CN107704364A - 后台应用程序管控方法、装置、存储介质及电子设备 - Google Patents
后台应用程序管控方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN107704364A CN107704364A CN201710922671.7A CN201710922671A CN107704364A CN 107704364 A CN107704364 A CN 107704364A CN 201710922671 A CN201710922671 A CN 201710922671A CN 107704364 A CN107704364 A CN 107704364A
- Authority
- CN
- China
- Prior art keywords
- background application
- msub
- mrow
- default
- reference model
- 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
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
- G06F11/3452—Performance evaluation by statistical analysis
-
- 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
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5022—Mechanisms to release resources
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)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种后台应用程序管控方法、装置、存储介质及电子设备，所述方法包括：获取预设后台应用程序在预设时间段内的多个连续使用状态，并将获取的多个连续使用状态形成第一二值向量；获取参考模型，并将第一二值向量作为训练数据输入参考模型进行训练，得到训练后的参考模型的优化参数；获取预设后台应用程序对应当前时间的多个连续使用状态，并将对应当前时时间的多个连续使用状态形成第二二值向量，根据参考模型、优化参数以及第二二值向量进行预测，生成预测结果，并根据预测结果对预设后台应用程序进行管控。可以提高对预设后台应用程序进行预测的准确性，从而提升对进入后台的应用程序进行管控的准确性。
Description
技术领域
本申请属于通信技术领域，尤其涉及一种后台应用程序管控方法、装置、存储介质及电子设备。
背景技术
随着电子技术的发展，人们通常在电子设备上安装很多应用程序。当用户在电子设备中打开多个应用程序时，若用户退回电子设备的桌面或者停留在某一应用程序的应用界面或者管控电子设备屏幕，则用户打开的多个应用程序依然会在电子设备的后台运行。然而处于后台的很多应用程序用户一段时间内并不会使用，但是这些后台运行的应用程序会严重地占用电子设备的内存，并且导致电子设备的耗电速度加快。
因此，清理后台应用程序是一种常用且有效的减少内存占用、降低功耗的方法。但后台应用程序不能随意清理，若接下来即将使用该后台应用程序，但却被清理，则需要重新启动，启动时间长，功耗也相应增加。因此，需要准确判别后台应用程序是否可清理具有重要意义。传统判断后台应用程序可清理的方法为基于统计的方法，比如保留最常用的应用，清理不常用的应用。但是该清理方法存在预测精度不够的问题。
发明内容
本申请提供一种后台应用程序管控方法、装置、存储介质及电子设备，能够提升对应用程序进行管控的准确性。
第一方面，本申请实施例提供一种后台应用程序管控方法，应用于电子设备，包括步骤：
获取预设后台应用程序在预设时间段内的多个连续使用状态，并将获取的多个连续所述使用状态形成第一二值向量；
获取参考模型，并将所述第一二值向量作为训练数据输入所述参考模型进行训练，得到训练后的所述参考模型的优化参数；
获取所述预设后台应用程序对应当前时间的多个连续使用状态，并将对应当前时时间的多个连续所述使用状态形成第二二值向量，根据所述参考模型、所述优化参数以及所述第二二值向量进行预测，生成预测结果，并根据所述预测结果对所述预设后台应用程序进行管控。
第二方面，本申请实施例提供一种后台应用程序管控装置，应用于电子设备，包括：
获取单元，用于获取预设后台应用程序在预设时间段内的多个连续使用状态，并将获取的多个连续所述使用状态形成第一二值向量；
训练单元，用于获取参考模型，并将所述第一二值向量作为训练数据输入所述参考模型进行训练，得到训练后的所述参考模型的优化参数；
管控单元，用于获取所述预设后台应用程序对应当前时间的多个连续使用状态，并将对应当前时时间的多个连续所述使用状态形成第二二值向量，根据所述参考模型、所述优化参数以及所述第二二值向量进行预测，生成预测结果，并根据所述预测结果对所述预设后台应用程序进行管控。
第三方面，本申请实施例提供一种存储介质，其上存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述的后台应用程序管控方法。
第四方面，本申请实施例提供一种电子设备，包括处理器和存储器，所述存储器有计算机程序，所述处理器通过调用所述计算机程序，用于执行上述的后台应用程序管控方法。
本申请实施例提供的后台应用程序管控方法、装置、存储介质及电子设备，通过获取预设后台应用程序在预设时间段内的多个连续使用状态，并将获取的多个连续所述使用状态形成第一二值向量；将第一二值向量作为训练数据输入参考模型进行训练，得到训练后的参考模型的优化参数；将对应当前时时间的多个连续使用状态形成第二二值向量，根据参考模型、优化参数以及第二二值向量进行预测，生成预测结果，并根据预测结果对所述预设后台应用程序进行管控。可以提高对预设后台应用程序进行预测的准确性，从而提升对进入后台的应用程序进行管控的准确性。
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后台应用程序管控装置的系统示意图；
图2为本申请实施例提供的后台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后台应用程序管控方法的流程示意图；
图4为本申请实施例提供的后台应用程序管控方法的另一流程示意图；
图5为本申请实施例提供的后台应用程序管控装置的结构示意图；
图6为本申请实施例提供的后台应用程序管控装置的另一结构示意图；
图7为本申请实施例提供的后台应用程序管控装置的另一应用场景示意图；
图8为本申请实施例提供的后台应用程序管控装置的又一结构示意图；
图9为本申请实施例提供的电子设备的结构示意图；
图10为本申请实施例提供的电子设备的另一结构示意图。
具体实施方式
请参照图式，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例示的本申请具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。
在以下的说明中，本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本申请原理以上述文字来说明，其并不代表为一种限制，本领域测试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。
本文所使用的术语“模块”可看做为在该运算系统上执行的软件对象。本文所述的不同组件、模块、引擎及服务可看做为在该运算系统上的实施对象。而本文所述的装置及方法可以以软件的方式进行实施，当然也可在硬件上进行实施，均在本申请保护范围之内。
本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是某些实施例还包括没有列出的步骤或模块，或某些实施例还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
请参阅图1，图1为本申请实施例提供的后台应用程序管控装置的系统示意图。该后台应用程序管控装置主要用于：获取预设后台应用程序在预设时间段内的多个连续使用状态，并将获取的多个连续使用状态形成第一二值向量；获取参考模型，并将第一二值向量作为训练数据输入参考模型进行训练，得到训练后的参考模型的优化参数；获取预设后台应用程序对应当前时间的多个连续使用状态，并将对应当前时时间的多个连续使用状态形成第二二值向量，根据参考模型、优化参数以及第二二值向量进行预测，生成预测结果，然后根据该预测结果判断该预设后台应用程序是否需要被使用，以对预设后台应用程序进行管控，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后台应用程序管控装置的应用场景示意图。比如，后台应用程序管控装置在接收到管控请求时，检测到在电子设备的后台运行的应用程序包括预设后台应用程序a、预设后台应用程序b以及预设后台应用程序c；然后分别获取预设后台应用程序a对应的参考模型A、预设后台应用程序b对应的参考模型B以及预设后台应用程序c对应的参考模型C；通过参考模型A对预设后台应用程序a是否需要被使用的概率进行预测，得到概率a’，通过参考模型B对预设后台应用程序b是否需要被使用的概率进行预测，得到概率b’，参考模型C对预设后台应用程序c是否需要被使用的概率进行预测，得到概率c’；根据概率a’、概率b’以及概率c’对后台运行的预设后台应用程序a、预设后台应用程序b以及预设后台应用程序c进行管控，例如将概率最低的预设后台应用程序b关闭。
本申请实施例提供一种后台应用程序管控方法，该后台应用程序管控方法的执行主体可以是本申请实施例提供的后台应用程序管控装置，或者集成了该后台应用程序管控装置的电子设备，其中该后台应用程序管控装置可以采用硬件或者软件的方式实现。
本申请实施例将从后台应用程序管控装置的角度进行描述，该后台应用程序管控装置具体可以集成在电子设备中。该后台应用程序管控方法包括：获取预设后台应用程序在预设时间段内的多个连续使用状态，并将获取的多个连续使用状态形成第一二值向量；获取参考模型，并将第一二值向量作为训练数据输入参考模型进行训练，得到训练后的参考模型的优化参数；获取预设后台应用程序对应当前时间的多个连续使用状态，并将对应当前时时间的多个连续使用状态形成第二二值向量，根据参考模型、优化参数以及第二二值向量进行预测，生成预测结果，并根据预测结果对预设后台应用程序进行管控。
请参阅图3，图3为本申请实施例提供的后台应用程序管控方法的流程示意图。本申请实施例提供的后台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101，获取预设后台应用程序在预设时间段内的多个连续使用状态，并将获取的多个连续使用状态形成第一二值向量。
具体的，预设时间段可以根据使用周期来设置，如早上8点到12点，晚上6点到10点，也可以为周一至周五，周六至周日。预设时间段可以为几个小时或几天，甚至更长的时间。然后在该预设时间段内获取预设后台应用程序的多个连续使用状态，使用状态为该预设后台应用程序是否在使用，如果在使用则记录为1，没有使用则记录为0。并且使用状态为连续的，如一个小时内，每隔5分钟记录一次使用状态，则可以获取12-13个连续使用状态，使用状态的判断标准可以为，5分钟内只要被用户调用一次即可认为在使用。当然间隔时间可以设置为其他值，如10分钟、3分钟等。预设后台应用程序可以为网页浏览的应用程序、视频播放的应用程序、新闻浏览的应用程序等。
第一二值向量的数据为二进制数据的集合，如{0,1，1,0,0,0,1}，其中的数据0标示该时间段内预设后台应用程序未被调用，数据1标示该时间段内预设后台应用程序至少被调用1次。
步骤102，获取参考模型，并将第一二值向量作为训练数据输入参考模型进行训练，得到训练后的参考模型的优化参数。
其中，参考模型可以为循环神经网络模型。当然参考模型可以为混合神经网络模型、高斯混合模型或卷积神经网络模型等。
循环神经网络模型包括网络子单元和分类器。具体的，将第一二值向量作为训练数据输入网络子单元得到中间值；将中间值输入分类器得到对应多个预测结果的概率；根据多个预测结果和与其对应的多个概率得到损失值；根据损失值进行训练，得到优化参数。
其中网络子单元具体包括输入层、隐层和输出层。将第一二值向量作为训练数据输入网络子单元的输入层，输入层将第一二值向量输入隐层，隐层将第一二值向量循环计算得到中间值，再将中间值通过输出层输出。
在一些实施方式中，可以基于第一预设公式将中间值输入分类器得到对应多个预测结果的概率，其中第一预设公式为：
其中，ZK为目标中间值，C为预测结果的类别数，Zj为第j个中间值。目标中间值为第k个的中间值。预测结果可以根据需要设置，如后台应用程序的预测结果包括清理和不清理两类，则预测结果的类别数C为2。
在一些实施方式中，损失值可以基于第四预设公式根据多个预测结果和与其对应的多个概率得到损失值，其中第四预设公式为：
其中C为预测结果的类别数，yk为真实值，真实值可以为0或1，为第一预设公式的结果。
在一些实施方式中，可以基于第二预设公式根据多个预测结果和与其对应的多个概率得到损失值，其中第二预设公式为：
其中C为预测结果的类别数，yk为真实值，真实值可以为0或1，为第一预设公式的结果。E为求平均值，可以获取多个第四预设公式获取的损失值，然后求平均值获取平均后的损失值，数据更准确。
需要说明的是，获取损失值除了上述方法外，还可以根据交叉熵等方式获取。
在一些实施方式中，可以根据损失值利用随机梯度下降法进行训练。还可以根据批量梯度下降法或梯度下降法进行训练。
利用随机梯度下降法进行训练，可以当损失值等于或小于预设损失值时，则完成训练。也可以当连续获取的两个或多个损失值没有变化时，则完成训练。当然还可以不根据损失值，直接设定随机梯度下降法的迭代次数，迭代次数完成后，则完成训练。训练完成后，获取此时的参考模型的各个参数，并将该各个参数保存为优化参数，后续需要预测时，使用该优化参数进行预测。
其中随机梯度下降法可以采用小批量的方式训练得到最优参数。如批量大小为128。
步骤103，获取预设后台应用程序对应当前时间的多个连续使用状态，并将对应当前时时间的多个连续使用状态形成第二二值向量，根据参考模型、优化参数以及第二二值向量进行预测，生成预测结果，并根据预测结果对预设后台应用程序进行管控。
若需要判断预设后台应用程序是否可清理，首先获取该预设后台应用程序对应当前时间的多个连续使用状态，因为是后台应用程序，所以目标后台应用程序当前在后台中，当前没有被调用，获取当前时间的前几个时间段的使用状态，如以当前时刻为基准，往前每隔5分钟为一个时间段，获取前面5个连续时间段的使用状态，然后将这5个使用状态形成一个二值向量，然后输入参考模块，参考模型结合之前训练得到的优化参数，根据这个二值向量进行预测，然后生成预测结果，最后根据预测结果管控该目标后台应用程序，如关闭或保持该目标后台应用程序。
需要说明的是，参考模型的训练过程可以在服务器端也可以在电子设备端完成。当参考模型的训练过程、实际预测过程都在服务器端完成时，需要使用优化后的参考模型时，可以将预设后台应用程序当前时间前的多个时间段的使用状态输入到服务器，服务器实际预测完成后，将预测结果发送至电子设备端，电子设备再根据预测结果管控该预设后台应用程序。
当参考模型的训练过程、实际预测过程都在电子设备端完成时，需要使用优化后的参考模型时，可以将预设后台应用程序当前时间前的多个时间段的使用状态输入到电子设备，电子设备实际预测完成后，电子设备根据预测结果管控该预设后台应用程序。
当参考模型的训练过程在服务器端完成，参考模型的实际预测过程在电子设备端完成时，需要使用优化后的参考模型时，可以将预设后台应用程序当前时间前的多个时间段的使用状态输入到电子设备，电子设备实际预测完成后，电子设备根据预测结果管控该预设后台应用程序。可选的，可以将训练好的参考模型文件(model文件)移植到智能设备上，若需要判断当前后台应用是否可清理，则获取预设后台应用程序当前时间前的多个时间段的使用状态，输入到训练好的参考模型文件(model文件)，计算即可得到预测值。
上述所有的技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
由上述可知，本申请实施例的后台应用程序管控方法，应用于电子设备，通过获取预设后台应用程序在预设时间段内的多个连续使用状态，并将多个连续使用状态形成第一二值向量；再将该第一二值向量作为训练数据输入参考模型进行训练，得到训练后的参考模型的优化参数；接着获取预设后台应用程序对应当前时间的多个连续使用状态，并将对应当前时时间的多个连续使用状态形成第二二值向量，最后根据参考模型、所优化参数以及第二二值向量进行预测，生成预测结果，并根据预测结果对预设后台应用程序进行管控。可以提高对进入后台的预设后台应用程序是否还需要使用的概率进行预测的准确性，从而提升对进入后台的预测应用程序进行管控的智能化和准确性，减少内存占用。
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另一流程示意图。本申请实施例以后台应用程序管控装置集成在电子设备为例，描述本申请实施例的应用程序管控方法的具体实施步骤。其中，图4中的步骤203、步骤204及步骤205分别与图1中的步骤101、步骤102及步骤103相同，在此不再赘述。
步骤201，在预设统计周期内，根据后台应用程序的运行数据对多个后台应用程序进行评分。
其中，预设统计周期可以为一个或多个小时，一天或多天，为了获取更准确的预测结果，训练数据越多越好。
可以基于第三预设公式根据后台应用程序的运行数据对多个后台应用程序进行评分，其中第三预设公式为：
其中memoryi为内存占用比，couteri为总使用次数，ti为总使用时间，seqi为预设后台应用程序的最近使用次序，Group为分组系数，Gf为下沉因子，Tf为时间弱化因子。memoryi的取值在0-1之间。seqi为预设后台应用程序的最近使用次序，例如当前使用的应用的次序值等于0，上一个使用的应用次序值为1，再之前使用的一个应用为2，依次类推。Group为分组系数，Group大于等于1，小于等于10，因为每个后台应用程序不同，用户也不同，选取的分组系数也不同。例如，可以预先计算每个后台应用程序不同分组系数的预测结果，当某个分组系数的预测结果更准确时，则采用该分组系数。Gf为下沉因子，Gf大于1，小于等于3，使用下沉因子后，增大了分母，进而减小了评分值，减小了seqi对评分的影响。Tf为时间弱化因子，Tf大于等于0，小于等于1，使用时间弱化因子后，减小了分子，进而减小了评分值，减小了ti对评分的影响。防止一个参数的权重太大，对评分有过重的影响，使各个数据之间的权重更合理。
步骤202，将评分超过预设评分阈值的后台应用程序设为预设后台应用程序。
可以预先设置一个预设评分阈值，如根据评分的最高分的百分比来设置，如预设评分阈值为评分的最高分的80％。也可以电子设备使用后，根据当前电子设备的使用情况，设定新的预设评分阈值替换之前的预设评分阈值，也可以通过网络统计一个平均值或典型值。
也可以将多个后台应用程序按照评分从高到低排列形成列表，将列表前几名的后台应用程序，如前5名，设置为预设后台应用程序。也可以将列表的某个排名的后台应用程序的评分设为预设评分阈值，如排名第6的后台应用程序的评分设为预设评分阈值。也可以不同条件下获取多个列表，然后取平均值。如每次都是取第6名的后台应用程序的评分，然后求平均值得到预设评分阈值。当然，使用一段时间后或经重新获取指令可以重新获取预设评分阈值。
考虑到时间序列分析是针对单个应用程序进行的，分析电子设备所有的应用程序数据量太大，实用性不强，因此我们要根据使用习惯选取排名较高的多个应用程序，并且清理这几个应用程序确实能大大释放内存。
本申请实施例的后台应用程序管控方法，应用于电子设备，首先选取部分后台应用程序为预设后台应用程序，然后通过获取预设后台应用程序在预设时间段内的多个连续使用状态，并将多个连续使用状态形成第一二值向量；再将该第一二值向量作为训练数据输入参考模型进行训练，得到训练后的参考模型的优化参数；接着获取预设后台应用程序对应当前时间的多个连续使用状态，并将对应当前时时间的多个连续使用状态形成第二二值向量，最后根据参考模型、所优化参数以及第二二值向量进行预测，生成预测结果，并根据预测结果对预设后台应用程序进行管控。可以提高对进入后台的预设后台应用程序是否还需要使用的概率进行预测的准确性，从而提升对进入后台的预测应用程序进行管控的智能化和准确性，减少内存占用。
为便于更好地实施本申请实施例提供的应用程序管控方法，本申请实施例还提供一种后台应用程序管控装置。其中名词的含义与上述应用程序管控方法相同，具体实现细节可以参考方法实施例中的说明。
请参阅图5，图5为本申请实施例提供的后台应用程序管控装置的结构示意图。其中该后台应用程序管控装置300应用于电子设备，该后台应用程序管控装置300包括获取单元301、训练单元302和管控单元303，其中：
获取单元301，用于获取预设后台应用程序在预设时间段内的多个连续使用状态，并将获取的多个连续使用状态形成第一二值向量。
具体的，预设时间段可以根据使用周期来设置，如早上8点到12点，晚上6点到10点，也可以为周一至周五，周六至周日。预设时间段可以为几个小时或几天，甚至更长的时间。然后在该预设时间段内获取预设后台应用程序的多个连续使用状态，使用状态为该预设后台应用程序是否在使用，如果在使用则记录为1，没有使用则记录为0。并且使用状态为连续的，如一个小时内，每隔5分钟记录一次使用状态，则可以获取12-13个连续使用状态，使用状态的判断标准可以为，5分钟内只要被用户调用一次即可认为在使用。当然间隔时间可以设置为其他值，如10分钟、3分钟等。预设后台应用程序可以为网页浏览的应用、视频播放的应用、新闻浏览的应用等。
第一二值向量的数据为二进制数据的集合，如{0,1，1,0,0,0,1}，其中的数据0标示该时间段内预设后台应用程序未被调用，数据1标示该时间段内预设后台应用程序至少被调用1次。
训练单元302，用于获取参考模型，并将第一二值向量作为训练数据输入参考模型进行训练，得到训练后的参考模型的优化参数。
其中，参考模型可以为循环神经网络模型。当然参考模型可以为混合神经网络模型、高斯混合模型或卷积神经网络模型等。
请一并参阅图6，图6为本申请实施例提供的后台应用程序管控装置的另一结构示意图。其中循环神经网络模型包括网络子单元3021、分类器3022、损失值计算器3023和优化子单元3024。其中：
网络子单元3021，用于将第一二值向量作为训练数据输入网络子单元得到中间值。
网络子单元3021具体包括输入层、隐层和输出层。将第一二值向量作为训练数据输入网络子单元的输入层，输入层将第一二值向量输入隐层，隐层将第一二值向量循环计算得到中间值，将中间值通过输出层输出。
分类器3022，用于将中间值输入分类器得到对应多个预测结果的概率。
在一些实施方式中，分类器3022可以基于第一预设公式将中间值输入分类器得到对应多个预测结果的概率，其中第一预设公式为：
其中，ZK为目标中间值，C为预测结果的类别数，真实值可以为0或1，Zj为第j个中间值。目标中间值为第k个的中间值。预测结果根据需要设置，如后台应用程序的预测结果包括清理和不清理两类，则预测结果的类别数C为2。
损失值计算器3023，用于根据多个预测结果和与其对应的多个概率得到损失值。
在一些实施方式中，损失值计算器3023可以基于第四预设公式根据多个预测结果和与其对应的多个概率得到损失值，其中第四预设公式为：
其中C为预测结果的类别数，yk为真实值，真实值可以为0或1，为第一预设公式的结果。
在一些实施方式中，损失值计算器3023可以基于第二预设公式根据多个预测结果和与其对应的多个概率得到损失值，其中第二预设公式为：
其中C为预测结果的类别数，yk为真实值，为第一预设公式的结果。E为求平均值，可以获取多个第四预设公式获取的损失值，然后求平均值获取平均后的损失值，数据更准确。
需要说明的是，获取损失值除了上述方法外，还可以根据交叉熵等方式获取。
优化子单元3024，用于根据损失值进行训练，得到优化参数。
在一些实施方式中，优化子单元3024可以根据损失值利用随机梯度下降法进行训练。还可以根据批量梯度下降法或梯度下降法进行训练。
利用随机梯度下降法进行训练，可以当损失值等于或小于预设损失值时，则完成训练。也可以当连续获取的两个或多个损失值没有变化时，则完成训练。当然还可以不根据损失值，直接设定随机梯度下降法的迭代次数，迭代次数完成后，则完成训练。训练完成后，获取此时的参考模型的各个参数，并将该各个参数保存为优化参数，后续需要预测时，使用该优化参数进行预测。
其中随机梯度下降法可以采用小批量的方式训练得到最优参数。如批量大小为128。
管控单元303，用于获取预设后台应用程序对应当前时间的多个连续使用状态，并将对应当前时时间的多个连续使用状态形成第二二值向量，根据参考模型、优化参数以及第二二值向量进行预测，生成预测结果，并根据预测结果对预设后台应用程序进行管控。
若需要判断目标后台应用程序是否可清理，首先获取该预设后台应用程序对应当前时间的多个连续使用状态，因为是后台应用程序，所以目标后台应用程序当前在后台中，当前没有被调用，获取当前时间的前几个时间段的使用状态，如以当前时刻为基准，往前每隔5分钟为一个时间段，获取前面5个连续时间段的使用状态，然后将这5个使用状态形成一个二值向量，然后输入参考模块，参考模型结合之前训练得到的优化参数，根据这个二值向量进行预测，然后生成预测结果，最后根据预测结果管控该目标后台应用程序，如关闭或保持该目标后台应用程序。
需要说明的是，参考模型的训练过程可以在服务器端也可以在电子设备端完成。当参考模型的训练过程、实际预测过程都在服务器端完成时，需要使用优化后的参考模型时，可以将预设后台应用程序当前时间前的多个时间段的使用状态输入到服务器，服务器实际预测完成后，将预测结果发送至电子设备端，电子设备再根据预测结果管控该预设后台应用程序。
当参考模型的训练过程、实际预测过程都在电子设备端完成时，需要使用优化后的参考模型时，可以将预设后台应用程序当前时间前的多个时间段的使用状态输入到电子设备，电子设备实际预测完成后，电子设备根据预测结果管控该预设后台应用程序。
请参阅图7，图7为本申请实施例提供的后台应用程序管控装置的另一应用场景示意图。当参考模型的训练过程在服务器端完成，参考模型的实际预测过程在电子设备端完成时，需要使用优化后的参考模型时，可以将预设后台应用程序当前时间前的多个时间段的使用状态输入到电子设备，电子设备实际预测完成后，电子设备根据预测结果管控该预设后台应用程序。可选的，可以将训练好的参考模型文件(model文件)移植到智能设备上，若需要判断当前后台应用是否可清理，预设后台应用程序当前时间前的多个时间段的使用状态，输入到训练好的参考模型文件(model文件)，计算即可得到预测值。
上述所有的技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
由上述可知，本申请实施例的后台应用程序管控装置，应用于电子设备，通过获取预设后台应用程序在预设时间段内的多个连续使用状态，并将多个连续使用状态形成第一二值向量；再将该第一二值向量作为训练数据输入参考模型进行训练，得到训练后的参考模型的优化参数；接着获取预设后台应用程序对应当前时间的多个连续使用状态，并将对应当前时时间的多个连续使用状态形成第二二值向量，最后根据参考模型、所优化参数以及第二二值向量进行预测，生成预测结果，并根据预测结果对预设后台应用程序进行管控。可以提高对进入后台的预设后台应用程序是否还需要使用的概率进行预测的准确性，从而提升对进入后台的预测应用程序进行管控的智能化和准确性，减少内存占用。
请参阅图8，图8为本申请实施例提供的后台应用程序管控装置的又一结构示意图。本申请实施例的后台应用程序管控装置包括：评分单元304、设置单元305、获取单元301、训练单元302和管控单元303。其中：
评分单元304，用于在预设统计周期内，根据后台应用程序的运行数据对多个后台应用程序进行评分。
预设统计周期可以为一个或多个小时，一天或多天，为了获取更准确的预测结果，训练数据越多越好。
评分单元304可以基于第三预设公式根据后台应用程序的运行数据对多个后台应用程序进行评分，其中第三预设公式为：
其中memoryi为内存占用比，couteri为总使用次数，ti为总使用时间，seqi为预设后台应用程序的最近使用次序，Group为分组系数，Gf为下沉因子，Tf为时间弱化因子。memoryi取值为0-1之间，seqi为预设后台应用程序的最近使用次序，例如当前使用的应用的次序值等于0，上一个使用的应用次序值为1，再之前使用的一个应用为2，依次类推。Group为分组系数，Group大于等于1，小于等于10，因为每个后台应用程序不同，用户也不同，选取的分组系数也不同。例如，可以预先计算每个后台应用程序不同分组系数的预测结果，当某个分组系数的预测结果更准确时，则采用该分组系数。Gf为下沉因子，Gf大于1，小于等于3，使用下沉因子后，增大了分母，进而减小了评分值，减小了seqi对评分的影响。Tf为时间弱化因子，Tf大于等于0，小于等于1，使用时间弱化因子后，减小了分子，进而减小了评分值，减小了ti对评分的影响。防止一个参数的权重太大，对评分有过重的影响，使各个数据之间的权重更合理。
设置单元305，用于将评分超过预设评分阈值的后台应用程序设为预设后台应用程序。
可以预先设置一个预设评分阈值，如根据评分的最高分的百分比来设置，如预设评分阈值为评分的最高分的80％。也可以电子设备使用后，根据当前电子设备的使用情况，设定新的预设评分阈值替换之前的预设评分阈值，也可以通过网络统计一个平均值或典型值。
也可以将多个后台应用程序按照评分从高到低排列形成列表，将列表前几名的后台应用程序，如前5名，设置为预设后台应用程序。也可以将列表的某个排名的后台应用程序的评分设为预设评分阈值，如排名第6的后台应用程序的评分设为预设评分阈值。也可以不同条件下获取多个列表，然后取平均值。如每次都是取第6名的后台应用程序的评分，然后求平均值得到预设评分阈值。当然，使用一段时间后或经重新获取指令可以重新获取预设评分阈值。
考虑到时间序列分析是针对单个应用程序进行的，分析电子设备所有的应用程序数据量太大，实用性不强，因此我们要根据使用习惯选取排名较高的多个应用程序，并且清理这几个应用程序确实能大大释放内存。
本申请实施例的后台应用程序管控装置，应用于电子设备，首先选取部分后台应用程序为预设后台应用程序，然后通过获取预设后台应用程序在预设时间段内的多个连续使用状态，并将多个连续使用状态形成第一二值向量；再将该第一二值向量作为训练数据输入参考模型进行训练，得到训练后的参考模型的优化参数；接着获取预设后台应用程序对应当前时间的多个连续使用状态，并将对应当前时时间的多个连续使用状态形成第二二值向量，最后根据参考模型、所优化参数以及第二二值向量进行预测，生成预测结果，并根据预测结果对预设后台应用程序进行管控。可以提高对进入后台的预设后台应用程序是否还需要使用的概率进行预测的准确性，从而提升对进入后台的预测应用程序进行管控的智能化和准确性，减少内存占用。
上述所有的技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
由上述可知，本申请实施例的后台应用程序管控装置，应用于电子设备，通过获取预设后台应用程序在预设时间段内的多个连续使用状态，并将获取的多个连续使用状态形成第一二值向量；将第一二值向量作为训练数据输入参考模型进行训练，得到训练后的参考模型的优化参数；将对应当前时时间的多个连续使用状态形成第二二值向量，根据参考模型、优化参数以及第二二值向量进行预测，生成预测结果，并根据预测结果对预设后台应用程序进行管控。可以提高对预设后台应用程序进行预测的准确性，从而提升对进入后台的应用程序进行管控的准确性。
本申请实施例中，后台应用程序管控装置与上文实施例中的后台应用程序管控方法属于同一构思，在后台应用程序管控装置上可以运行后台应用程序管控方法实施例中提供的任一方法，其具体实现过程详见后台应用程序管控方法的实施例，此处不再赘述。
本申请实施例还提供一种电子设备。请参阅图9，电子设备400包括处理器401以及存储器402。其中，处理器401与存储器402电性连接。
处理器400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内的计算机程序，以及调用存储在存储器402内的数据，执行电子设备400的各种功能并处理数据，从而对电子设备400进行整体监控。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的计算机程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的计算机程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
在本申请实施例中，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计算机程序的进程对应的指令加载到存储器402中，并由处理器401运行存储在存储器402中的计算机程序，从而实现各种功能，如下：
获取预设后台应用程序在预设时间段内的多个连续使用状态，并将获取的多个连续使用状态形成第一二值向量；获取参考模型，并将第一二值向量作为训练数据输入参考模型进行训练，得到训练后的参考模型的优化参数；获取预设后台应用程序对应当前时间的多个连续使用状态，并将对应当前时时间的多个连续使用状态形成第二二值向量，根据参考模型、优化参数以及第二二值向量进行预测，生成预测结果，并根据预测结果对预设后台应用程序进行管控。
在一些实施方式中，处理器401还用于执行以下步骤：
选取循环神经网络模型为参考模型。
在一些实施方式中，处理器401还用于执行以下步骤：
循环神经网络模型包括网络子单元和分类器；
将第一二值向量作为训练数据输入参考模型进行训练，得到训练后的参考模型的优化参数的步骤，包括：
将第一二值向量作为训练数据输入网络子单元得到中间值；
将中间值输入分类器得到对应多个预测结果的概率；
根据多个预测结果和与其对应的多个概率得到损失值；
根据损失值进行训练，得到优化参数。
在一些实施方式中，处理器401还用于执行以下步骤：
基于第一预设公式将中间值输入分类器得到对应多个预测结果的概率，其中第一预设公式为：
其中，ZK为目标中间值，C为预测结果的类别数，Zj为第j个中间值。
在一些实施方式中，处理器401还用于执行以下步骤：
基于第二预设公式根据多个预测结果和与其对应的多个概率得到损失值，其中第二预设公式为：
其中yk为真实值，E为求平均值。
在一些实施方式中，处理器401还用于执行以下步骤：
根据损失值利用随机梯度下降法进行训练。
在一些实施方式中，处理器401还用于执行以下步骤：
在预设统计周期内，根据后台应用程序的运行数据对多个后台应用程序进行评分；
将评分超过预设评分阈值的后台应用程序设为预设后台应用程序。
在一些实施方式中，处理器401还用于执行以下步骤：
基于第三预设公式根据后台应用程序的运行数据对多个后台应用程序进行评分，其中第三预设公式为：
其中memoryi为内存占用比，couteri为总使用次数，ti为总使用时间，seqi为预设后台应用程序的最近使用次序，Group为分组系数，Gf为下沉因子，Tf为时间弱化因子。
由上述可知，本申请实施例提供的电子设备，通过获取预设后台应用程序在预设时间段内的多个连续使用状态，并将获取的多个连续使用状态形成第一二值向量；将第一二值向量作为训练数据输入参考模型进行训练，得到训练后的参考模型的优化参数；将对应当前时时间的多个连续使用状态形成第二二值向量，根据参考模型、优化参数以及第二二值向量进行预测，生成预测结果，并根据预测结果对预设后台应用程序进行管控。可以提高对预设后台应用程序进行预测的准确性，从而提升对进入后台的应用程序进行管控的准确性。
请一并参阅图10，在一些实施方式中，电子设备400还可以包括：显示器403、射频电路404、音频电路405以及电源406。其中，其中，显示器403、射频电路404、音频电路405以及电源406分别与处理器401电性连接。
显示器403可以用于显示由用户输入的信息或提供给用户的信息以及各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示器403可以包括显示面板，在一些实施方式中，可以采用液晶显示器(Liquid Crystal Display，LCD)、或者有机发光二极管(Organic Light-Emitting Diode，OLED)等形式来配置显示面板。
射频电路404可以用于收发射频信号，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。
音频电路405可以用于通过扬声器、传声器提供用户与电子设备之间的音频接口。
电源406可以用于给电子设备400的各个部件供电。在一些实施方式中，电源406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10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。
本申请实施例还提供一种存储介质，存储介质存储有计算机程序，当计算机程序在计算机上运行时，使得计算机执行上述任一实施例中的应用程序管控方法，比如：获取预设后台应用程序在预设时间段内的多个连续使用状态，并将获取的多个连续使用状态形成第一二值向量；获取参考模型，并将第一二值向量作为训练数据输入参考模型进行训练，得到训练后的参考模型的优化参数；获取预设后台应用程序对应当前时间的多个连续使用状态，并将对应当前时时间的多个连续使用状态形成第二二值向量，根据参考模型、优化参数以及第二二值向量进行预测，生成预测结果，并根据预测结果对预设后台应用程序进行管控。
在本申请实施例中，存储介质可以是磁碟、光盘、只读存储器(Read Only Memory，ROM)、或者随机存取记忆体(Random Access Memory，RAM)等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
需要说明的是，对本申请实施例的后台应用程序管控方法而言，本领域普通测试人员可以理解实现本申请实施例后台应用程序管控方法的全部或部分流程，是可以通过计算机程序来控制相关的硬件来完成，计算机程序可存储于一计算机可读取存储介质中，如存储在电子设备的存储器中，并被该电子设备内的至少一个处理器执行，在执行过程中可包括如后台应用程序管控方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储器、随机存取记忆体等。
对本申请实施例的后台应用程序管控装置而言，其各功能模块可以集成在一个处理芯片中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中，存储介质譬如为只读存储器，磁盘或光盘等。
以上对本申请实施例所提供的一种后台应用程序管控方法、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)
1.一种后台应用程序管控方法，应用于电子设备，其特征在于，所述方法包括步骤：
获取预设后台应用程序在预设时间段内的多个连续使用状态，并将获取的多个连续所述使用状态形成第一二值向量；
获取参考模型，并将所述第一二值向量作为训练数据输入所述参考模型进行训练，得到训练后的所述参考模型的优化参数；
获取所述预设后台应用程序对应当前时间的多个连续使用状态，并将对应当前时时间的多个连续所述使用状态形成第二二值向量，根据所述参考模型、所述优化参数以及所述第二二值向量进行预测，生成预测结果，并根据所述预测结果对所述预设后台应用程序进行管控。
2.根据权利要求1所述的后台应用程序管控方法，其特征在于，所述参考模型为循环神经网络模型。
3.根据权利要求2所述的后台应用程序管控方法，其特征在于，所述循环神经网络模型包括网络子单元和分类器；
所述将所述第一二值向量作为训练数据输入所述参考模型进行训练，得到训练后的所述参考模型的优化参数的步骤，包括：
将第一二值向量作为训练数据输入所述网络子单元得到中间值；
将所述中间值输入所述分类器得到对应多个所述预测结果的概率；
根据多个所述预测结果和与其对应的多个所述概率得到损失值；
根据所述损失值进行训练，得到所述优化参数。
4.根据权利要求3所述的后台应用程序管控方法，其特征在于，所述将所述中间值输入所述分类器得到对应多个所述预测结果的概率的步骤包括：
基于第一预设公式将所述中间值输入所述分类器得到对应多个所述预测结果的概率，其中所述第一预设公式为：
<mrow>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<msup>
<mi>e</mi>
<msub>
<mi>Z</mi>
<mi>K</mi>
</msub>
</msup>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>C</mi>
</munderover>
<msup>
<mi>e</mi>
<msub>
<mi>Z</mi>
<mi>j</mi>
</msub>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中，ZK为目标中间值，C为预测结果的类别数，Zj为第j个中间值。
5.根据权利要求4所述的后台应用程序管控方法，其特征在于，所述根据多个所述预测结果和与其对应的多个所述概率得到损失值的步骤，包括：
基于第二预设公式根据多个所述预测结果和与其对应的多个所述概率得到损失值，其中所述第二预设公式为：
<mrow>
<mi>J</mi>
<mo>=</mo>
<mi>E</mi>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>K</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>C</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
其中yk为真实值，E为求平均值。
6.根据权利要求3或5所述的后台应用程序管控方法，其特征在于，所述根据所述损失值进行训练的步骤，包括：
根据所述损失值利用随机梯度下降法进行训练。
7.根据权利要求1所述的后台应用程序管控方法，其特征在于，所述获取预设后台应用程序在预设时间段内的多个连续使用状态的步骤之前，所述方法还包括：
在预设统计周期内，根据后台应用程序的运行数据对多个后台应用程序进行评分；
将评分超过预设评分阈值的后台应用程序设为所述预设后台应用程序。
8.根据权利要求7所述的后台应用程序管控方法，其特征在于，所述根据后台应用程序的运行数据对多个后台应用程序进行评分的步骤，包括：
基于第三预设公式根据后台应用程序的运行数据对多个后台应用程序进行评分，其中所述第三预设公式为：
<mrow>
<msub>
<mi>Score</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>memory</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>couter</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msub>
<mi>T</mi>
<mi>f</mi>
</msub>
</msup>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>seq</mi>
<mi>i</mi>
</msub>
<mo>/</mo>
<mi>G</mi>
<mi>r</mi>
<mi>o</mi>
<mi>u</mi>
<mi>p</mi>
<mo>+</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<msub>
<mi>G</mi>
<mi>f</mi>
</msub>
</msup>
</mfrac>
</mrow>
其中memoryi为内存占用比，couteri为总使用次数，ti为总使用时间，seqi为预设后台应用程序的最近使用次序，Group为分组系数，Gf为下沉因子，Tf为时间弱化因子。
9.一种后台应用程序管控装置，应用于电子设备，其特征在于，所述装置包括：
获取单元，用于获取预设后台应用程序在预设时间段内的多个连续使用状态，并将获取的多个连续所述使用状态形成第一二值向量；
训练单元，用于获取参考模型，并将所述第一二值向量作为训练数据输入所述参考模型进行训练，得到训练后的所述参考模型的优化参数；
管控单元，用于获取所述预设后台应用程序对应当前时间的多个连续使用状态，并将对应当前时时间的多个连续所述使用状态形成第二二值向量，根据所述参考模型、所述优化参数以及所述第二二值向量进行预测，生成预测结果，并根据所述预测结果对所述预设后台应用程序进行管控。
10.根据权利要求9所述的后台应用程序管控装置，其特征在于，所述参考模型为循环神经网络模型。
11.根据权利要求10所述的后台应用程序管控装置，其特征在于，所述循环神经网络模型包括：
网络子单元，用于将第一二值向量作为训练数据输入所述网络子单元得到中间值；
分类器，用于将所述中间值输入所述分类器得到对应多个所述预测结果的概率；
损失值计算器，用于根据多个所述预测结果和与其对应的多个所述概率得到损失值；
优化子单元，用于根据所述损失值进行训练，得到所述优化参数。
12.根据权利要求11所述的后台应用程序管控装置，其特征在于，所述分类器具体用于：
基于第一预设公式将所述中间值输入所述分类器得到对应多个所述预测结果的概率，其中所述第一预设公式为：
<mrow>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<msup>
<mi>e</mi>
<msub>
<mi>Z</mi>
<mi>K</mi>
</msub>
</msup>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>C</mi>
</munderover>
<msup>
<mi>e</mi>
<msub>
<mi>Z</mi>
<mi>j</mi>
</msub>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
其中，ZK为目标中间值，C为预测结果的类别数，Zj为第j个中间值。
13.根据权利要求12所述的后台应用程序管控装置，其特征在于，所述损失值计算器具体用于：
基于第二预设公式根据多个所述预测结果和与其对应的多个所述概率得到损失值，其中所述第二预设公式为：
<mrow>
<mi>J</mi>
<mo>=</mo>
<mi>E</mi>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>K</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>C</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
其中yk为真实值，E为求平均值。
14.根据权利要求11或13所述的后台应用程序管控装置，其特征在于，所述优化子单元具体用于：
根据所述损失值利用随机梯度下降法进行训练。
15.根据权利要求9所述的后台应用程序管控装置，其特征在于，所述装置还包括：
评分单元，用于在预设统计周期内，根据后台应用程序的运行数据对多个后台应用程序进行评分；
设置单元，用于将评分超过预设评分阈值的后台应用程序设为所述预设后台应用程序。
16.根据权利要求15所述的后台应用程序管控装置，其特征在于，所述评分单元具体用于：
基于第三预设公式根据后台应用程序的运行数据对多个后台应用程序进行评分，其中所述第三预设公式为：
<mrow>
<msub>
<mi>Score</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>memory</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msub>
<mi>couter</mi>
<mi>i</mi>
</msub>
<mo>&times;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msub>
<mi>T</mi>
<mi>f</mi>
</msub>
</msup>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>seq</mi>
<mi>i</mi>
</msub>
<mo>/</mo>
<mi>G</mi>
<mi>r</mi>
<mi>o</mi>
<mi>u</mi>
<mi>p</mi>
<mo>+</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<msub>
<mi>G</mi>
<mi>f</mi>
</msub>
</msup>
</mfrac>
</mrow>
其中memoryi为内存占用比，couteri为总使用次数，ti为总使用时间，seqi为预设后台应用程序的最近使用次序，Group为分组系数，Gf为下沉因子，Tf为时间弱化因子。
17.一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1至8任一项所述的后台应用程序管控方法。
18.一种电子设备，包括处理器和存储器，所述存储器有计算机程序，其特征在于，所述处理器通过调用所述计算机程序，用于执行如权利要求1至8任一项所述的后台应用程序管控方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710922671.7A CN107704364B (zh) | 2017-09-30 | 2017-09-30 | 后台应用程序管控方法、装置、存储介质及电子设备 |
| PCT/CN2018/102187 WO2019062409A1 (zh) | 2017-09-30 | 2018-08-24 | 后台应用程序管控方法、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710922671.7A CN107704364B (zh) | 2017-09-30 | 2017-09-30 | 后台应用程序管控方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107704364A true CN107704364A (zh) | 2018-02-16 |
| CN107704364B CN107704364B (zh) | 2019-08-06 |
Family
ID=61184018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710922671.7A Active CN107704364B (zh) | 2017-09-30 | 2017-09-30 | 后台应用程序管控方法、装置、存储介质及电子设备 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN107704364B (zh) |
| WO (1) | WO2019062409A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108984369A (zh) * | 2018-07-13 | 2018-12-11 | 厦门美图移动科技有限公司 | 卡顿预测方法、装置及移动终端 |
| 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 |
| WO2019062409A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 后台应用程序管控方法、存储介质及电子设备 |
Citations (4)
| 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 |
| CN105718027A (zh) * | 2016-01-20 | 2016-06-29 | 努比亚技术有限公司 | 后台应用程序的管理方法及移动终端 |
| CN105843650A (zh) * | 2016-03-31 | 2016-08-10 | 青岛海信移动通信技术股份有限公司 | 一种智能终端中的应用程序管理方法和装置 |
| 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 (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103218566A (zh) * | 2013-01-25 | 2013-07-24 | 江南大学 | 基于Android平台软件行为检测的主动防御系统 |
| CN103902474B (zh) * | 2014-04-11 | 2017-02-08 | 华中科技大学 | 一种支持固态盘缓存动态分配的混合存储系统和方法 |
| CN104239194A (zh) * | 2014-09-12 | 2014-12-24 | 上海交通大学 | 基于bp神经网络的任务完成时间预测方法 |
| CN106294902A (zh) * | 2015-05-28 | 2017-01-04 | 阿里巴巴集团控股有限公司 | 预测移动应用程序页面性能的方法、装置及电子设备 |
| CN107704364B (zh) * | 2017-09-30 | 2019-08-06 | Oppo广东移动通信有限公司 | 后台应用程序管控方法、装置、存储介质及电子设备 |
-
2017
- 2017-09-30 CN CN201710922671.7A patent/CN107704364B/zh active Active
-
2018
- 2018-08-24 WO PCT/CN2018/102187 patent/WO2019062409A1/zh active Application Filing
Patent Citations (4)
| 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 |
| CN105718027A (zh) * | 2016-01-20 | 2016-06-29 | 努比亚技术有限公司 | 后台应用程序的管理方法及移动终端 |
| CN105843650A (zh) * | 2016-03-31 | 2016-08-10 | 青岛海信移动通信技术股份有限公司 | 一种智能终端中的应用程序管理方法和装置 |
| 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 (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| WO2019062409A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 后台应用程序管控方法、存储介质及电子设备 |
| CN108984369A (zh) * | 2018-07-13 | 2018-12-11 | 厦门美图移动科技有限公司 | 卡顿预测方法、装置及移动终端 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107704364B (zh) | 2019-08-06 |
| WO2019062409A1 (zh) | 2019-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107678799B (zh) | 应用程序管控方法、装置、存储介质及电子设备 | |
| CN107678845A (zh) | 应用程序管控方法、装置、存储介质及电子设备 | |
| CN105045819B (zh) | 一种训练数据的模型训练方法及装置 | |
| CN108337358A (zh) | 应用清理方法、装置、存储介质及电子设备 | |
| CN107704070A (zh) | 应用清理方法、装置、存储介质及电子设备 | |
| CN107678800A (zh) | 后台应用清理方法、装置、存储介质及电子设备 | |
| CN109360097A (zh) | 基于深度学习的股票预测方法、装置、设备及存储介质 | |
| CN105446988B (zh) | 预测类别的方法和装置 | |
| CN108733825A (zh) | 一种对象触发事件预测方法及装置 | |
| CN107870810B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
| CN107894827A (zh) | 应用清理方法、装置、存储介质及电子设备 | |
| CN107943534A (zh) | 后台应用程序的关闭方法、装置、存储介质及电子设备 | |
| CN107678531A (zh) | 应用清理方法、装置、存储介质及电子设备 | |
| CN107704364A (zh) | 后台应用程序管控方法、装置、存储介质及电子设备 | |
| CN107832132A (zh) | 应用控制方法、装置、存储介质及电子设备 | |
| CN110309405A (zh) | 一种项目推荐方法、装置及存储介质 | |
| CN107807730B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
| CN107885545A (zh) | 应用管理方法、装置、存储介质及电子设备 | |
| CN107423127A (zh) | 应用程序的管控方法、装置、存储介质及电子设备 | |
| CN107943571A (zh) | 后台应用管控方法、装置、存储介质及电子设备 | |
| CN107748697A (zh) | 应用关闭方法、装置、存储介质及电子设备 | |
| CN109583949A (zh) | 一种用户换机预测方法及系统 | |
| CN109961075A (zh) | 用户性别预测方法、装置、介质及电子设备 | |
| CN107643925A (zh) | 后台应用清理方法、装置、存储介质及电子设备 | |
| CN107943537A (zh) | 应用清理方法、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 |