CN107741867B - 应用程序管理方法、装置、存储介质及电子设备 - Google Patents
应用程序管理方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN107741867B CN107741867B CN201710919599.2A CN201710919599A CN107741867B CN 107741867 B CN107741867 B CN 107741867B CN 201710919599 A CN201710919599 A CN 201710919599A CN 107741867 B CN107741867 B CN 107741867B
- Authority
- CN
- China
- Prior art keywords
- sub
- classification model
- preset
- sample
- total
- 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.)
- Expired - Fee Related
Links
Images
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
- G06F9/44—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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4812—Task transfer initiation or dispatching by interrupt, e.g. masked
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Stored Programmes (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请公开了一种应用程序管理方法、装置、存储介质及电子设备,通过获取预设应用程序的总样本集,其中该总样本集中的每个样本包括Q维特征信息;多次从总样本集中抽取K维特征信息,生成多个子样本集;根据每个子样本集,生成对应的子分类模型;根据多个子分类模型,生成总分类模型;当检测到预设应用程序进入后台时,总分类模型根据预设应用程序当前的Q维特征信息进行预测,生成预测结果,并根据预测结果对预设应用程序进行管理。本申请能够提升对应用程序进行管理的智能化和准确性。
Description
技术领域
本申请属于通信技术领域,尤其涉及一种应用程序管理方法、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电子设备的用户界面,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。然而在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,而且还会降低电子设备的运行流畅度。
发明内容
本申请提供一种应用程序管理方法、装置、存储介质及电子设备,能够提升对应用程序进行管理的智能化和准确性。
第一方面,本申请实施例提供一种应用程序管理方法,应用于电子设备,包括步骤:
获取预设应用程序的总样本集,其中所述总样本集中的每个样本包括Q维特征信息,所述Q为大于等于2的正整数;
多次从所述总样本集随机抽取K维特征信息,生成多个子样本集,其中K为小于所述Q的正整数;
根据所述多个子样本集,生成每个子样本集对应的子分类模型;
根据多个所述子分类模型,生成总分类模型;
当检测到所述预设应用程序进入后台时,所述总分类模型根据所述预设应用程序当前的Q维特征信息进行预测,生成预测结果,并根据所述预测结果对所述预设应用程序进行管理。
第二方面,本申请实施例提供一种应用程序管理装置,应用于电子设备,包括:
获取单元,用于获取预设应用程序的总样本集,其中所述总样本集中的每个样本包括Q维特征信息,所述Q为大于等于2的正整数;
第一生成单元,用于多次从所述总样本集随机抽取K维特征信息,生成多个子样本集,其中K为小于所述Q的正整数;
第二生成单元,用于根据所述多个子样本集,生成每个子样本集对应的子分类模型;
第三生成单元,用于根据多个所述子分类模型,生成总分类模型;
管理单元,用于当检测到所述预设应用程序进入后台时,所述总分类模型根据所述预设应用程序当前的Q维特征信息进行预测,生成预测结果,并根据所述预测结果对所述预设应用程序进行管理。
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应用程序管理方法。
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,用于执行上述的应用程序管理方法。
本申请实施例提供的应用程序管理方法、装置、存储介质及电子设备,通过多次从总样本集中随机抽取部分特征信息生成多个子样本集,对子样本集进行训练,生成子分类模型,再根据多个子分类模型生成总分类模型,可以提高对预设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理的智能化和准确性。
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应用程序管理装置的系统示意图;
图2为本申请实施例提供的应用程序管理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理方法的流程示意图;
图4为本申请实施例提供的应用程序管理方法的另一流程示意图;
图5为本申请实施例提供的生成总分类模型的流程示意图;
图6为本申请实施例提供的生成多个总分类模型的示意图;
图7为本申请实施例提供的应用程序管理装置的结构示意图;
图8为本申请实施例提供的应用程序管理装置的另一结构示意图;
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。
在相关技术中,电子设备对后台的应用程序进行管理时,通常是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某些用户很重要、或者某些用户在短时间内需要再次使用某些应用程序,若在对后台的应用程序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,所述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应用程序管理装置的系统示意图。该应用程序管理装置主要用于:预先采集预设应用程序的总样本集,为预设应用程序建立总分类模型,其中总样本集包括Q维特征信息,Q为大于等于2的正整数;当预设应用程序进入电子设备的后台时,获取预设应用程序当前的Q维特征信息,并利用该预设应用程序对应的总分类模型对该预设应用程序进行预测,生成预测结果;然后根据该预测结果判断该预设应用程序是否需要被使用,以对预设应用程序进行管理,例如关闭、或者冻结等。
具体地,请参阅图2,图2为本申请实施例提供的应用程序管理装置的应用场景示意图。比如,应用程序管理装置在接收到管理请求时,检测到在电子设备的后台运行的应用程序包括预设应用程序a、预设应用程序b以及预设应用程序c;然后分别获取预设应用程序a对应的总分类模型A、预设应用程序b对应的总分类模型B以及预设应用程序c对应的总分类模型C;通过总分类模型A对预设应用程序a是否需要被使用的概率进行预测,得到概率a’,通过总分类模型B对预设应用程序b是否需要被使用的概率进行预测,得到概率b’,总分类模型C对预设应用程序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’对后台运行的预设应用程序a、预设应用程序b以及预设应用程序c进行管理,例如将概率最低的预设应用程序b关闭。
本申请实施例提供一种应用程序管理方法,该应用程序管理方法的执行主体可以是本申请实施例提供的应用程序管理装置,或者集成了该应用程序管理装置的电子设备,其中该应用程序管理装置可以采用硬件或者软件的方式实现。
本申请实施例将从应用程序管理装置的角度进行描述,该应用程序管理装置具体可以集成在电子设备中。该应用程序管理方法包括:获取预设应用程序的总样本集,其中所述总样本集中的每个样本可以包括Q维特征信息,其中Q为大于等于2的正整数;多次从所述总样本集中抽取K维特征信息,生成多个子样本集,其中K为小于Q的正整数;根据所述多个子样本集,生成每个子样本集对应的子分类模型;根据多个子分类模型,生成总分类模型;当检测到预设应用程序进入后台时,总分类模型根据预设应用程序当前的Q维特征信息进行预测,生成预测结果,并根据预测结果对预设应用程序进行管理。
请参阅图3,图3为本申请实施例提供的应用程序管理方法的流程示意图。本申请实施例提供的应用程序管理方法应用于电子设备,具体流程可以如下:
步骤101,获取预设应用程序的总样本集,其中该总样本集中的每个样本包括Q维特征信息,Q为大于等于2的正整数。
比如,获取预设应用程序的多个样本,该多个样本形成总样本集。
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。
总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。预设频率可以是,例如每10分钟。
其中每个样本可以包括Q维特征信息。这些特征信息可以是与预设应用程序相关的特征信息,例如应用程序类型、在后台的运行时长、一天中进入后台的次数、上一次在前台的使用时长、或者进入后台的方式(例如被起始键(即HOME键)切换、被返回键切换、或者被其他APP切换)等等;也可以是与电子设备相关的特征信息,例如电子设备的熄屏(即灭屏)时间、亮屏时间、剩余电量、网络状态、或者充电状态等等。
可以理解的是,特征信息的一个类别即表示一个维度。
步骤102,多次从总样本集随机抽取K维特征信息,生成多个子样本集,其中K为小于Q的正整数。
比如,每次从总样本集中抽取K维特征信息,生成子样本集;多次重复上述步骤,生成多个子样本集。
其中,每次从样本中随机抽取的特征信息的维度K可以是预先设定的维度数量。
由于子样本集仅是从总样本集中随机抽取K维特征信息,因此子样本集中的子样本数量与总样本集中的样本数量是相同的。
具体的,比如,总样本集中包括100个样本,每个样本包括10个维度的特征信息,从总样本集中随机抽取5个维度的特征信息,生成子样本集,则该子样本集包括100个子样本,每个子样本包括随机抽取的5维特征信息。
从总样本集中随机抽取特征信息生成子样本集的次数,可以根据实际需要设定。例如,可以根据电子设备的计算能力以及总样本集中样本的数量等因素设定从总样本集中抽取子样本集的次数。
步骤103,根据多个子样本集,生成每个子样本集对应的子分类模型。
步骤104,根据多个子分类模型,生成总分类模型。
其中,步骤103和步骤104可以包括:
比如,根据预设分类算法对每个子样本集进行训练,生成每个子样本集对应的子分类模型;然后根据预设迭代算法对所述子分类模型进行训练,生成总分类模型。
其中,预设分类算法可以包括任意的分类算法,例如决策树算法、邻近算法(K-Nearest Neighbor,KNN)、逻辑回归算法或者支持向量机算法(Support Vector Machine,SVM)等等。其中,决策树算法可以包括,例如ID3算法、C4.5算法、或者随机森林(RandomForest,RF)算法等。
预设迭代算法可以是adaboost算法等等。
子分类模型可以是决策树分类模型、或者选择树分类模型等。
总分类模型可以是由多个子分类模型构成的分类模型。例如可以由多个子分类模型及相应权重构成总分类模型,以提高总分类模型的准确性。
当样本包含的特征信息的维度较多时,直接基于样本生成一个分类模型,难以保证该分类模型的准确性,并且计算量较大。而本申请实施例从总样本集中随机抽取部分维度的特征信息生成子样本集,对子样本集进行训练,生成对应的子分类模型,再对多个子分类模型进行训练,生成总分类模型,可以提高总分类模型的准确性,并且减少计算资源和计算时间,提高处理效率。
实质上,步骤102至步骤104即为利用adaboost算法为预设应用程序生成总分类模型。
在某些实施方式中,可以重复上述步骤101至步骤104,为多个预设应用程序生成对应的总分类模型,例如可以为电子设备中安装的每个预设应用程序生成对应的总分类模型,从而当某个预设应用程序进入后台时,可以根据相应的总分类模型对该预设应用程序进行预测。
在某些实施方式中,可以在检测到有新的应用程序安装至电子设备时,将该新的应用程序确定为预设应用程序,并重复上述步骤101至步骤104,生成该新的应用程序对应的总分类模型。
在某些实施方式中,步骤101至步骤104可以在服务器中执行。例如,可以在服务器生成预设应用程序相应的总分类模型,再将总分类模型发送至电子设备,当预设应用程序进行电子设备的后台时,电子设备根据预设应用程序当前的Q维特征信息对预设应用程序是否需要被使用进行预测。
步骤105,当检测到预设应用程序进入后台时,总分类模型根据预设应用程序当前的Q维特征信息进行预测,生成预测结果,并根据该预测结果用于对预设应用程序进行管理。
比如,当检测到预设应用程序进入后台时,将预设应用程序当前的Q维特征信息输入相应的总分类模型;总分类模型根据当前的Q维特征信息进行预测,生成预测结果,然后根据该预测结果对预设应用程序进行管理,例如关闭或者冻结等等。
其中,预设应用程序当前的Q维特征信息与生成总分类模型时采用的Q维特征信息的维度相同。
在某些实施方式中,当检测到后台存在多个预设应用程序时,可以利用每个预设应用程序相应的总分类模型对各个预设应用程序进行预测,生成预测结果,其中该预测结果可以是各个预设应用程序还需要被使用的概率;然后根据各个预设应用程序还需要被使用的概率,按照从高到低的顺序对这些预设应用程序进行排序,得到排序结果;接着根据排序结果对后台的这些预设应用程序进行管理。其中,“根据排序结果对后台的这些预设应用程序进行管理”可以包括:
比如,将概率较低的预设数量的预设应用程序进行关闭,和/或将概率较高的预设数量的预设应用程序进行冻结。
又比如,将概率低于预设阈值的预设应用程序进行关闭。
本申请实施例的应用程序管理方法通过多次从总样本集中随机抽取部分特征信息生成多个子样本集,对子样本集进行训练生成子分类模型,再将这些子分类模型构成一个总分类模型,可以提高对进入后台的预设应用程序是否还需要被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理的智能化和准确性。
进一步地,由于总样本集中的每个样本可以包括反映用户使用预设应用程序的行为习惯的多个特征信息,因此本申请实施例可以使得对预设应用程序的管理更加个性化。
更进一步地,由于本申请实施例针对每个预设应用程序生成相应的总分类模型,可以根据用户使用每个预设应用程序的行为习惯对每个预设应用程序进行预测,因此本申请实施例可以对每个预设应用程序进行个性化地管理,提升了对后台的应用程序进行管理的智能化和准确性。
在某些实施方式中,“根据多个子分类模型,生成总分类模型”的步骤,可以包括:
根据子样本集以及子分类模型,生成子分类模型对应的权重;
根据子分类模型以及子分类模型对应的权重,生成总分类模型。
其中,子分类模型对应的权重可以反映该子分类模型的分类效果。例如,若子分类模型的分类效果越好,则该子分类模型对应的权重越高;若子分类模型的分类效果越差,则该子分类模型对应的权重越低。因此,根据子分类模型及其对应的权重生成的总分类模型可以是对多个子分类模型进行加权平均,从而可以提高总分类模型的准确性。
在某些实施方式中,“根据子样本集以及子分类模型,生成子分类模型对应的权重”的步骤,可以包括:
根据子样本集以及子分类模型,生成子分类模型的错误率;
根据子分类模型的错误率,生成子分类模型对应的权重。
其中,子分类模型的错误率指的是,利用该子分类模型对子样本集中的子样本进行预测的预测结果与标记结果不一致的概率。具体的,子分类模型的错误率指的是预测结果错误(即预测结果与标记结果不一致)的子样本占所有子样本的概率。
需要说明的是,标记结果指的是在采集特征信息时,根据每一时间点采集的Q维特征信息,标记预设应用程序是否还需要被使用的结果,即标记结果包括“需要被使用”和“不需要被使用”。其中,标记方法可以是采用预设规则进行标记,例如预设应用程序在进入后台5分钟内没有被用到,则该预设应用程序的标记结果为“不需要被使用”。在一些实施方式中,可以用“1”表示“需要被使用”,并且用“0”表示“不需要被使用”。
在本申请实施例中,子分类模型的错误率越低,则说明该子分类模型的分类效果越好,从而根据该子分类模型的错误率生成的权重越高;子分类模型的错误率越高,则说明该子分类模型的分类效果越差,从而根据该子分类模型的错误率生成权重越低。
需要说明的是,在某些实施方式中,子样本集中的每个子样本可以有子样本权重,其中该子样本权重用于指示该子样本的重要程度。进而,子分类模型的错误率可以是预测结果错误的子样本权重的总和。
在某些实施方式中,“根据子样本集以及子分类模型,生成子分类模型的错误率”的步骤,可以包括:
基于第一预设公式对子样本集以及子分类模型进行处理,生成子分类模型的错误率,其中该第一预设公式为:
其中,m表示第m个子样本集;
第m个子样本集为(Xm1,Xm2,...,XmN);
M表示子样本集的数量;
N表示子样本集中的子样本数量;
Xmn表示第m个子样本集中的第n个样本;
tmn表示第m个子样本集中的第n个子样本的标记结果,其中tmn=1表示“需要被使用”,tmn=0表示“不需要被使用”;
ym(X)表示第m个子分类模型,其中X表示一个子样本,ym(X)=1表示“需要被使用”,ym(X)=0表示“不需要被使用”;
I(ym(Xmn)≠tmn)表示第m个子分类模型对第m个子样本集中的第n个子样本(即Xmn)的预测结果(即ym(Xmn))与标记结果(即tmn)不一致;
εm表示第m个子分类模型的错误率。
本申请实施例通过将子样本集中的所有子样本输入子分类模型计算该分类模型的错误率,可以提高该错误率的准确度。
在某些实施方式中,“根据子分类模型的错误率,生成子分类模型对应的权重”的步骤,可以包括:
基于第二预设公式对子分类模型的错误率进行处理,生成子类器对应的权重,其中该第二预设公式为:
其中,αm表示第m个子分类模型的权重。
根据上述第二预设公式可知,若子分类模型的错误率越高,则该子分类模型对应的权重越低;若子分类模型的错误率越低,则该子分类模型对应的权重越高。
在某些实施方式中,“根据子类器以及子类器对应的权重,生成总分类模型”的步骤,可以包括:
基于第三预设公式对子分类模型以及子分类模型对应的权重进行处理,生成总分类模型,其中该第三预设公式为:
其中,Y(X)表示总分类模型。
根据上述第三预设公式可知,总分类模型与多个子分类模型的加权平均有关,可以提高预测的准确性。
当利用总分类模型Y(X)进行预测时,X为预测应用程序当前的Q维特征信息.。
在某些实施方式中,在“获取预设应用程序的总样本集”的步骤之后,还可以包括:
对总样本集中的样本进行标记,生成每个样本的标记结果。
其中,对样本进行标记可以是利用预设规则进行标记。例如,采集预设应用程序在某一时间点的样本之后,监测该预设应用程序在进入后台5分钟内有没有被使用,若没有被使用,则该样本的标记结果为“不需要被使用”;若被使用,则该样本的标记结果为“需要被使用”。在一些实施方式中,可以用“1”表示“需要被使用”,并且用“0”表示“不需要被使用”。
在某些实施方式中,“多次从总样本集随机抽取K维特征信息,生成多个子样本集”的步骤,可以包括:
多次从每个样本中随机抽取K维特征信息,生成对应的子样本;
将每次形成的多个子样本确定为子样本集。
比如,每次从样本的Q维特征信息中随机抽取K维特征信息,将样本中被抽取到的K维特征信息提取出来,形成对应的子样本;将每次形成的多个子样本确定为子样本集;重复上述步骤多次,形成多个子样本集。
其中,从样本从随机抽取的特征信息的维度K可以根据实际需要设定,例如K可以是样本的特征信息的总维数Q的1/5等等。
进而,在“多次从总样本集随机抽取K维特征信息,生成多个子样本集”的步骤之后,还可以包括:
将每个样本的标记结果确定为对应的子样本的标记结果。
即,每个子样本的标记结果与对应的样本的标记结果相同。
在某些实施方式中,本申请实施例的应用程序管理方法还可以包括:
根据样本中的Q维特征信息以及子样本中的K维特征信息,确定子样本集的数量。
可以理解的是,由于每次从总样本集随机抽取K维特征信息可以生成一个子样本集,因此子样本集的数量与从总样本集中随机抽取K维特征信息的次数相同。并且,子样本集的数量即为子分类模型的数量。
在某些实施方式中,“确定子样本集的数量”的步骤,可以包括:
根据第四预设公式,确定子样本集的数量,其中该第四预设公式为:
可以理解的是,根据随机组合原理,从样本的Q维特征信息随机抽取K维特征信息包括种组合。在本申请实施例中,将随机抽取的次数(即子样本集的数量)设置为既可以减少计算量,又可以保证子分类模型的数量,以提高总分类模型的准确性。
在某些实施方式中,“获取预设应用程序的总样本集”的步骤,包括:
每隔预设时长获取Q维特征信息,其中特征信息的维度包括预设应用程序的运行特征信息和/或电子设备的状态特征信息;
将每次获取的该Q维特征信息确定为样本;
在预设历史时间段内获取多个样本,生成总样本集。
比如,预设时长可以设置为10分钟。预设历史时间段可以设置为过去15天。
其中,预设应用程序的运行特征信息可以包括但不限于以下的一种或多种:应用程序类型、在后台的运行时长、一天中进入后台的次数、上一次在前台的使用时长、或者进入后台的方式(例如被起始键(即HOME键)切换、被返回键切换、或者被其他APP切换)等等。
电子设备的状态特征信息可以包括但不限于以下的一种或多种:电子设备的熄屏(即灭屏)时间、亮屏时间、剩余电量、网络状态、或者充电状态等等。
需要说明的是,以上对运行特征信息和状态特征信息的举例并不代表对运行特征信息或状态特征信息的限定。
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,本申请实施例的应用程序管理方法,应用于电子设备,通过多次从预设应用程序的总样本集中随机抽取子样本集,对这些子样本集分别进行训练生成多个子分类模型,再将这些子分类模型构成一个总分类模型,可以提高对进入后台的预设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理的智能化和准确性。
请参阅图4,图4为本申请实施例提供的应用程序管理方法的另一流程示意图。本申请实施例以应用程序管理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理方法的具体实施步骤。该应用程序管理方法包括以下步骤:
步骤201,获取预设应用程序的总样本集,其中该总样本集中的每个样本包括Q维特征信息,Q为大于等于2的正整数。
比如,每隔预设时长获取Q维特征信息,其中特征信息的维度包括预设应用程序的运行特征信息和/或电子设备的状态特征信息;将每个时间点获取的该Q维特征信息确定为样本;在预设历史时间段内获取多个样本,生成总样本集。可以理解的是,特征信息至少包括预设应用程序的运行特征信息。
具体的,例如获取预设应用程序E的总样本集T’,该总样本集T’包括N个样本,每个样本包括Q维特征信息。进而,若用Xn'=(xn1,xn2,...,xnQ)表示一个样本,则总样本集T’可以表示为T'=(X1',X2',...,XN'),其中N为大于等于2的正整数,n为小于等于N的正整数。
其中,预设应用程序的运行特征信息可以包括但不限于以下的一种或多种:应用程序类型、在后台的运行时长、一天中进入后台的次数、上一次在前台的使用时长、或者进入后台的方式(例如被起始键(即HOME键)切换、被返回键切换、或者被其他APP切换)等等。
电子设备的状态特征信息可以包括但不限于以下的一种或多种:电子设备的熄屏(即灭屏)时间、亮屏时间、剩余电量、网络状态、或者充电状态等等。
需要说明的是,以上对运行特征信息和状态特征信息的举例并不代表对运行特征信息或状态特征信息的限定。
在某些实施方式中,特征信息的维度可以如表1所示:
表1
需要说明的是,表1中的维度仅是对特征信息的举例,并不表示对特征信息的维度进行限定。在某些实施方式中,可以根据实际需要选择特征信息。
在某些实施方式中,总样本集可以用列表的形式记录和存储,例如表2。
样本序号 | 特征信息1 | 特征信息2 | 特征信息… | 特征信息Q |
X<sub>1</sub>’ | x<sub>11</sub> | x<sub>12</sub> | … | x<sub>1Q</sub> |
X<sub>2</sub>’ | x<sub>21</sub> | x<sub>22</sub> | … | x<sub>2Q</sub> |
… | … | … | … | … |
X<sub>N</sub>’ | x<sub>N1</sub> | x<sub>N1</sub> | … | x<sub>NQ</sub> |
表2
步骤202,对总样本集中的样本进行标记,生成每个样本的标记结果。
在某些实施方式中,可以利用预设规则对样本进行标记。例如,采集预设应用程序E在某一时间点的样本之后,监测该预设应用程序在进入后台5分钟内有没有被使用,若没有被使用,则该样本的标记结果为“不需要被使用”;若被使用,则该样本的标记结果为“需要被使用”。在一些实施方式中,可以用“1”表示“需要被使用”,并且用“0”表示“不需要被使用”。
在某些实施方式中,样本的标记结果可以用列表的形式记录和存储,如表3所示。
样本序号 | 特征信息1 | 特征信息2 | 特征信息… | 特征信息Q | 标记结果 |
X<sub>1</sub>’ | x<sub>11</sub> | x<sub>12</sub> | … | x<sub>1Q</sub> | 1 |
X<sub>2</sub>’ | x<sub>21</sub> | x<sub>22</sub> | … | x<sub>2Q</sub> | 0 |
… | … | … | … | … | … |
X<sub>N</sub>’ | x<sub>N1</sub> | x<sub>N1</sub> | … | x<sub>NQ</sub> | 1 |
表3
步骤203,从总样本集随机抽取K维特征信息,生成子样本集。
比如,从总样本集T’中随机抽取K维特征信息,生成子样本集T。进而,可以用Tm表示生成的第m个子样本集。
具体的,比如,第m次从样本Xn’的Q维特征信息中随机抽取K维特征信息,生成该样本Xn’对应的子样本Xmn,则子样本集Tm可以表示为Tm=(Xm1,Xm2,...,XmN)。
在某些实施方式中,子样本集可以用列表的形式记录和存储,如表4所示。
子样本序号 | 特征信息1 | 特征信息2 | 特征信息… | 特征信息K |
X<sub>m1</sub> | x<sub>11</sub> | x<sub>12</sub> | … | x<sub>1K</sub> |
X<sub>m2</sub> | x<sub>21</sub> | x<sub>22</sub> | … | x<sub>2K</sub> |
… | … | … | … | … |
X<sub>mN</sub> | x<sub>N1</sub> | x<sub>N1</sub> | … | x<sub>NK</sub> |
表4
需要说明的是,表4仅是对抽取到的其中一个子样本集进行举例,每次从样本Xn’的Q维特征信息中随机抽取的K维特征信息可以是不同的。
步骤204,将每个样本的标记结果确定为对应的子样本的标记结果。
在某些实施方式中,子样本的标记结果可以用列表的形式记录和存储,如表5所示。
子样本序号 | 特征信息1 | 特征信息2 | 特征信息… | 特征信息K | 标记结果 |
X<sub>m1</sub> | x<sub>11</sub> | x<sub>12</sub> | … | x<sub>1K</sub> | 1 |
X<sub>m2</sub> | x<sub>21</sub> | x<sub>22</sub> | … | x<sub>2K</sub> | 0 |
… | … | … | … | … | … |
X<sub>mN</sub> | x<sub>N1</sub> | x<sub>N1</sub> | … | x<sub>NK</sub> | 1 |
表5
步骤205,根据子样本集以及子样本集中各子样本的标记结果,生成对应的子分类模型。
比如,请一并参阅图5,根据预设分类算法对子样本集Tm以及子样本集Tm中各子样本Xmn的标记结果进行训练,生成子样本集Tm对应的子分类模型ym(X)。
其中,预设分类算法可以包括任意的分类算法,例如决策树算法、邻近算法(K-Nearest Neighbor,KNN)、逻辑回归算法或者支持向量机算法(Support Vector Machine,SVM)等等。其中,决策树算法可以包括,例如ID3算法、C4.5算法、或者随机森林(RandomForest,RF)算法等。
步骤206,基于第一预设公式对子样本集以及子分类模型进行处理,生成子分类模型的错误率。
其中,第一预设公式为:
其中,第m个子样本集为Tm=(Xm1,Xm2,...,XmN);
M表示子样本集的数量;
N表示子样本集Tm中的子样本数量;
Xmn表示子样本集Tm中的第n个样本;
tmn表示子样本集Tm中的第n个子样本的标记结果,其中tmn=1表示“需要被使用”,tmn=0表示“不需要被使用”;
ym(X)表示第m个子分类模型,其中X表示一个子样本;
I(ym(Xmn)≠tmn)表示第m个子分类模型对子样本集Tm中的第n个子样本(即Xmn)的预测结果(即ym(Xmn))与标记结果(即tmn)不一致;
εm表示第m个子分类模型的错误率。
步骤207,基于第二预设公式对子分类模型的错误率进行处理,生成子类器对应的权重。
其中,第二预设公式为:
其中,αm表示第m个子分类模型的权重。
根据上述第二预设公式可知,若子分类模型的错误率越高,则该子分类模型对应的权重越低;若子分类模型的错误率越低,则该子分类模型对应的权重越高。
步骤208,判断子分类模型的数量是否达到预设数量,若否则重复执行步骤203至步骤207,若是则执行步骤209。
子分类模型的数量即为子样本集的数量,在某些实施方式中,确定子样本集的数量的步骤可以包括:
根据第四预设公式,确定子样本集的数量(即子分类模型的数量),其中该第四预设公式为:
可以理解的是,根据随机组合原理,从样本的Q维特征信息随机抽取K维特征信息包括种组合。在本申请实施例中,将随机抽取的次数(即子样本集的数量)设置为既可以减少计算量,又可以保证子分类模型的数量,以提高总分类模型的准确性,
步骤209,基于第三预设公式对子分类模型以及子分类模型对应的权重进行处理,生成总分类模型。
其中第三预设公式为:
其中,Y(X)表示总分类模型。
根据上述第三预设公式可知,总分类模型与多个子分类模型的加权平均有关,可以提高预测的准确性。
需要说明的是,步骤201至步骤209可以预先完成,即预先生成预设应用程序的总分类模型,将该总分类模型集成在电子设备中。
当利用总分类模型Y(X)进行预测时,X为预测应用程序当前的Q维特征信息.。
进一步地,可以不断地采集预设应用程序的样本,对总分类模型进行更新,以获得更加准确的预测结果。
更进一步地,可以对不同的预设应用程序执行步骤201至步骤209,以生成每个预设应用程序相应的总分类模型,从而利用总分类模型对相应的预设应用程序进入后台时是否需要被使用进行个性化的且准确的预测。请参阅图6,图6是以预设应用程序a、预设应用程序b以及预设应用程序c为例。
步骤210,当检测到预设应用程序进入后台时,总分类模型根据预设应用程序当前的Q维特征信息进行预测,生成预测结果,并根据该预测结果用于对预设应用程序进行管理。
比如,当检测到预设应用程序进入后台时,将预设应用程序当前的Q维特征信息输入相应的总分类模型;总分类模型根据当前的Q维特征信息进行预测,生成预测结果,然后根据该预测结果对预设应用程序进行管理,例如关闭或者冻结等等。
其中,预设应用程序当前的Q维特征信息与生成总分类模型时采用的Q维特征信息的维度相同。
在某些实施方式中,当检测到后台存在多个预设应用程序时,可以利用每个预设应用程序相应的总分类模型对各个预设应用程序进行预测,生成预测结果,其中该预测结果可以是各个预设应用程序还需要被使用的概率;然后根据各个预设应用程序还需要被使用的概率,按照从高到低的顺序对这些预设应用程序进行排序,得到排序结果;接着根据排序结果对后台的这些预设应用程序进行管理。其中,“根据排序结果对后台的这些预设应用程序进行管理”可以包括:
比如,将概率较低的预设数量的预设应用程序进行关闭,和/或将概率较高的预设数量的预设应用程序进行冻结。
又比如,将概率低于预设阈值的预设应用程序进行关闭。
本申请实施例的应用程序管理方法,应用于电子设备,通过多次从预设应用程序的总样本集中随机抽取子样本集,对这些子样本集分别进行训练生成多个子分类模型,再将这些子分类模型构成一个总分类模型,可以提高对进入后台的预设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理的智能化和准确性。
为便于更好地实施本申请实施例提供的应用程序管理方法,本申请实施例还提供一种应用程序管理装置。其中名词的含义与上述应用程序管理方法相同,具体实现细节可以参考方法实施例中的说明。
请参阅图7,图7为本申请实施例提供的应用程序管理装置的结构示意图。其中该应用程序管理装置300应用于电子设备,该应用程序管理装置300包括获取单元301、第一生成单元302、第二生成单元303、第三生成单元304以及管理单元305。
其中,获取单元301,用于获取预设应用程序的总样本集,其中该总样本集中的每个样本包括Q维特征信息,Q为大于等于2的正整数;
第一生成单元302,用于多次从总样本集随机抽取K维特征信息,生成多个子样本集,其中K为小于Q的正整数;
第二生成单元303,用于根据多个子样本集,生成每个子样本集对应的子分类模型;
第三生成单元304,用于根据多个所述子分类模型,生成总分类模型;
管理单元305,用于当检测到所述预设应用程序进入后台时,所述总分类模型根据所述预设应用程序当前的Q维特征信息进行预测,生成预测结果,并根据所述预测结果对所述预设应用程序进行管理。
请一并参阅图8,图8为本申请实施例提供的应用程序管理装置的另一结构示意图。
在某些实施方式中,第三生成单元304可以用于:
根据所述子样本集以及所述子分类模型,生成所述子分类模型对应的权重;
根据所述子分类模型以及所述子分类模型对应的权重,生成总分类模型。
在某些实施方式中,第三生成单元304可以具体用于:
根据所述子样本集以及所述子分类模型,生成所述子分类模型的错误率;
根据所述子分类模型的错误率,生成所述子分类模型对应的权重。
在某些实施方式中,第三生成单元304可以具体用于::
基于第一预设公式对所述子样本集以及所述子分类模型进行处理,生成所述子分类模型的错误率,其中所述第一预设公式为:
其中m表示第m个子样本集,所述第m个子样本集为(Xm1,Xm2,...,XmN),所述M表示所述子样本集的数量,所述N表示所述子样本集中的子样本数量,所述Xmn表示所述第m个子样本集中的第n个子样本,所述tmn表示所述第m个子样本集中的所述第n个子样本的标记结果,ym(X)表示第m个子分类模型,X表示一个子样本,所述I(ym(Xmn)≠tmn)表示第m个子分类模型对第m个子样本集中的第n个子样本的预测结果与标记结果不一致,所述εm表示第m个子分类模型的错误率。
在某些实施方式中,第三生成单元304可以具体用于::
基于第二预设公式对所述子分类模型的错误率进行处理,生成所述子类器对应的权重,其中所述第二预设公式为:
其中所述αm表示第m个子分类模型的权重。
在某些实施方式中,第三生成单元304可以具体用于::
基于第三预设公式对所述子分类模型以及所述子分类模型对应的权重进行处理,生成总分类模型,其中所述第三预设公式为:
其中所述Y(X)表示所述总分类模型。
在某些实施方式中,应用程序管理装置300还可以包括标记单元306。
其中,标记单元306可以用于对所述总样本集中的样本进行标记,生成每个样本的标记结果。
在某些实施方式中,第一生成单元302可以用于:
多次从每个样本中随机抽取K维特征信息,生成对应的子样本;
将每次形成的多个子样本确定为子样本集;
进而,应用程序管理装置300还可以包括第一确定单元307。
其中,第一确定单元307可以用于将所述每个样本的标记结果确定为对应的子样本的标记结果。
在某些实施方式中,应用程序管理装置300还可以包括第二确定单元308。
其中第二确定单元308可以用于根据所述样本中的Q维特征信息以及所述子样本中的K维特征信息,确定所述子样本集的数量。
在某些实施方式中,第二确定单元308可以具体用于:
根据第四预设公式,确定所述子样本集的数量,其中所述第四预设公式为:
在某些实施方式中,获取单元301可以用于:
每隔预设时长获取Q维特征信息,其中所述特征信息的维度包括所述预设应用程序的运行特征信息和/或所述电子设备的状态特征信息;
将每次获取的所述Q维特征信息确定为样本;
在预设历史时间段内获取多个所述样本,生成总样本集。
具体实施时,以上各个模块可以作为独立的实体来实现,也可以进行任意组合,作为同一或若干个实体来实现。
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,本申请实施例的应用程序管理装置,应用于电子设备,通过多次从预设应用程序的总样本集中随机抽取子样本集,对这些子样本集分别进行训练生成多个子分类模型,再将这些子分类模型构成一个总分类模型,可以提高对进入后台的预设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理的智能化和准确性。
本申请实施例中,所述应用程序管理装置与上文实施例中的应用程序管理方法属于同一构思,在所述应用程序管理装置上可以运行所述应用程序管理方法实施例中提供的任一方法,其具体实现过程详见所述应用程序管理方法的实施例,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。
所述处理器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。
所述存储器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:
获取预设应用程序的总样本集,其中所述总样本集中的每个样本包括Q维特征信息,所述Q为大于等于2的正整数;
多次从所述总样本集随机抽取K维特征信息,生成多个子样本集,其中K为小于所述Q的正整数;
根据所述多个子样本集,生成每个子样本集对应的子分类模型;
根据多个所述子分类模型,生成总分类模型;
当检测到所述预设应用程序进入后台时,所述总分类模型根据所述预设应用程序当前的Q维特征信息进行预测,生成预测结果,并根据所述预测结果对所述预设应用程序进行管理。
在某些实施方式中,处理器401还用于执行以下步骤:
根据所述子样本集以及所述子分类模型,生成所述子分类模型对应的权重;
根据所述子分类模型以及所述子分类模型对应的权重,生成总分类模型。
在某些实施方式中,处理器401还用于执行以下步骤:
根据所述子样本集以及所述子分类模型,生成所述子分类模型的错误率;
根据所述子分类模型的错误率,生成所述子分类模型对应的权重。
在某些实施方式中,处理器401还用于执行以下步骤:
基于第一预设公式对所述子样本集以及所述子分类模型进行处理,生成所述子分类模型的错误率,其中所述第一预设公式为:
其中m表示第m个子样本集,所述第m个子样本集为(Xm1,Xm2,...,XmN),所述M表示所述子样本集的数量,所述N表示所述子样本集中的子样本数量,所述Xmn表示所述第m个子样本集中的第n个子样本,所述tmn表示所述第m个子样本集中的所述第n个子样本的标记结果,ym(X)表示第m个子分类模型,X∈(Xm1,Xm2,...,XmN),所述I(ym(Xmn)≠tmn)表示第m个子分类模型对第m个子样本集中的第n个子样本的预测结果与标记结果不一致,所述εm表示第m个子分类模型的错误率。
在某些实施方式中,处理器401还用于执行以下步骤:
基于第二预设公式对所述子分类模型的错误率进行处理,生成所述子类器对应的权重,其中所述第二预设公式为:
其中所述αm表示第m个子分类模型的权重。
在某些实施方式中,处理器401还用于执行以下步骤:
基于第三预设公式对所述子分类模型以及所述子分类模型对应的权重进行处理,生成总分类模型,其中所述第三预设公式为:
其中所述Y(X)表示所述总分类模型。
在某些实施方式中,处理器401还用于执行以下步骤:
对所述总样本集中的样本进行标记,生成每个样本的标记结果。
在某些实施方式中,处理器401还用于执行以下步骤:
多次从每个样本中随机抽取K维特征信息,生成对应的子样本;
将每次形成的多个子样本确定为子样本集;
在所述多次从所述总样本集随机抽取K维特征信息,生成多个子样本集的步骤之后,还包括:
将所述每个样本的标记结果确定为对应的子样本的标记结果。
在某些实施方式中,处理器401还用于执行以下步骤:
根据所述样本中的Q维特征信息以及所述子样本中的K维特征信息,确定所述子样本集的数量。
在某些实施方式中,处理器401还用于执行以下步骤:
根据第四预设公式,确定所述子样本集的数量,其中所述第四预设公式为:
在某些实施方式中,处理器401还用于执行以下步骤:
每隔预设时长获取Q维特征信息,其中所述特征信息的维度包括所述预设应用程序的运行特征信息和/或所述电子设备的状态特征信息;
将每次获取的所述Q维特征信息确定为样本;
在预设历史时间段内获取多个所述样本,生成总样本集。
由上述可知,本申请实施例的电子设备,通过多次从预设应用程序的总样本集中抽取子样本集,对这些子样本集分别进行训练生成多个子分类模型,再将这些子分类模型构成一个总分类模型,可以提高对进入后台的预设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理的智能化和准确性。
请一并参阅图10,在某些实施方式中,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。
所述显示器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,在某些实施方式中,可以采用液晶显示器(Liquid CrystalDisplay,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。
所述射频电路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。
所述音频电路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。
所述电源406可以用于给电子设备400的各个部件供电。在一些实施例中,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,所述存储介质存储有计算机程序,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任一实施例中的应用程序管理方法,比如:获取预设应用程序的总样本集,其中所述总样本集中的样本包括Q维特征信息,Q为大于等于2的正整数;多次从所述总样本集随机抽取K维特征信息,生成多个子样本集,其中K为小于所述Q的正整数;根据多个子样本集,生成每个子样本集对应的子分类模型;根据多个所述子分类模型,生成总分类模型;当检测到所述预设应用程序进入后台时,所述总分类模型根据所述预设应用程序当前的Q维特征信息进行预测,生成预测结果,并根据所述预测结果对所述预设应用程序进行管理。
在本申请实施例中,所述存储介质可以是磁碟、光盘、只读存储器(Read OnlyMemory,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,对本申请实施例的所述应用程序管理方法而言,本领域普通测试人员可以理解实现本申请实施例所述应用程序管理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,所述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所述应用程序管理方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储器、随机存取记忆体等。
对本申请实施例的所述应用程序管理装置而言,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。所述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,所述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应用程序管理方法、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 (24)
1.一种应用程序管理方法,应用于电子设备,其特征在于,包括步骤:
获取预设应用程序的总样本集,其中所述总样本集中的每个样本包括反映用户使用所述预设应用程序的行为习惯的Q维特征信息,所述Q为大于等于2的正整数;
多次从所述总样本集随机抽取K维特征信息,生成多个子样本集,其中K为小于所述Q的正整数;
根据所述多个子样本集,生成每个子样本集对应的子分类模型;
根据多个所述子分类模型以及预设迭代算法生成与所述预设应用程序对应的总分类模型;
当检测到所述预设应用程序进入后台时,所述总分类模型根据所述预设应用程序当前的Q维特征信息进行预测,生成预测结果,并根据所述预测结果对所述预设应用程序进行管理。
2.根据权利要求1所述的应用程序管理方法,其特征在于,所述根据多个所述子分类模型,生成总分类模型的步骤,包括:
根据所述子样本集以及所述子分类模型,生成所述子分类模型对应的权重;
根据所述子分类模型以及所述子分类模型对应的权重,生成总分类模型。
3.根据权利要求2所述的应用程序管理方法,其特征在于,所述根据所述子样本集以及所述子分类模型,生成所述子分类模型对应的权重的步骤,包括:
根据所述子样本集以及所述子分类模型,生成所述子分类模型的错误率;
根据所述子分类模型的错误率,生成所述子分类模型对应的权重。
4.根据权利要求3所述的应用程序管理方法,其特征在于,所述根据所述子样本集以及所述子分类模型,生成所述子分类模型的错误率的步骤,包括:
基于第一预设公式对所述子样本集以及所述子分类模型进行处理,生成所述子分类模型的错误率,其中所述第一预设公式为:
其中m表示第m个子样本集,所述第m个子样本集为(Xm1,Xm2,...,XmN),所述M表示所述子样本集的数量,所述N表示所述子样本集中的子样本数量,所述Xmn表示所述第m个子样本集中的第n个子样本,所述tmn表示所述第m个子样本集中的第n个子样本的标记结果,ym(X)表示第m个子分类模型,其中X表示一个子样本,所述I(ym(Xmn)≠tmn)表示第m个子分类模型对第m个子样本集中的第n个子样本的预测结果与标记结果不一致,所述εm表示第m个子分类模型的错误率。
7.根据权利要求1至6任一项所述的应用程序管理方法,其特征在于,在所述获取预设应用程序的总样本集的步骤之后,还包括:
对所述总样本集中的样本进行标记,生成每个样本的标记结果。
8.根据权利要求7所述的应用程序管理方法,其特征在于,所述多次从所述总样本集随机抽取K维特征信息,生成多个子样本集的步骤,包括:
多次从每个样本中随机抽取K维特征信息,生成对应的子样本;
将每次形成的多个子样本确定为子样本集;
在所述多次从所述总样本集随机抽取K维特征信息,生成多个子样本集的步骤之后,还包括:
将所述每个样本的标记结果确定为对应的子样本的标记结果。
9.根据权利要求7所述的应用程序管理方法,其特征在于,还包括:
根据所述样本中的Q维特征信息以及所述子样本中的K维特征信息,确定所述子样本集的数量。
11.根据权利要求1至6任一项所述的应用程序管理方法,其特征在于,所述获取预设应用程序的总样本集的步骤,包括:
每隔预设时长获取Q维特征信息,其中所述特征信息的维度包括所述预设应用程序的运行特征信息和/或所述电子设备的状态特征信息;
将每次获取的所述Q维特征信息确定为样本;
在预设历史时间段内获取多个所述样本,生成总样本集。
12.一种应用程序管理装置,应用于电子设备,其特征在于,包括:
获取单元,用于获取预设应用程序的总样本集,其中所述总样本集中的每个样本包括反映用户使用所述预设应用程序的行为习惯的Q维特征信息,所述Q为大于等于2的正整数;
第一生成单元,用于多次从所述总样本集随机抽取K维特征信息,生成多个子样本集,其中K为小于所述Q的正整数;
第二生成单元,用于根据所述多个子样本集,生成每个子样本集对应的子分类模型;
第三生成单元,用于根据多个所述子分类模型以及预设迭代算法生成与所述预设应用程序对应的总分类模型;
管理单元,用于当检测到所述预设应用程序进入后台时,所述总分类模型根据所述预设应用程序当前的Q维特征信息进行预测,生成预测结果,并根据所述预测结果对所述预设应用程序进行管理。
13.根据权利要求12所述的应用程序管理装置,其特征在于,所述第三生成单元用于:
根据所述子样本集以及所述子分类模型,生成所述子分类模型对应的权重;
根据所述子分类模型以及所述子分类模型对应的权重,生成总分类模型。
14.根据权利要求13所述的应用程序管理装置,其特征在于,所述第三生成单元具体用于:
根据所述子样本集以及所述子分类模型,生成所述子分类模型的错误率;
根据所述子分类模型的错误率,生成所述子分类模型对应的权重。
15.根据权利要求14所述的应用程序管理装置,其特征在于,所述第三生成单元具体用于:
基于第一预设公式对所述子样本集以及所述子分类模型进行处理,生成所述子分类模型的错误率,其中所述第一预设公式为:
其中m表示第m个子样本集,所述第m个子样本集为(Xm1,Xm2,...,XmN),所述M表示所述子样本集的数量,所述N表示所述子样本集中的子样本数量,所述Xmn表示所述第m个子样本集中的第n个子样本,所述tmn表示所述第m个子样本集中的所述第n个子样本的标记结果,ym(X)表示第m个子分类模型,其中X表示一个子样本,所述I(ym(Xmn)≠tmn)表示第m个子分类模型对第m个子样本集中的第n个子样本的预测结果与标记结果不一致,所述εm表示第m个子分类模型的错误率。
18.根据权利要求12至17任一项所述的应用程序管理装置,其特征在于,还包括:
标记单元,用于对所述总样本集中的样本进行标记,生成每个样本的标记结果。
19.根据权利要求18所述的应用程序管理装置,其特征在于,所述第一生成单元用于:
多次从每个样本中随机抽取K维特征信息,生成对应的子样本;
将每次形成的多个子样本确定为子样本集;
所述应用程序管理装置还包括:
第一确定单元,用于将所述每个样本的标记结果确定为对应的子样本的标记结果。
20.根据权利要求18所述的应用程序管理装置,其特征在于,还包括:
第二确定单元,用于根据所述样本中的Q维特征信息以及所述子样本中的K维特征信息,确定所述子样本集的数量。
22.根据权利要求12至17任一项所述的应用程序管理装置,其特征在于,所述获取单元用于:
每隔预设时长获取Q维特征信息,其中所述特征信息的维度包括所述预设应用程序的运行特征信息和/或所述电子设备的状态特征信息;
将每次获取的所述Q维特征信息确定为样本;
在预设历史时间段内获取多个所述样本,生成总样本集。
23.一种存储介质,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11任一项所述的应用程序管理方法。
24.一种电子设备,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11任一项所述的应用程序管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710919599.2A CN107741867B (zh) | 2017-09-30 | 2017-09-30 | 应用程序管理方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710919599.2A CN107741867B (zh) | 2017-09-30 | 2017-09-30 | 应用程序管理方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107741867A CN107741867A (zh) | 2018-02-27 |
CN107741867B true CN107741867B (zh) | 2020-03-10 |
Family
ID=61236594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710919599.2A Expired - Fee Related CN107741867B (zh) | 2017-09-30 | 2017-09-30 | 应用程序管理方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107741867B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109101326A (zh) * | 2018-06-06 | 2018-12-28 | 三星电子(中国)研发中心 | 一种后台进程管理方法和装置 |
CN110569119B (zh) * | 2019-08-30 | 2021-08-17 | 维沃移动通信有限公司 | 后台应用程序管理方法及终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809226A (zh) * | 2015-05-07 | 2015-07-29 | 武汉大学 | 一种早期分类不平衡多变量时间序列数据的方法 |
CN105373800A (zh) * | 2014-08-28 | 2016-03-02 | 百度在线网络技术(北京)有限公司 | 分类方法及装置 |
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 (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2946296A4 (en) * | 2013-01-17 | 2016-11-16 | Xockets Ip Llc | DELIBRATION PROCESSOR MODULES FOR CONNECTING TO A SYSTEM MEMORY |
-
2017
- 2017-09-30 CN CN201710919599.2A patent/CN107741867B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105373800A (zh) * | 2014-08-28 | 2016-03-02 | 百度在线网络技术(北京)有限公司 | 分类方法及装置 |
CN104809226A (zh) * | 2015-05-07 | 2015-07-29 | 武汉大学 | 一种早期分类不平衡多变量时间序列数据的方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN107741867A (zh) | 2018-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107678845B (zh) | 应用程序管控方法、装置、存储介质及电子设备 | |
US11860976B2 (en) | Data processing method and device, classifier training method and system, and storage medium | |
CN108337358B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
WO2020092281A1 (en) | Probabilistic neural network architecture generation | |
CN107613022B (zh) | 内容推送方法、装置及计算机设备 | |
WO2019062413A1 (zh) | 应用程序管控方法、装置、存储介质及电子设备 | |
CN107704070B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN107678800B (zh) | 后台应用清理方法、装置、存储介质及电子设备 | |
CN108228325B (zh) | 应用管理方法和装置、电子设备、计算机存储介质 | |
CN108108455B (zh) | 目的地的推送方法、装置、存储介质及电子设备 | |
CN107835311B (zh) | 应用管理方法、装置、存储介质及电子设备 | |
CN107885545B (zh) | 应用管理方法、装置、存储介质及电子设备 | |
CN107870810B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN108197225B (zh) | 图像的分类方法、装置、存储介质及电子设备 | |
CN107894827B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN107678531B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN107608778B (zh) | 应用程序管控方法、装置、存储介质及电子设备 | |
CN107741867B (zh) | 应用程序管理方法、装置、存储介质及电子设备 | |
US10229212B2 (en) | Identifying Abandonment Using Gesture Movement | |
CN111538852A (zh) | 多媒体资源处理方法、装置、存储介质及设备 | |
CN114428842A (zh) | 一种扩充问答库的方法、装置、电子设备及可读存储介质 | |
CN109961163A (zh) | 性别预测方法、装置、存储介质及电子设备 | |
CN108681480B (zh) | 后台应用程序管控方法、装置、存储介质及电子设备 | |
CN107870811B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN107943535B (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 | ||
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200310 |