CN107729078B - 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 PDF

Info

Publication number
CN107729078B
CN107729078B CN201710917794.1A CN201710917794A CN107729078B CN 107729078 B CN107729078 B CN 107729078B CN 201710917794 A CN201710917794 A CN 201710917794A CN 107729078 B CN107729078 B CN 107729078B
Authority
CN
China
Prior art keywords
sample
background application
electronic equipment
reference model
sub
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.)
Active
Application number
CN201710917794.1A
Other languages
English (en)
Other versions
CN107729078A (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 CN201710917794.1A priority Critical patent/CN107729078B/zh
Publication of CN107729078A publication Critical patent/CN107729078A/zh
Priority to PCT/CN2018/102205 priority patent/WO2019062411A1/zh
Application granted granted Critical
Publication of CN107729078B publication Critical patent/CN107729078B/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
    • 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
    • G06F11/3447—Performance evaluation by modeling
    • 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
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2201/00—Indexing scheme relating to error detection, to error correction, and to monitoring
    • G06F2201/865—Monitoring of software

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (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的第一样本集，获取电子设备的第二样本集；将第一样本集和第二样本集分别构建成二维的第一样本图和第二样本图；将第一样本图和第二样本图作为训练数据输入所述参考模型，进行学习，得到训练后的所述参考模型的优化参数；获取预设后台应用程序和电子设备当前的多个特征信息，并形成第一特征图和第二特征图，根据参考模型、优化参数、第一特征图以及第二特征图，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智能化和准确性。

Description

后台应用程序管控方法、装置、存储介质及电子设备
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。
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智能化和准确性。
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的第一样本集，获取所述电子设备的第二样本集，其中所述第一样本集和第二样本集中的样本分别包括所述预设后台应用程序和所述电子设备的多个特征信息；
将所述第一样本集和所述第二样本集分别构建成二维的第一样本图和第二样本图；
获取参考模型，并将所述第一样本图和所述第二样本图作为训练数据输入所述参考模型，进行学习，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和所述电子设备当前的多个特征信息，并形成第一特征图和第二特征图，根据所述参考模型、所述优化参数、所述第一特征图以及所述第二特征图，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的第一样本集，获取所述电子设备的第二样本集，其中所述第一样本集和第二样本集中的样本分别包括所述预设后台应用程序和所述电子设备的多个特征信息；
样本图生成单元，用于将所述第一样本集和所述第二样本集分别构建成二维的第一样本图和第二样本图；
训练单元，用于获取参考模型，并将所述第一样本图和第二样本图作为训练数据输入所述参考模型，进行学习，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和所述电子设备当前的多个特征信息，并形成第一特征图和第二特征图，根据所述参考模型、所述优化参数、所述第一特征图以及所述第二特征图，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的第一样本集，获取电子设备的第二样本集；将第一样本集和第二样本集分别构建成二维的第一样本图和第二样本图；将第一样本图和第二样本图作为训练数据输入所述参考模型，进行学习，得到训练后的所述参考模型的优化参数；获取预设后台应用程序和电子设备当前的多个特征信息，并形成第一特征图和第二特征图，根据参考模型、优化参数、第一特征图以及第二特征图，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智能化和准确性。
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样本图的示意图；
图5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6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7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8为本申请实施例提供的参考模型的部分结构示意图；
图9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10为本申请实施例提供的电子设备的结构示意图；
图11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。
在现有技术中，对后台的应用程序进行管控时，通常直接根据电子设备的内存占用情况以及各应用程序的优先级，对后台的部分应用程序进行清理，以释放内存。然而有些应用程序对用户很重要、或者用户在短时间内需要再次使用某些应用程序，若在对后进行清理时将这些应用程序清理掉，则用户再次使用这些应用程序时需要电子设备重新加载这些应用程序的进程，需要耗费大量时间及内存资源。其中，该电子设备可以是智能手机、平板电脑、台式电脑、笔记本电脑、或者掌上电脑等设备。
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的第一样本集，获取电子设备的第二样本集，其中第一样本集和第二样本集中的样本分别包括预设后台应用程序和电子设备的多个特征信息；将第一样本集和第二样本集分别构建成二维的第一样本图和第二样本图；获取参考模型，并将第一样本图和第二样本图作为训练数据输入参考模型，进行学习，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和电子设备当前的多个特征信息，并形成第一特征图和第二特征图，根据参考模型、优化参数、第一特征图以及当第二特征图进行预测，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的第一样本集，获取电子设备的第二样本集，其中第一样本集和第二样本集中的样本分别包括预设后台应用程序和电子设备的多个特征信息；将第一样本集和第二样本集分别构建成二维的第一样本图和第二样本图；获取参考模型，并将第一样本图和第二样本图作为训练数据输入参考模型，进行学习，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和电子设备当前的多个特征信息，并形成第一特征图和第二特征图，根据参考模型、优化参数、第一特征图以及第二特征图，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的第一样本集，获取电子设备的第二样本集，其中第一样本集和第二样本集中的样本分别包括预设后台应用程序和电子设备的多个特征信息。
具体的，第一样本集的样本可以包括预设应用程序的使用信息，第二样本集的样本可以包括电子设备的状态信息、时间信息和位置信息等中的至少一项。
其中应用程序的使用信息可以包括如使用时间、后台停留时间、应用程序类型、应用程序关联信息等。电子设备的状态信息可以包括如屏幕亮度、充电状态、剩余电量、WIFI状态等。时间信息可以包括如当前时间点、工作日等。位置信息可以包括如GPS定位、基站定位、WIFI定位等。
将多个特性信息作为样本采集，然后形成预设应用程序的第一样本集和电子设备的第二样本集。
其中，预设应用程序可以是安装在电子设备中的任意应用程序，例如通讯应用程序、多媒体应用程序、游戏应用程序、资讯应用程序、或者购物应用程序等等。
样本集可以包括：在历史时间段内，按照预设频率采集的多个样本。历史时间段可以是，例如过去15天内、7天一周内等。预设频率可以是，例如每10分钟、30分钟等。
步骤102，将第一样本集和第二样本集分别构建成二维的第一样本图和第二样本图。
将第一样本集和第二样本集中的样本用数值表示，如充电状态可以通过0或1表示未充电和正在充电。如剩余电量可以用00-100表示剩余电量，或者将电量分成5个等级，用0-5分别表示不同等级的剩余电量。第一样本图和第二样本图可以采用如12×12像素点的图，每个像素点对应一个样本，即一个特征信息。当然，样本图根据需要可以调整其包括的像素点，如可以为10×10、16×16、12×16等。数据量越大，后续的预测结果越准确。需要说明的是，像素点具体表现可以为1，也可以为(0,1)。将获取的多个特征信息以二维数学图像的方式存储，类似于灰度图，即在像素点(x,y)记录不同的特征值。
请参阅图4，图4为本申请实施例提供的第二样本图的示意图。根据电子设备的特征信息的种类可以分成几类特征信息，如电子设备的特征信息分成电子设备的状态信息、时间信息、网络信息和位置信息四类，然后将该四类特征信息分别形成一个子样本图3061，接着将四个子样本图3061矩阵设置形成一个大的第二样本图306。其中子样本图3061可以采用如6×6个像素点，如果特征信息不足以填满子样本图，则不足位置补零处理。四个子样本图3061形成一个12×12的大的第二样本图306。第二样本图306和子样本图3061都为二维的图。
需要说明的是，后台应用程序的第一样本图也可以采用类似第二样本图的方法设置。
步骤103，获取参考模型，并将第一样本图和第二样本图作为训练数据输入参考模型，进行学习，得到训练后的参考模型的优化参数。
其中，参考模型包括两个子参考模型，两个子参考模型为卷积神经网络模型。当然子参考模型可以为混合神经网络模型、高斯混合模型等。两个子参考模型为弱学习器，两个弱学习器结合形成一个强学习器。电子设备的应用对应用户的使用习惯和偏好是存在一定规律的，学习到这些规律对清理后台不使用的应用具有重要意义。集成学习通过构建并结合多个弱学习器来完成学习任务。将集成学习应用到用户行为特征分类上，通过结合两个独立的卷积神经网络，构建一个强学习器，可以挖掘到用户的使用习惯。随着用户使用设备时间变长，训练会愈发充分，系统预测也会愈发准确。
子参考模型包括依次连接的卷积层和全连接层，参考模型还包括分类器。具体的，该参考模型主要包括网络结构部分和网络训练部分，其中网络结构部分包括依次连接的卷积层和全连接层。卷积层和全连接层之间还可以包括池化层。
可选的，卷积神经网络模型参考模型的网络结构部分可以包括七层网络，前五层为卷积层，卷积核大小统一为3×3，滑动步长统一为1，由于维度较小，可以不采用池化层，后两层为全连接层，分别为20个神经元、2个神经元。
需要说明的是，网络结构部分还可以包括其他层数的卷积层，如3层卷积层、5层卷积层、9层卷积层等，还可以包括其他层数的全连接层，如1层全连接层、3层全连接层等。也可以增加池化层，也可以不采用池化层。卷积核大小可以采用其他大小，如2×2。还可以不同的卷积层采用不同大小的卷积核，如第一层卷积层采用3×3的卷积核，其他层卷积层采用2×2的卷积核。滑动步长可以统一为2或其他值，也可以采用不一样的滑动步长，如第一层滑动步长为2，其他层滑动步长为1等。
网络训练部分包括分类器，分类器可以为Softmax分类器。
请一并参阅图5，图5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。训练方法具体包括子步骤：
子步骤1031，将第一样本图和第二样本图作为训练数据分别输入两个子参考模型。
子步骤1032，将两个子参考模型的输出值合成输入分类器，并得到对应多个预测结果的概率。
需要说明的是，将两个子参考模型的输出值合成输入分类器的步骤，可以为将两个子参考模型的输出值按不同权重合成输入分类器。即将两个子参考模型的输出值加权和，可以将两个较浅层的卷积神经网络作为弱分类器，再合并成强分类器。具体公式如下：
ZK＝ZK APP+λ*ZK Device，
其中，λ为权重，ZK APP为第一子参考模型的输出值，ZK Device为第二子参考模型的输出值。
在一些实施方式中，得到预测结果的概率可以基于第一预设公式将两个子参考模型的输出值合成输入分类器，并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为两个子参考模型的输出值的合成值，C为预测结果的类别数，为第j个合成值。
子步骤1033，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，得到损失值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。
子步骤1034，根据损失值进行训练，得到优化参数。
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。
进一步的，得到损失值可以基于第三预设公式根据多组参数得到损失值，每组参数包括多个预测结果和与其对应的多个概率得到损失值，其中第三预设公式为：
其中C为预测结果的类别数，yk为真实值，E为平均值。
其中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，第三预设公式中的E表示为128个损失值的平均值。
具体的，可以先获取多个样本集，多个样本集构建成多个二维的样本图，然后将多个样本图作为训练数据输入参考模型，得到多个损失值，然后求多个损失值的平均值。
步骤104，获取预设后台应用程序和电子设备当前的多个特征信息，并形成第一特征图和第二特征图，根据参考模型、优化参数、第一特征图以及第二特征图，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。
若需要判断当前后台应用是否可清理，获取预设后台应用程序和电子设备当前的多个特征信息，并形成二维的第一特征图和第二特征图，将第一特征图和第二特征图输入到参考模型，参考模型根据优化参数计算即可得到预测值。判断预设后台应用程序是否需要清理。
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和电子设备当前的多个特征信息形成特征图，并输入到服务器，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和电子设备当前的多个特征信息形成第一特征图和第二特征图，并输入到电子设备，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和电子设备当前的多个特征信息形成第一特征图和第二特征图，并输入到电子设备，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，更新当前的样本图，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。
在一些实施方式中，在获取预设后台应用程序和电子设备当前的多个特征信息的步骤之前，包括：
检测到预设后台应用程序是否进入后台，若进入后台，则获取预设后台应用程序和电子设备当前的多个特征信息，并形成第一特征图和第二特征图。然后根据参考模型、优化参数、第一特征图以及第二特征图进行预测，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，在获取预设后台应用程序和电子设备当前的多个特征信息的步骤之前，包括：
获取预设时间，若当前系统时间到达预设时间时，则获取预设后台应用程序和电子设备当前的多个特征信息，并形成第一特征图和第二特征图。其中预设时间可以为一天中的一个时间点，如上午9点，也可以为一天中的几个时间点，如上午9点、下午6点等。也可以为多天中的一个或几个时间点。然后根据参考模型、优化参数、第一特征图以及第二特征图生成预测结果，并根据预测结果对预设后台应用程序进行管控。
需要说明的是，参考模型还可以包括多个子参考模型，如3个、5个等。每个子参考模型可以输入不同的样本图，也可以其中2个或多个输入相同的样本图。
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。
电子设备上会同时打开多个应用，处于后台的很多应用一段时间内并不会使用，这些应用若不被清理，占用大量内存且功耗较大。因此准确判断出可以清理的应用对提升用户体验意义重大。传统的基于用户行为习惯判断应用是否可清理的方法存在着预测精度不够的问题。
由上述可知，本申请实施例提供的后台应用程序管控方法，通过获取预设后台应用程序的第一样本集，获取电子设备的第二样本集；将第一样本集和第二样本集分别构建成二维的第一样本图和第二样本图；将第一样本图和第二样本图作为训练数据输入参考模型，进行学习，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和电子设备当前的多个特征信息，并形成第一特征图和第二特征图，根据参考模型、优化参数、第一特征图以及第二特征图，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智能化和准确性。不需要对用户行为做大量特征工程，即不需要选取合适的用户行为，并进行合适的预处理，特征工程的好坏对最终结果影响很大。直接将特性信息输入参考模型即可。
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、样本图生成单元302、训练单元303以及管控单元304。
其中，获取单元301，用于获取预设后台应用程序的第一样本集，获取电子设备的第二样本集，其中第一样本集和第二样本集中的样本分别包括预设后台应用程序和电子设备的多个特征信息。
具体的，第一样本集的样本可以包括预设后台应用程序的使用信息，第二样本集的样本可以包括电子设备的状态信息、时间信息和位置信息等中的至少一项。
其中应用程序的使用信息可以包括如使用时间、后台停留时间、应用程序类型、应用程序关联信息等。电子设备的状态信息可以包括如屏幕亮度、充电状态、剩余电量、WIFI状态等。时间信息可以包括如当前时间段、工作日等。位置信息可以包括如GPS定位、基站定位、WIFI定位等。
将多个特征信息作为样本采集，然后形成预设后台应用程序的第一样本集和电子设备的第二样本集。
其中，预设后台应用程序可以是安装在电子设备中的任意应用程序，例如通讯应用程序、多媒体应用程序、游戏应用程序、资讯应用程序、或者购物应用程序等等。
样本集可以包括在历史时间段内，按照预设频率采集的多个样本。历史时间段可以是，例如过去15天内、7天一周内等。预设频率可以是，例如每10分钟、30分钟等。
样本图生成单元302，用于将第一样本集和第二样本集分别构建成二维的第一样本图和第二样本图。
将第一样本集和第二样本集中的样本用数值表示，如充电状态可以通过0或1表示未充电和正在充电。如剩余电量可以用00-100表示剩余电量，或者将电量分成5个等级，用0-5分别表示不同等级的剩余电量。第一样本图和第二样本图可以采用如12×12像素点的图，每个像素点对应一个样本，即一个特征信息。当然，样本图根据需要可以调整其包括的像素点，如可以为10×10、16×16、12×16等。数据量越大，后续的预测结果越准确。需要说明的是，像素点具体表现可以为1，也可以为(0,1)。将获取的多个特征信息以二维数学图像的方式存储，类似于灰度图，即在像素点(x,y)记录不同的特征值。
根据子设备的特征信息的种类可以分成几类特征信息，如电子设备的特征信息分成电子设备的状态信息、时间信息、网络信息和位置信息四类，然后将该四类特征信息分别形成一个子样本图，接着将四个子样本图矩阵设置形成一个大的第二样本图。其中子样本图可以采用如6×6个像素点，如果特征信息不足以填满子样本图，则不足位置补零处理。四个子样本图形成一个12×12的大的第二样本图。第二样本图和子样本图都为二维的图。
训练单元303，用于获取参考模型，并将第一样本图和第二样本图作为训练数据输入参考模型，进行学习，得到训练后的参考模型的优化参数。
其中，参考模型包括两个子参考模型，两个子参考模型为卷积神经网络模型。当然子参考模型可以为混合神经网络模型、高斯混合模型等。
请一并参阅图8，图8为本申请实施例提供的参考模型的部分结构示意图。具体的，参考模型包括两个子参考模型，两个子参考模型为卷积神经网络模型，当然子参考模型可以为混合神经网络模型、高斯混合模型等。卷积神经网络模型包括依次连接的卷积层3031和全连接层3032，参考模型还包括分类器3033。具体的，该参考模型主要包括网络结构部分和网络训练部分，其中网络结构部分包括依次连接的卷积层3031和全连接层3032。卷积层3031和全连接层3032之间还可以包括池化层(图中未示出)。将第一样本图305和第二样本图306作为训练数据分别输入两个子参考模型的卷积层3031。
可选的，卷积神经网络模型参考模型的网络结构部分可以包括七层网络，前五层为卷积层3031，卷积核大小统一为3×3，滑动步长统一为1，由于维度较小，可以不采用池化层，后两层为全连接层3032，分别为20个神经元、2个神经元。
需要说明的是，网络结构部分还可以包括其他层数的卷积层，如3层卷积层、7层卷积层、9层卷积层等，还可以包括其他层数的全连接层，如1层全连接层、3层全连接层等。也可以增加池化层，也可以不采用池化层。卷积核大小可以采用其他大小，如2×2。还可以不同的卷积层采用不同大小的卷积核，如第一层卷积层采用3×3的卷积核，其他层卷积层采用2×2的卷积核。滑动步长可以统一为2或其他值，也可以采用不一样的滑动步长，如第一层滑动步长为2，其他层滑动步长为1等。
网络训练部分包括分类器3033，分类器可以为Softmax分类器。
请一并参阅图9，图9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。在一些实施方式中，训练单元303包括两个网络结构部分，每个网络结构部分包括卷积层3031、全连接层3032，训练单元还包括分类器3033、损失计算器3034和训练子单元3035。
卷积层3031，可以用于将第一样本图和第二样本图作为训练数据分别输入两个子参考模型的卷积层得到第一中间值和第二中间值。
全连接层3032，可以用于将第一中间值和第二中间值处理得到第三中间值和第四中间值。
分类器3033，可以用于将两个子参考模型的输出值合成输入分类器，并得到对应多个预测结果的概率。即将第三中间值和第四中间值合成输入分类器得到对应多个预测结果的概率。
需要说明的是，将两个子参考模型的输出值合成输入分类器的步骤，可以为将两个子参考模型的输出值按不同权重合成输入分类器。即将两个子参考模型的输出值加权和，可以将两个较浅层的卷积神经网络作为弱分类器，再合并成强分类器。具体公式如下：
ZK＝ZK APP+λ*ZK Device，
其中，λ为权重，ZK APP为第一子参考模型的输出值，ZK Device为第二子参考模型的输出值。
在一些实施方式中，得到预测结果的概率可以基于第一预设公式将两个子参考模型的输出值合成输入分类器，并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为两个子参考模型的输出值的合成值，即第三中间值和第四中间值的合成值，C为预测结果的类别数，Zj为第j个合成值。
损失值计算器3034，可以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。
其中，得到损失值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。
训练子单元3035，可以用于根据损失值进行训练，得到优化参数。
具体的，可以根据损失值利用随机梯度下降法进行训练。还可以根据梯度下降法或批量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。
进一步的，得到损失值可以基于第三预设公式根据多组参数得到损失值，每组参数包括多个预测结果和与其对应的多个概率得到损失值，其中第三预设公式为：
其中C为预测结果的类别数，yk为真实值，E为平均值。
其中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，第三预设公式中的E表示为128个损失值的平均值。
具体的，可以先获取多个样本集，多个样本集构建成多个二维的样本图，然后将多个样本图作为训练数据输入参考模型，得到多个损失值，然后求多个损失值的平均值。
管控单元304，用于获取预设后台应用程序和电子设备当前的多个特征信息，并形成第一特征图和第二特征图，根据参考模型、优化参数、第一特征图以及第二特征图，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。
若需要判断当前后台应用是否可清理，获取预设后台应用程序和电子设备当前的多个特征信息，并形成二维的第一特征图和第二特征图，将第一特征图和第二特征图输入到参考模型，参考模型根据优化参数计算即可得到预测值。判断预设后台应用程序是否需要清理。
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和电子设备当前的多个特征信息形成特征图，并输入到服务器，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和电子设备当前的多个特征信息形成第一特征图和第二特征图，并输入到电子设备，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。
在一些实施方式中，管控单元304，还用于检测到预设后台应用程序是否进入后台，若进入后台，则获取预设后台应用程序和电子设备当前的多个特征信息，并形成第一特征图和第二特征图。然后根据参考模型、优化参数、第一特征图以及第二特征图进行预测，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，管控单元304，还用于获取预设时间，若当前系统时间到达预设时间时，则获取预设后台应用程序和电子设备当前的多个特征信息，并形成第一特征图和第二特征图。其中预设时间可以为一天中的一个时间点，如上午9点，也可以为一天中的几个时间点，如上午9点、下午6点等。也可以为多天中的一个或几个时间点。然后根据参考模型、优化参数、第一特征图以及第二特征图生成预测结果，并根据预测结果对预设后台应用程序进行管控。
需要说明的是，参考模型还可以包括多个子参考模型，如3个、5个等。每个子参考模型可以输入不同的样本图，也可以其中2个或多个输入相同的样本图。
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的第一样本集，获取电子设备的第二样本集；将第一样本集和第二样本集分别构建成二维的第一样本图和第二样本图；将第一样本图和第二样本图作为训练数据输入参考模型，进行学习，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和电子设备当前的多个特征信息，并形成第一特征图和第二特征图，根据参考模型、优化参数、第一特征图以及第二特征图，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智能化和准确性。
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10，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的第一样本集，获取电子设备的第二样本集；将第一样本集和第二样本集分别构建成二维的第一样本图和第二样本图；将第一样本图和第二样本图作为训练数据输入参考模型，进行学习，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和电子设备当前的多个特征信息，并形成第一特征图和第二特征图，根据参考模型、优化参数、第一特征图以及第二特征图，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智能化和准确性。
在一些实施方式中，处理器401还用于执行以下步骤：
参考模型包括两个子参考模型，两个子参考模型为卷积神经网络模型。
在一些实施方式中，处理器401还用于执行以下步骤：
参考模型还包括分类器；
将第一样本图和第二样本图作为训练数据分别输入两个子参考模型；
将两个子参考模型的输出值合成输入分类器，并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：
将两个子参考模型的输出值按不同权重合成输入分类器。
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：
基于第一预设公式将两个子参考模型的输出值合成输入分类器，并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为两个子参考模型的输出值的合成值，C为预测结果的类别数，Zj为第j个合成值。
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C为预测结果的类别数，yk为真实值。
在一些实施方式中，处理器401还用于执行以下步骤：
获取多个损失值，根据多个损失值的平均值进行训练。
在一些实施方式中，处理器401还用于执行以下步骤：
基于第三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，其中第三预设公式为：
其中C为预测结果的类别数，yk为真实值，E为平均值。
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的第一样本集，获取电子设备的第二样本集；将第一样本集和第二样本集分别构建成二维的第一样本图和第二样本图；将第一样本图和第二样本图作为训练数据输入参考模型，进行学习，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和电子设备当前的多个特征信息，并形成第一特征图和第二特征图，根据参考模型、优化参数、第一特征图以及第二特征图，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智能化和准确性。
请一并参阅图11，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。
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的第一样本集，获取电子设备的第二样本集；将第一样本集和第二样本集分别构建成二维的第一样本图和第二样本图；将第一样本图和第二样本图作为训练数据输入参考模型，进行学习，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和电子设备当前的多个特征信息，并形成第一特征图和第二特征图，根据参考模型、优化参数、第一特征图以及第二特征图，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的第一样本集，获取所述电子设备的第二样本集，其中所述第一样本集和第二样本集中的样本分别包括所述预设后台应用程序和所述电子设备的多个特征信息；
将所述第一样本集和所述第二样本集分别构建成二维的第一样本图和第二样本图，所述第一样本图和所述第二样 本图采用n*n像素点的图，每个像素点对应一个样本，其中n>2；
获取参考模型，并将所述第一样本图和所述第二样本图作为训练数据输入所述参考模型，进行学习，得到训练后的所述参考模型的优化参数，所述参考模型包括两个子参考模型，两个所述子参考模型为不同类型的卷积神经网络模型，将所述第一样本图和第二样本图作为训练数据分别输入两个所述子参考模型进行学习，最终得到所述优化参数；
获取所述预设后台应用程序和所述电子设备当前的多个特征信息，并形成第一特征图和第二特征图，根据所述参考模型、所述优化参数、所述第一特征图以及所述第二特征图，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，所述参考模型还包括分类器；
所述将所述第一样本图和第二样本图作为训练数据输入所述参考模型，进行学习，得到训练后的所述参考模型的优化参数的步骤，包括：
将两个所述子参考模型的输出值合成输入所述分类器，并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。
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。
4.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，所述将两个所述子参考模型的输出值合成输入所述分类器的步骤，包括：
将两个所述子参考模型的输出值按不同权重合成输入所述分类器。
5.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，所述将两个所述子参考模型的输出值合成输入所述分类器，并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两个所述子参考模型的输出值合成输入所述分类器，并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：
其中，ZK为两个所述子参考模型的输出值的合成值，C为预测结果的类别数，Zj为第j个合成值。
6.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：
其中C为预测结果的类别数，yk为真实值。
7.根据权利要求2或3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：
获取多个所述损失值，根据多个所述损失值的平均值进行训练。
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：
基于第三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，其中所述第三预设公式为：
其中C为预测结果的类别数，yk为真实值，E为平均值。
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的第一样本集，获取所述电子设备的第二样本集，其中所述第一样本集和第二样本集中的样本分别包括所述预设后台应用程序和所述电子设备的多个特征信息；
样本图生成单元，用于将所述第一样本集和所述第二样本集分别构建成二维的第一样本图和第二样本图，所述第一样本图和所述第二样 本图采用n*n像素点的图，每个像素点对应一个样本，其中n>2；
训练单元，用于获取参考模型，并将所述第一样本图和第二样本图作为训练数据输入所述参考模型，进行学习，得到训练后的所述参考模型的优化参数，所述参考模型包括两个子参考模型，两个所述子参考模型为不同类型的卷积神经网络模型，将所述第一样本图和第二样本图作为训练数据分别输入两个所述子参考模型进行学习，最终得到所述优化参数；
管控单元，用于获取所述预设后台应用程序和所述电子设备当前的多个特征信息，并形成第一特征图和第二特征图，根据所述参考模型、所述优化参数、所述第一特征图以及所述第二特征图，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，所述两个所述子参考模型，用于将所述第一样本图和第二样本图作为训练数据处理分别得到第三中间值和第四中间值；
所述训练单元还包括：
分类器，用于将所述第三中间值和所述第四中间值合成处理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。
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，所述训练单元具体用于：
根据所述损失值利用随机梯度下降法进行训练。
12.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，所述分类器具体用于：
用于将所述第三中间值和所述第四中间值按不同权重合成处理得到对应多个所述预测结果的概率。
13.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，所述训练单元具体用于：
基于第一预设公式将两个所述子参考模型的输出值合成输入所述分类器，并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：
其中，ZK为所述第三中间值和所述第四中间值的合成值，C为预测结果的类别数，Zj为第j个合成值。
14.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，所述训练单元具体用于：
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：
其中C为预测结果的类别数，yk为真实值。
15.根据权利要求10或11所述的后台应用程序管控装置，其特征在于，所述训练单元具体用于：
获取多个所述损失值，根据多个所述损失值的平均值进行训练。
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，所述训练单元具体用于：
基于第三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，其中所述第三预设公式为：
其中C为预测结果的类别数，yk为真实值，E为平均值。
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。
CN201710917794.1A 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 Active CN107729078B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201710917794.1A CN107729078B (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/CN2018/102205 WO2019062411A1 (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
CN201710917794.1A CN107729078B (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
CN107729078A CN107729078A (zh) 2018-02-23
CN107729078B true CN107729078B (zh) 2019-12-03

Family

ID=61209618

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710917794.1A Active CN107729078B (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) CN107729078B (zh)
WO (1) WO2019062411A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729078B (zh) * 2017-09-30 2019-12-03 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
CN110459204A (zh) * 2018-05-02 2019-11-15 Oppo广东移动通信有限公司 语音识别方法、装置、存储介质及电子设备
CN110458223B (zh) * 2019-08-06 2023-03-17 湖南省华芯医疗器械有限公司 一种内镜下支气管肿瘤自动检测方法及检测系统

Citations (4)

* 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
CN106295506A (zh) * 2016-07-25 2017-01-04 华南理工大学 一种基于集成卷积神经网络的年龄识别方法
CN106295682A (zh) * 2016-08-02 2017-01-04 厦门美图之家科技有限公司 一种判断图片质量因子的方法、装置和计算设备
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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9078162B2 (en) * 2013-03-15 2015-07-07 DGS Global Systems, Inc. Systems, methods, and devices for electronic spectrum management
CN104156715B (zh) * 2014-09-01 2018-08-28 杭州朗和科技有限公司 一种终端设备、信息采集方法及装置
US9753949B1 (en) * 2016-03-14 2017-09-05 Shutterstock, Inc. Region-specific image download probability modeling
CN107729078B (zh) * 2017-09-30 2019-12-03 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

Patent Citations (4)

* 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
CN106295506A (zh) * 2016-07-25 2017-01-04 华南理工大学 一种基于集成卷积神经网络的年龄识别方法
CN106295682A (zh) * 2016-08-02 2017-01-04 厦门美图之家科技有限公司 一种判断图片质量因子的方法、装置和计算设备
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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"卷积神经网络系列之softmax，softmax loss和cross entropy的讲解";AI之路;《https://blog.csdn.net/u014380165/article/details/77284921》;20170817;第1-2页 *

Also Published As

Publication number Publication date
WO2019062411A1 (zh) 2019-04-04
CN107729078A (zh) 2018-02-23

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
CN109948633A (zh) 用户性别预测方法、装置、存储介质及电子设备
CN107443373B (zh) 基于关节臂机器人的避碰轨迹规划方法和装置
CN107678845A (zh) 应用程序管控方法、装置、存储介质及电子设备
CN108334647A (zh) 保险欺诈识别的数据处理方法、装置、设备及服务器
CN107729078B (zh) 后台应用程序管控方法、装置、存储介质及电子设备
CN107220217A (zh) 基于逻辑回归的特征系数训练方法和装置
CN106104673A (zh) 深度神经网络的低资源占用适配和个性化
CN108337358A (zh) 应用清理方法、装置、存储介质及电子设备
CN107729143B (zh) 应用控制方法、装置、存储介质及电子设备
CN113284142B (zh) 图像检测方法、装置、计算机可读存储介质及计算机设备
CN109635825A (zh) 车辆属性检测方法、装置及存储介质
CN111813532A (zh) 一种基于多任务机器学习模型的图像管理方法及装置
CN113609337A (zh) 图神经网络的预训练方法、训练方法、装置、设备及介质
CN107885544A (zh) 应用程序管控方法、装置、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
CN107870810A (zh) 应用清理方法、装置、存储介质及电子设备
CN107729081A (zh) 应用管理方法、装置、存储介质及电子设备
CN111125519A (zh) 用户行为预测方法、装置、电子设备以及存储介质
CN112269875B (zh) 文本分类方法、装置、电子设备及存储介质
CN107643925A (zh) 后台应用清理方法、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
CN109961075A (zh) 用户性别预测方法、装置、介质及电子设备
CN116403019A (zh) 遥感图像量子识别方法、装置、存储介质及电子装置
CN107943571A (zh) 后台应用管控方法、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: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18

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

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

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

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant