)表示在事件y发生的前提下，事件t发生的概率，N(t,y)表示事件t和事件y同时发生的次数。
在一些实施例中，参考图8，合成模块34可以包括：
加权子模块341，用于对第一贝叶斯模型和第二贝叶斯模型进行加权处理；
叠加子模块342，用于将加权处理后的第一贝叶斯模型与第二贝叶斯模型叠加，以得到贝叶斯混合模型。
在一些实施例中，参考图9，处理模块35可以包括：
获取子模块351，用于获取后台应用处理指令，根据后台应用处理指令确定电子设备的后台应用、以及当前时间；
预测子模块352，用于利用贝叶斯混合模型预测在当前时间下对应的参数值；
第二确定子模块353，用于根据参数值确定对应的在当前时间下将使用的目标应用；
处理子模块354，用于对后台应用中除目标应用外的其他应用进行处理。
在一些实施例中，预测子模块用于：
确定当前时间所落入的目标采样时段；
将目标采样时段输入第三预设公式中进行计算，得到对应的参数值，第三预设公式为：
其中，[Ns(t),Ns(t,y)]为服务器训练出的模型参数，Ns(t)表示事件t发生的次数，Ns(t,y)表示示事件t和事件y同时发生的次数，[Nu(t),Nu(t,y)]为电子设备训练出的模型参数，NU(t)表示事件t发生的次数，NU(t,y)表示示事件t和事件y同时发生的次数，λ为增强因子，λ>0，y表示满足时的幅角。
由上可知，本申请实施例提供的应用处理装置，通过获取历史时段内每一采样时间点样本应用的使用信息，根据采样时间点和使用信息生成训练样本，并利用训练样本对预设的贝叶斯模型进行训练，得到训练后的第一贝叶斯模型；将第一贝叶斯模型与第二贝叶斯模型融合，得到贝叶斯混合模型，其中，第二贝叶斯模型由服务器利用多个电子设备各自对应的训练样本，对预设的贝叶斯模型训练而得到；基于贝叶斯混合模型对电子设备中的后台应用进行处理。该方案可降低电子设备终资源的占用，提升了电子设备的运行流畅度，减少了电子设备的功耗。
在本申请又一实施例中还提供一种电子设备，该电子设备可以是智能手机、平板电脑等设备。如图10所示，电子设备400包括处理器401及存储器402。其中，处理器401与存储器402电性连接。
处理器401是电子设备400的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或加载存储在存储器402内的应用，以及调用存储在存储器402内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。
在本实施例中，电子设备400中的处理器401会按照如下的步骤，将一个或一个以上的应用的进程对应的指令加载到存储器402中，并由处理器401来运行存储在存储器402中的应用，从而实现各种功能：
获取历史时段内每一采样时间点样本应用的使用信息；
根据采样时间点和使用信息生成训练样本；
利用训练样本对预设的贝叶斯模型进行训练，得到训练后的第一贝叶斯模型；
将第一贝叶斯模型与第二贝叶斯模型融合，得到贝叶斯混合模型，其中，第二贝叶斯模型由服务器利用多个电子设备各自对应的训练样本，对预设的贝叶斯模型训练而得到；
基于贝叶斯混合模型对电子设备中的后台应用进行处理。
在一些实施例中，处理器401还可以进一步用于执行以下步骤：
判断采样时间点对应的使用信息是否满足预设条件；
若是，则确定采样时间点对应的采样日期类型和采样时段；
根据采样日期类型、采样时段以及采用时间点对应的使用信息生成训练样本。
在一些实施例中，使用信息为应用的运行状态的信息；处理器401还可以进一步用于执行以下步骤：
判断运行状态是否为前台运行；
若是，则判定使用信息满足预设条件；
若否，则判定使用信息不满足预设条件。
使用信息为应用的运行状态的信息；
在一些实施例中，处理器401还可以进一步用于执行以下步骤：
根据使用信息为每一样本应用设置对应的参数值，以得到参数值序列，参数值为正整数；
根据采样日期类型、采样时段、以及参数值成训练样本。
在一些实施例中，采样时段包括(t1，t2…tm)，参数值包括(1，2…y)；处理器401还可以进一步用于执行以下步骤：
利用训练样本对预设的贝叶斯模型进行训练的步骤，包括：
将采样时段输入第一预设公式中，得到对应采样时段的概率，第一预设公式为：
其中，N(y)表示事件y出现的次数，N表示样本总数，P(y)表示事件y发生的概率；
将特征值和预测值输入第二预设公式中，得到对应特征值和预测值的概率，第二预设公式为：
其中，P(ty)表示在事件y发生的前提下，事件t发生的概率，N(t,y)表示事件t和事件y同时发生的次数。
在一些实施例中，处理器401还可以进一步用于执行以下步骤：
对第一贝叶斯模型和第二贝叶斯模型进行加权处理；
将加权处理后的第一贝叶斯模型与第二贝叶斯模型叠加，以得到贝叶斯混合模型。
在一些实施例中，处理器401还可以进一步用于执行以下步骤：
获取后台应用处理指令，根据后台应用处理指令确定电子设备的后台应用、以及当前时间；
利用贝叶斯混合模型预测在当前时间下对应的参数值；
根据参数值确定对应的在当前时间下将使用的目标应用；
对后台应用中除目标应用外的其他应用进行处理。
在一些实施例中，处理器401还可以进一步用于执行以下步骤：
确定当前时间所落入的目标采样时段；
将目标采样时段输入第三预设公式中进行计算，得到对应的参数值，第三预设公式为：
其中，[Ns(t),Ns(t,y)]为服务器训练出的模型参数，Ns(t)表示事件t发生的次数，Ns(t,y)表示示事件t和事件y同时发生的次数，[Nu(t),Nu(t,y)]为电子设备训练出的模型参数，NU(t)表示事件t发生的次数，NU(t,y)表示示事件t和事件y同时发生的次数，λ为增强因子，λ>0，y表示满足时的幅角。
存储器402可用于存储应用和数据。存储器402存储的应用中包含有可在处理器中执行的指令。应用可以组成各种功能模块。处理器401通过运行存储在存储器402的应用，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11所示，电子设备400还包括：显示屏403、控制电路404、射频电路405、输入单元406、音频电路407、传感器408以及电源409。其中，处理器401分别与显示屏403、控制电路404、射频电路405、输入单元406、音频电路407、传感器408以及电源409电性连接。
显示屏403可用于显示由用户输入的信息或提供给用户的信息以及电子设备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404与显示屏403电性连接，用于控制显示屏403显示信息。
射频电路405用于收发射频信号，以通过无线通信与网络设备或其他电子设备建立无线通讯，与网络设备或其他电子设备之间收发信号。
输入单元406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。其中，输入单元406可以包括指纹识别模组。
音频电路407可通过扬声器、传声器提供用户与电子设备之间的音频接口。
传感器408用于采集外部环境信息。传感器408可以包括环境亮度传感器、加速度传感器、光传感器、运动传感器、以及其他传感器。
电源409用于给电子设备400的各个部件供电。在一些实施例中，电源409可以通过电源管理系统与处理器401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11中未示出，电子设备400还可以包括摄像头、蓝牙模块等，在此不再赘述。
由上可知，本申请实施例提供的电子设备，通过获取历史时段内每一采样时间点样本应用的使用信息，根据采样时间点和使用信息生成训练样本，并利用训练样本对预设的贝叶斯模型进行训练，得到训练后的第一贝叶斯模型；将第一贝叶斯模型与第二贝叶斯模型融合，得到贝叶斯混合模型，其中，第二贝叶斯模型由服务器利用多个电子设备各自对应的训练样本，对预设的贝叶斯模型训练而得到；基于贝叶斯混合模型对电子设备中的后台应用进行处理。该方案结合服务器和电子设备得到最终模型对后台应用进行处理，可充分利用服务器高性能来处理大数据，同时又兼顾到电子设备使用的差异性，可降低电子设备终资源的占用，提升了电子设备的运行流畅度，减少了电子设备的功耗。
在一些实施例中，还提供了一种存储介质，该存储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应用处理方法。
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 OnlyMemory)、随机存取记忆体(RAM，RandomAccessMemory)、磁盘或光盘等。
在描述本申请的概念的过程中使用了术语“一”和“所述”以及类似的词语(尤其是在所附的权利要求书中)，应该将这些术语解释为既涵盖单数又涵盖复数。此外，除非本文中另有说明，否则在本文中叙述数值范围时仅仅是通过快捷方法来指代属于相关范围的每个独立的值，而每个独立的值都并入本说明书中，就像这些值在本文中单独进行了陈述一样。另外，除非本文中另有指明或上下文有明确的相反提示，否则本文中所述的所有方法的步骤都可以按任何适当次序加以执行。本申请的改变并不限于描述的步骤顺序。除非另外主张，否则使用本文中所提供的任何以及所有实例或示例性语言(例如，“例如”)都仅仅为了更好地说明本申请的概念，而并非对本申请的概念的范围加以限制。在不脱离精神和范围的情况下，所属领域的技术人员将易于明白多种修改和适应。
以上对本申请实施例所提供的应用处理方法、装置、存储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方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式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 (18)

1.一种应用处理方法，应用于电子设备，其特征在于，所述方法包括：
获取历史时段内每一采样时间点样本应用的使用信息；
根据所述采样时间点和所述使用信息生成训练样本；
利用所述训练样本对预设的贝叶斯模型进行训练，得到训练后的第一贝叶斯模型；
将第一贝叶斯模型与第二贝叶斯模型融合，得到贝叶斯混合模型，其中，所述第二贝叶斯模型由服务器利用多个电子设备各自对应的训练样本，对所述预设的贝叶斯模型训练而得到；
基于所述贝叶斯混合模型对所述电子设备中的后台应用进行处理。
2.如权利要求1所述的应用处理方法，其特征在于，根据所述采样时间点和所述使用信息生成训练样本的步骤，包括：
判断所述采样时间点对应的使用信息是否满足预设条件；
若是，则确定所述采样时间点对应的采样日期类型和采样时段；
根据所述采样日期类型、采样时段以及所述采用时间点对应的使用信息生成训练样本。
3.如权利要求2所述的应用处理方法，其特征在于，所述使用信息为应用的运行状态的信息；
判断所述采样时间点对应的使用信息是否满足预设条件的步骤，包括：
判断所述运行状态是否为前台运行；
若是，则判定所述使用信息满足预设条件；
若否，则判定所述使用信息不满足预设条件。
4.如权利要求2所述的应用处理方法，其特征在于，根据所述采样日期类型、采样时段以及所述采用时间点对应的使用信息生成训练样本的步骤，包括：
根据所述使用信息为每一样本应用设置对应的参数值，以得到参数值序列，所述参数值为正整数；
根据所述采样日期类型、采样时段、以及所述参数值成训练样本。
5.如权利要求4所述的应用处理方法，其特征在于，所述采样时段包括(t1，t2…tm)，所述参数值包括(1，2…y)；
利用所述训练样本对预设的贝叶斯模型进行训练的步骤，包括：
将所述采样时段输入第一预设公式中，得到对应采样时段的概率，所述第一预设公式为：
其中，N(y)表示事件y出现的次数，N表示样本总数，P(y)表示事件y发生的概率；
将所述特征值和预测值输入第二预设公式中，得到对应特征值和预测值的概率，所述第二预设公式为：
其中，P(t|y)表示在事件y发生的前提下，事件t发生的概率，N(t,y)表示事件t和事件y同时发生的次数。
6.如权利要求5所述的应用处理方法，其特征在于，将第一贝叶斯模型与第二贝叶斯模型融合，得到贝叶斯混合模型的步骤，包括：
对第一贝叶斯模型和第二贝叶斯模型进行加权处理；
将加权处理后的第一贝叶斯模型与第二贝叶斯模型叠加，以得到贝叶斯混合模型。
7.如权利要求6所述的应用处理方法，其特征在于，基于所述贝叶斯混合模型对所述电子设备中的后台应用进行处理的步骤，包括：
获取后台应用处理指令，根据所述后台应用处理指令确定所述电子设备的后台应用、以及当前时间；
利用所述贝叶斯混合模型预测在当前时间下对应的参数值；
根据所述参数值确定对应的在当前时间下将使用的目标应用；
对所述后台应用中除所述目标应用外的其他应用进行处理。
8.如权利要求7所述的应用处理方法，其特征在于，利用所述贝叶斯混合模型预测在当前时间下对应的参数值的步骤，包括：
确定当前时间所落入的目标采样时段；
将所述目标采样时段输入第三预设公式中进行计算，得到对应的参数值，所述第三预设公式为：
其中，[Ns(t),Ns(t,y)]为服务器训练出的模型参数，Ns(t)表示事件t发生的次数，Ns(t,y)表示示事件t和事件y同时发生的次数，[Nu(t),Nu(t,y)]为电子设备训练出的模型参数，NU(t)表示事件t发生的次数，NU(t,y)表示示事件t和事件y同时发生的次数，λ为增强因子，λ>0，y表示满足时的幅角。
9.一种应用处理装置，其特征在于，所述装置包括：
获取模块，用于获取历史时段内每一采样时间点样本应用的使用信息；
生成模块，用于根据所述采样时间点和所述使用信息生成训练样本；
训练模块，用于利用所述训练样本对预设的贝叶斯模型进行训练，得到训练后的第一贝叶斯模型；
合成模块，用于将第一贝叶斯模型与第二贝叶斯模型融合，得到贝叶斯混合模型，其中，所述第二贝叶斯模型由服务器利用多个电子设备各自对应的训练样本，对所述预设的贝叶斯模型训练而得到
处理模块，用于基于所述贝叶斯混合模型对所述电子设备中的后台应用进行处理。
10.如权利要求9所述的应用处理装置，其特征在于，所述生成模块包括：
判断子模块，用于判断所述采样时间点对应的使用信息是否满足预设条件；
第一确定子模块，用于若判断子模块判定为是，则确定所述采样时间点对应的采样日期类型和采样时段；
生成子模块，用于根据所述采样日期类型、采样时段以及所述采用时间点对应的使用信息生成训练样本。
11.如权利要求10所述的应用处理装置，其特征在于，所述使用信息为样本应用的运行状态的信息；所述判断子模块用于：
判断所述运行状态是否为前台运行；
若是，则判定所述使用信息满足预设条件；
若否，则判定所述使用信息不满足预设条件。
12.如权利要求10所述的应用处理装置，其特征在于，所述生成子模块用于：
根据所述使用信息为每一样本应用设置对应的参数值，以得到参数值序列，所述参数值为正整数；
根据所述采样日期类型、采样时段、以及所述参数值成训练样本。
13.如权利要求12所述的应用处理装置，其特征在于，所述采样时段包括(t1，t2…tm)，所述参数值包括(1，2…y)；所述训练模块包括：
第一输入子模块，用于将所述采样时段输入第一预设公式中，得到对应采样时段的概率，所述第一预设公式为：
其中，N(y)表示事件y出现的次数，N表示样本总数，P(y)表示事件y发生的概率；
第二输入子模块，用于将所述特征值和预测值输入第二预设公式中，得到对应特征值和预测值的概率，所述第二预设公式为：
其中，P(t|y)表示在事件y发生的前提下，事件t发生的概率，N(t,y)表示事件t和事件y同时发生的次数。
14.如权利要求13所述的应用处理装置，其特征在于，所述合成模块包括：
加权子模块，用于对第一贝叶斯模型和第二贝叶斯模型进行加权处理；
叠加子模块，用于将加权处理后的第一贝叶斯模型与第二贝叶斯模型叠加，以得到贝叶斯混合模型。
15.如权利要求14所述的应用处理装置，其特征在于，所述处理模块包括：
获取子模块，用于获取后台应用处理指令，根据所述后台应用处理指令确定所述电子设备的后台应用、以及当前时间；
预测子模块，用于利用所述贝叶斯混合模型预测在当前时间下对应的参数值；
第二确定子模块，用于根据所述参数值确定对应的在当前时间下将使用的目标应用；
处理子模块，用于对所述后台应用中除所述目标应用外的其他应用进行处理。
16.如权利要求15所述的应用处理装置，其特征在于，所述预测子模块包括：
确定当前时间所落入的目标采样时段；
将所述目标采样时段输入第三预设公式中进行计算，得到对应的参数值，所述第三预设公式为：
其中，[Ns(t),Ns(t,y)]为服务器训练出的模型参数，Ns(t)表示事件t发生的次数，Ns(t,y)表示示事件t和事件y同时发生的次数，[Nu(t),Nu(t,y)]为电子设备训练出的模型参数，NU(t)表示事件t发生的次数，NU(t,y)表示示事件t和事件y同时发生的次数，λ为增强因子，λ>0，y表示满足时的幅角。
17.一种存储介质，其特征在于，所述存储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1-8中任一项所述的应用处理方法。
18.一种电子设备，其特征在于，包括处理器及存储器，所述处理器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1-8中任一项所述的应用处理方法。
CN201710940531.2A 2017-09-30 2017-09-30 应用处理方法、装置、存储介质及电子设备 Active CN107678858B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710940531.2A CN107678858B (zh) 2017-09-30 2017-09-30 应用处理方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710940531.2A CN107678858B (zh) 2017-09-30 2017-09-30 应用处理方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN107678858A true CN107678858A (zh) 2018-02-09
CN107678858B CN107678858B (zh) 2019-08-23

Family

ID=61140235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710940531.2A Active CN107678858B (zh) 2017-09-30 2017-09-30 应用处理方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN107678858B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109240827A (zh) * 2018-08-20 2019-01-18 东软集团股份有限公司 应用的资源占用情况的确定方法、装置、存储介质和设备
WO2019062404A1 (zh) * 2017-09-30 2019-04-04 Oppo广东移动通信有限公司 应用程序的处理方法、装置、存储介质及电子设备
CN109871861A (zh) * 2018-12-27 2019-06-11 航天信息股份有限公司 一种用于为目标数据提供编码的系统及方法
CN111241159A (zh) * 2020-01-08 2020-06-05 山东汇贸电子口岸有限公司 确定任务执行时间的方法及装置
CN111249738A (zh) * 2020-02-27 2020-06-09 网易（杭州）网络有限公司 游戏中人工智能模型的训练方法、装置、系统及服务器
WO2020154902A1 (zh) * 2019-01-29 2020-08-06 深圳市欢太科技有限公司 应用处理方法、装置、存储介质、服务器及电子设备
CN112256354A (zh) * 2020-11-25 2021-01-22 Oppo（重庆）智能科技有限公司 应用启动方法、装置、存储介质及电子设备
CN112799911A (zh) * 2021-01-27 2021-05-14 苏州浪潮智能科技有限公司 一种节点健康状态检测方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521041A (zh) * 2011-12-14 2012-06-27 华为终端有限公司 一种处理应用程序的方法及无线手持设备
CN107103000A (zh) * 2016-02-23 2017-08-29 广州启法信息科技有限公司 一种基于关联规则与贝叶斯网络集成的推荐技术
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521041A (zh) * 2011-12-14 2012-06-27 华为终端有限公司 一种处理应用程序的方法及无线手持设备
CN107103000A (zh) * 2016-02-23 2017-08-29 广州启法信息科技有限公司 一种基于关联规则与贝叶斯网络集成的推荐技术
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 (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019062404A1 (zh) * 2017-09-30 2019-04-04 Oppo广东移动通信有限公司 应用程序的处理方法、装置、存储介质及电子设备
CN109240827B (zh) * 2018-08-20 2021-01-15 东软集团股份有限公司 应用的资源占用情况的确定方法、装置、存储介质和设备
CN109240827A (zh) * 2018-08-20 2019-01-18 东软集团股份有限公司 应用的资源占用情况的确定方法、装置、存储介质和设备
CN109871861A (zh) * 2018-12-27 2019-06-11 航天信息股份有限公司 一种用于为目标数据提供编码的系统及方法
CN109871861B (zh) * 2018-12-27 2023-05-23 航天信息股份有限公司 一种用于为目标数据提供编码的系统及方法
WO2020154902A1 (zh) * 2019-01-29 2020-08-06 深圳市欢太科技有限公司 应用处理方法、装置、存储介质、服务器及电子设备
CN111241159A (zh) * 2020-01-08 2020-06-05 山东汇贸电子口岸有限公司 确定任务执行时间的方法及装置
CN111241159B (zh) * 2020-01-08 2023-07-07 山东汇贸电子口岸有限公司 确定任务执行时间的方法及装置
CN111249738B (zh) * 2020-02-27 2023-04-11 网易（杭州）网络有限公司 游戏中人工智能模型的训练方法、装置、系统及服务器
CN111249738A (zh) * 2020-02-27 2020-06-09 网易（杭州）网络有限公司 游戏中人工智能模型的训练方法、装置、系统及服务器
CN112256354A (zh) * 2020-11-25 2021-01-22 Oppo（重庆）智能科技有限公司 应用启动方法、装置、存储介质及电子设备
CN112256354B (zh) * 2020-11-25 2023-05-16 Oppo（重庆）智能科技有限公司 应用启动方法、装置、存储介质及电子设备
CN112799911A (zh) * 2021-01-27 2021-05-14 苏州浪潮智能科技有限公司 一种节点健康状态检测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN107678858B (zh) 2019-08-23

Similar Documents

Publication Publication Date Title
CN107678858A (zh) 应用处理方法、装置、存储介质及电子设备
Ye et al. EdgeFed: Optimized federated learning based on edge computing
CN107249074A (zh) 应用程序快速启动方法、移动终端及计算机可读存储介质
CN107273011A (zh) 应用程序快速切换方法及移动终端
CN107632697B (zh) 应用程序的处理方法、装置、存储介质及电子设备
CN104246748B (zh) 用于确定情境的系统和方法
CN107577522A (zh) 应用控制方法、装置、存储介质以及电子设备
CN104239535A (zh) 一种为文字配图的方法、服务器、终端及系统
CN107292342A (zh) 数据处理方法及相关产品
CN109902296A (zh) 自然语言处理方法、训练方法及数据处理设备
CN105447583A (zh) 一种预测用户离网的方法及装置
CN111125519B (zh) 用户行为预测方法、装置、电子设备以及存储介质
CN107729081A (zh) 应用管理方法、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
CN107402808A (zh) 进程管理方法、装置、存储介质及电子设备
CN109062468A (zh) 分屏显示方法、装置、存储介质和电子设备
CN108898428A (zh) 一种终端用户活跃指标的确定方法、服务器和存储介质
CN111432347A (zh) 信息处理方法、装置、存储介质及电子设备
CN111913620A (zh) 通知类消息展示方法、装置、存储介质及移动终端
CN107402804A (zh) 后台进程管控方法、装置、存储介质及电子设备
CN108763478A (zh) 用户隐性特征计算方法、服务器及计算机可读存储介质
CN107169555A (zh) 一种闸机提示方法、装置、存储介质和终端
CN107728772A (zh) 应用程序的处理方法、装置、存储介质及电子设备
CN110445937A (zh) 事件提醒方法及相关产品
CN107832848A (zh) 应用管理方法、装置、存储介质及电子设备

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

Address after: 523860 No. 18, Wu Sha Beach Road, Changan Town, Dongguan, Guangdong

Applicant after: OPPO Guangdong Mobile Communications Co., Ltd.

Address before: 523860 No. 18, Wu Sha Beach Road, Changan Town, Dongguan, Guangdong

Applicant before: Guangdong OPPO Mobile Communications Co., Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant