CN107766892A - 应用程序管控方法、装置、存储介质及终端设备 - Google Patents

应用程序管控方法、装置、存储介质及终端设备 Download PDF

Info

Publication number
CN107766892A
CN107766892A CN201711050118.5A CN201711050118A CN107766892A CN 107766892 A CN107766892 A CN 107766892A CN 201711050118 A CN201711050118 A CN 201711050118A CN 107766892 A CN107766892 A CN 107766892A
Authority
CN
China
Prior art keywords
application program
value
score value
close
application
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
CN201711050118.5A
Other languages
English (en)
Other versions
CN107766892B (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 CN201711050118.5A priority Critical patent/CN107766892B/zh
Publication of CN107766892A publication Critical patent/CN107766892A/zh
Application granted granted Critical
Publication of CN107766892B publication Critical patent/CN107766892B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • 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
    • G06F9/4401—Bootstrapping
    • G06F9/442—Shutdown
    • 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
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Security & Cryptography (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Stored Programmes (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

本申请提供了一种应用程序管控方法、装置、存储介质及终端设备，通过从数据库获取各应用程序的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息、历史关闭评分值和历史保留评分值；采用贝叶斯算法对样本向量进行计算，生成训练模型；将当前处于后台的应用程序的当前特征信息带入训练模型，得到各后台应用程序的预测关闭值，关闭预测关闭值大于关闭阈值的应用程序；以及用户对已关闭的程序进行打分形成当前关闭评分值，对已保留的程序进行打分形成当前保留评分值，回传当前特征信息、当前关闭评分值和当前保留评分值至数据库，以更新训练模型，智能管控应用程序。

Description

应用程序管控方法、装置、存储介质及终端设备
技术领域
本申请涉及终端领域，具体涉及一种应用程序管控方法、装置、存储介质及终端设备。
背景技术
终端用户每天会使用大量应用，通常一个应用被推到后台后，如果及时不清理会占用宝贵的系统内存资源，并且会影响系统功耗。因此，有必要提供一种应用程序管控方法、装置、存储介质及终端设备。
发明内容
本申请实施例提供一种应用程序管控方法、装置、存储介质及终端设备，以智能关闭应用程序。
本申请实施例提供一种应用程序管控方法，应用于终端设备，所述应用程序管控方法包括以下步骤：
从数据库获取各应用程序的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息、历史关闭评分值和历史保留评分值；
采用贝叶斯算法对样本向量进行计算，生成训练模型；
将当前处于后台的应用程序的当前特征信息带入训练模型，得到各后台应用程序的预测关闭值，关闭预测关闭值大于关闭阈值的应用程序；以及
用户对已关闭的程序进行打分形成当前关闭评分值，对已保留的程序进行打分形成当前保留评分值，回传当前特征信息、当前关闭评分值和当前保留评分值至数据库，以更新训练模型。
本申请实施例还提供一种应用程序管控装置，所述装置包括：
获取模块，用于从数据库获取各应用程序的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息、历史关闭评分值和历史保留评分值；
生成模块，用于采用贝叶斯算法对样本向量进行计算，生成训练模型；
计算模块，用于将当前处于后台的应用程序的当前特征信息带入训练模型，得到各后台应用程序的预测关闭值，关闭预测关闭值大于关闭阈值的应用程序；以及
评分模块，用于用户对已关闭的程序进行打分形成当前关闭评分值，对已保留的程序进行打分形成当前保留评分值，回传当前特征信息、当前关闭评分值和当前保留评分值至数据库，以更新训练模型。
本申请实施例还提供一种存储介质，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程序管控方法。
本申请实施例还提供一种终端设备，所述终端设备包括处理器和存储器，所述终端设备与所述存储器电性连接，所述存储器用于存储指令和数据，所述处理器用于执行以下步骤：
从数据库获取各应用程序的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息、历史关闭评分值和历史保留评分值；
采用贝叶斯算法对样本向量进行计算，生成训练模型；
将当前处于后台的应用程序的当前特征信息带入训练模型，得到各后台应用程序的预测关闭值，关闭预测关闭值大于关闭阈值的应用程序；以及
用户对已关闭的程序进行打分形成当前关闭评分值，对已保留的程序进行打分形成当前保留评分值，回传当前特征信息、当前关闭评分值和当前保留评分值至数据库，以更新训练模型。
本申请所提供的应用程序管控方法、装置、存储介质及终端设备，通过对历史特征信息、历史关闭评分值和历史保留评分值的计算来得到训练模型，再将当前处于后台的应用程序的当前特征信息带入训练模型，得到各后台应用程序的预测关闭值，根据关闭预测关闭值大于关闭阈值的应用程序，然后，再通过用户对已关闭的程序进行打分形成当前关闭评分值，对已保留的程序进行打分形成当前保留评分值，回传当前特征信息、当前关闭评分值和当前保留评分值至数据库，以更新训练模型，从而智能管控应用程序。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的应用程序管控装置的一种系统示意图。
图2为本申请实施例提供的应用程序管控装置的应用场景示意图。
图3为本申请实施例提供的应用程序管控方法的一种流程示意图。
图4为本申请实施例提供的应用程序管控方法的另一种流程示意图。
图5为本申请实施例提供的装置的一种结构示意图。
图6为本申请实施例提供的装置的另一种结构示意图。
图7为本申请实施例提供的电子设备的一种结构示意图。
图8为本申请实施例提供的电子设备的另一种结构示意图。
具体实施例
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
在本申请中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
下文的公开提供了许多不同的实施例或例子用来实现本申请的不同结构。为了简化本申请的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本申请。此外，本申请可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。此外，本申请提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
请参照附图中的图式，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所示例的本申请的具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。
本申请原理以上述文字来说明，其并不代表为一种限制，本领域技术人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。本申请的原理使用许多其它泛用性或特定目的运算、通信环境或组态来进行操作。
本申请提供的应用程序管控方法，主要应用于终端设备，如：手环、智能手机、基于苹果系统或安卓系统的平板电脑、或基于Windows或Linux系统的笔记本电脑等智能移动终端设备。
请参阅图1，图1为本申请实施例提供的应用程序管控装置的系统示意图。所述应用程序管控装置主要用于：从数据库中获取各应用程序的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息、历史关闭评分值和历史保留评分值，然后，通过计算样本向量生成不同训练模型，其次，将当前处于后台的应用程序的当前特征信息带入训练模型，得到各后台应用程序的预测关闭值，关闭预测关闭值大于关闭阈值的应用程序，最后用户对已关闭的程序进行打分形成当前关闭评分值，对已保留的程序进行打分形成当前保留评分值，回传当前特征信息、当前关闭评分值和当前保留评分值至数据库，以更新训练模型，以智能管控应用程序。
具体的，请参阅图2，图2为本申请实施例提供的应用程序管控方法的应用场景示意图。在一种实施例中，从数据库获取各应用程序的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息、历史关闭评分值和历史保留评分值，其次，对样本向量进行计算生成训练模型，然后，将当前处于后台的应用程序的当前特征信息带入训练模型，得到各后台应用程序的预测关闭值，关闭预测关闭值大于关闭阈值的应用程序，最后，用户对已关闭的程序进行打分形成当前关闭评分值，对已保留的程序进行打分形成当前保留评分值，回传当前特征信息、当前关闭评分值和当前保留评分值至数据库，以更新训练模型。
比如，从数据库获取各应用程序A、B、C、D、E、F、G和H的样本向量，其中该样本向量包括所述应用程序A、B、C、D、E、F、G和H多个维度的历史特征信息、历史关闭评分值和历史保留评分值，其次，对样本向量进行计算生成训练模型，然后，将当前处于后台的应用程序A、B、F、G和H的当前特征信息带入训练模型，得到各后台应用程序A、B、F、G和H的预测关闭值WA、WB、WF、WG和WE，其中，预测关闭值WB、WG和WE大于关闭阈值W,关闭预测关闭值大于关闭阈值的应用程序B、G和H，保留应用程序A和F，最后，用户对已关闭的程序B、G和H进行打分形成当前关闭评分值，对已保留的程序A和F进行打分形成当前保留评分值，回传当前特征信息、当前关闭评分值和当前保留评分值至数据库，以更新训练模型。
本申请实施例提供一种应用程序管控方法，所述应用程序管控方法的执行主体可以是本发明实施例提供的应用程序管控装置，或者成了该应用程序管控装置的电子设备，其中该应用程序管控装置可以采用硬件或者软件的方式实现。
请参阅图3，图3为本申请实施例提供的应用程序管控方法的流程示意图。本申请实施例提供的应用程序管控方法应用于电子设备，具体流程可以如下：
步骤S101，从数据库获取各应用程序的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息、历史关闭评分值和历史保留评分值。
其中，所述多个维度的特征信息可以参考表1。
表1
需要说明的是，以上表1示出的10个维度的特征信息仅为本申请实施例中的一种，但是本申请并不局限于表1示出的10个维度的特征信息，也可以为其中之一、或者其中至少两个，或者全部，亦或者还可以包括其他维度的特征信息，例如，当前是否在充电、当前的电量或者当前是否连接WiFi等。
其中，历史关闭评分值是用户在本次智能管控应用程序之前，对每次智能管控应用程序后所关闭的应用程序的打分，历史保留评分值是用户在本次智能管控应用程序之前，对每次智能管控应用程序后所保留的应用程序的打分。
在一种实施例中，所述评分值可以为百分制，也即满分为100分，分数越高代表用户满意度越高。在一种实施例中，所述评分值也可以为档位选择类，例如，“不满意”、“一般”、“满意”等。当某些时刻，没有用户对所关闭的应用程序或者所保留的应用程序的评分值时，可以取评分值的中间值，例如，对于百分制，可以为50分，对于档位选择类，可以为“一般”。
步骤S102，采用贝叶斯算法对样本向量进行计算，生成训练模型。
请参阅图4，在一种实施例中，所述步骤S102可以包括：
步骤S1021：对样本向量进行标记，生成标记结果；以及
步骤S1022：采用贝叶斯算法对样本向量和标记结果进行计算，生成训练模型。
在步骤S1021中，对样本向量(q1,q2…qm)进行标记，生成标记结果可以包括j1和j2。
在步骤S1022中，将所述标记结果输入第一预设公式中，得到对应标记结果的概率，所述第一预设公式为：其中N(j1)表示事件j1出现的次数，N(j2)表示事件j2出现的次数，P(j2)表示事件j2发生的概率。
将所述样本向量(q1,q2…qm)和标记结果输入第二预设公式中，得到对应样本向量(q1,q2…qm)和标记结果的概率，所述第二预设公式为： 其中，1≤i≤m，P(qi|j2)表示在事件j2发生的前提下，事件qi发生的概率，N(qi,j2)表示事件qi和j2同时发生的次数。
本实施例中，该贝叶斯模型可以为：其中，m为特征信息的个数，q1,q2…qm为先验条件的样本向量，qi为第i个特征信息对应的样本向量，J为目标预测应用的标记结果。为简化计算，假设q1,q2…qm是相互独立的，则从而得到朴素贝叶斯分类器模型：
JMAX＝arg max P(J|q1,q2…qm)＝arg maxP(q1|J)P(q2|J)…P(qm|J)，
其中J可以表示j1或j2，各个特征信息概率值是出现次数的统计概率，也即上述公式：
其中，j1为第一预设数值，j2为第二预设数值。
所述训练模型为：其中，1≤k≤m，qk为当前样本向量。
步骤S103，将当前处于后台的应用程序的当前特征信息带入训练模型，得到各后台应用程序的预测关闭值，关闭预测关闭值大于关闭阈值的应用程序。
请参阅图4，在一种实施例中，所述步骤S103可以包括：
步骤S1031：获取清理指令；
步骤S1032：获取后台的应用程序的当前特征信息；
步骤S1033：将当前特征信息带入对应的训练模型进行计算，得到各后台应用程序的预测关闭值；以及
步骤S1034：判断预测关闭值是否大于关闭阈值。
其中，所述清理指令可以通过多种形式触发，例如，第一种，时间形式，按照预先设定的时间发出清理指令，如上午8点发出清理指令，下午5点发出清理指令；第二种，地点形式，按照预先设定的位置发出清理指令，如检测到处于工作场所时发出清理指令，检测到处于电影院时发出清理指令；第三种，速度形式，按照预先设定的移动终端的移动速度发出清理指令，如检测到移动终端处于时速为2km/h时发出清理指令，此时移动终端的用户可以处于散步状态，检测到移动终端处于时速为10km/h时发出清理指令，此时移动终端的用户可以处于骑自行车状态；第四种，手动形式，用户自行启用终端设备的智能管控应用程序的功能；第五种，数量形式，按照预先设定的后台应用程序数量时发出清理指令，如当后台应用程序数量大于5时发出清理指令。
需要说明的是，以上五种清理指令触发形式，但是本申请的清理指令触发形式并不局限于以上五种。
其中，采集的所述应用程序的当前特征信息的维度与采集的所述应用程序的历史特征信息的维度相同。
其中，当预测关闭值大于关闭阈值时，则关闭所述应用程序；当预测关闭值小于关闭阈值时，则保留所述应用程序。
步骤S104，用户对已关闭的程序进行打分形成当前关闭评分值，对已保留的程序进行打分形成当前保留评分值，回传当前特征信息、当前关闭评分值和当前保留评分值至数据库，以更新训练模型。
其中，当前关闭评分值是用户对本次智能管控应用程序后所关闭的应用程序的打分，当前保留评分值是用户对本次智能管控应用程序后所保留的应用程序的打分。
在一种实施例中，所述评分值可以为百分制，也即满分为100分，分数越高代表用户满意度越高。在一种实施例中，所述评分值也可以为档位选择类，例如，“不满意”、“一般”、“满意”等。当本次用户没有对所关闭的应用程序或者所保留的应用程序的评分值时，可以取评分值的中间值，例如，对于百分制，可以为50分，对于档位选择类，可以为“一般”。
本申请所提供的应用程序管控方法，通过对历史特征信息、历史关闭评分值和历史保留评分值的计算来得到训练模型，再将当前处于后台的应用程序的当前特征信息带入训练模型，得到各后台应用程序的预测关闭值，根据关闭预测关闭值大于关闭阈值的应用程序，然后，再通过用户对已关闭的程序进行打分形成当前关闭评分值，对已保留的程序进行打分形成当前保留评分值，回传当前特征信息、当前关闭评分值和当前保留评分值至数据库，以更新训练模型，从而智能管控应用程序。
请参阅图5，本申请实施例还提供一种装置30，所述装置30包括获取模块31，生成模块32、计算模块33和评分模块34。
需要说明的是，所述应用程序可以为聊天应用程序、视频应用程序、音乐应用程序、购物应用程序、共享单车应用程序或手机银行应用程序等。
所述获取模块31用于从数据库获取各应用程序的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息、历史关闭评分值和历史保留评分值。
请参阅图6，所述装置30还可以包括储存模块35。所述储存模块35用于储存应用程序的特征信息。所述获取模块31从储存模块35中获取历史特征信息、历史关闭评分值和历史保留评分值。
其中，所述多个维度的特征信息可以参考表2。
表2
需要说明的是，以上表2示出的10个维度的特征信息仅为本申请实施例中的一种，但是本申请并不局限于表1示出的10个维度的特征信息，也可以为其中之一、或者其中至少两个，或者全部，亦或者还可以包括其他维度的特征信息，例如，当前是否在充电、当前的电量或者当前是否连接WiFi等。
其中，历史关闭评分值是用户在本次智能管控应用程序之前，对每次智能管控应用程序后所关闭的应用程序的打分，历史保留评分值是用户在本次智能管控应用程序之前，对每次智能管控应用程序后所保留的应用程序的打分。
在一种实施例中，所述评分值可以为百分制，也即满分为100分，分数越高代表用户满意度越高。在一种实施例中，所述评分值也可以为档位选择类，例如，“不满意”、“一般”、“满意”等。当某些时刻，没有用户对所关闭的应用程序或者所保留的应用程序的评分值时，可以取评分值的中间值，例如，对于百分制，可以为50分，对于档位选择类，可以为“一般”。
所述生成模块32用于采用贝叶斯算法对样本向量进行计算，生成训练模型。
请参阅图6，所述生成模块32包括标记模块321和训练模块322。
所述标记模块321用于对样本向量进行标记，生成标记结果。
其中，对样本向量(q1,q2…qm)进行标记，生成标记结果可以包括j1和j2。
所述训练模块322用于采用贝叶斯算法对样本向量和标记结果进行计算，生成训练模型。
其中，将所述标记结果输入第一预设公式中，得到对应标记结果的概率，所述第一预设公式为：其中N(j1)表示事件j1出现的次数，N(j2)表示事件j2出现的次数，P(j2)表示事件j2发生的概率。
将所述样本向量(q1,q2…qm)和标记结果输入第二预设公式中，得到对应样本向量(q1,q2…qm)和标记结果的概率，所述第二预设公式为： 其中，1≤i≤m，P(qi|j2)表示在事件j2发生的前提下，事件qi发生的概率，N(qi,j2)表示事件qi和j2同时发生的次数。
本实施例中，该贝叶斯模型可以为：其中，m为特征信息的个数，q1,q2…qm为先验条件的样本向量，qi为第i个特征信息对应的样本向量，J为目标预测应用的标记结果。为简化计算，假设q1,q2…qm是相互独立的，则从而得到朴素贝叶斯分类器模型：
JMAX＝arg max P(J|q1,q2…qm)＝arg maxP(q1|J)P(q2|J)…P(qm|J)，
其中J可以表示j1或j2，各个特征信息概率值是出现次数的统计概率，也即上述公式：
其中，j1为第一预设数值，j2为第二预设数值。
所述训练模型为：其中，1≤k≤m，qk为当前样本向量。
所述计算模块33用于将当前处于后台的应用程序的当前特征信息带入训练模型，得到各后台应用程序的预测关闭值，关闭预测关闭值大于关闭阈值的应用程序。
请参阅图6，在一种实施例中，所述计算模块33可以包括触发模块331、采集模块332、求解模块333和判断模块334。
所述触发模块331用于获取清理指令。
所述采集模块332用于获取后台的应用程序的当前特征信息。
所述求解模块333用于将当前特征信息带入对应的训练模型进行计算，得到各后台应用程序的预测关闭值。
所述判断模块334用于判断预测关闭值是否大于关闭阈值。
其中，所述清理指令可以通过多种形式触发，例如，第一种，时间形式，按照预先设定的时间发出清理指令，如上午8点发出清理指令，下午5点发出清理指令；第二种，地点形式，按照预先设定的位置发出清理指令，如检测到处于工作场所时发出清理指令，检测到处于电影院时发出清理指令；第三种，速度形式，按照预先设定的移动终端的移动速度发出清理指令，如检测到移动终端处于时速为2km/h时发出清理指令，此时移动终端的用户可以处于散步状态，检测到移动终端处于时速为10km/h时发出清理指令，此时移动终端的用户可以处于骑自行车状态；第四种，手动形式，用户自行启用终端设备的智能管控应用程序的功能；第五种，数量形式，按照预先设定的后台应用程序数量时发出清理指令，如当后台应用程序数量大于5时发出清理指令。
需要说明的是，以上五种清理指令触发形式，但是本申请的清理指令触发形式并不局限于以上五种。
其中，采集的所述应用程序的当前特征信息的维度与采集的所述应用程序的历史特征信息的维度相同。
其中，当预测关闭值大于关闭阈值时，则关闭所述应用程序；当预测关闭值小于关闭阈值时，则保留所述应用程序。
所述装置30还可以包括关闭模块36，用于当判断应用程序需要关闭时，将所述应用程序关闭。
所述评分模块34用于用户对已关闭的程序进行打分形成当前关闭评分值，对已保留的程序进行打分形成当前保留评分值，回传当前特征信息、当前关闭评分值和当前保留评分值至数据库，以更新训练模型。
其中，当前关闭评分值是用户对本次智能管控应用程序后所关闭的应用程序的打分，当前保留评分值是用户对本次智能管控应用程序后所保留的应用程序的打分。
在一种实施例中，所述评分值可以为百分制，也即满分为100分，分数越高代表用户满意度越高。在一种实施例中，所述评分值也可以为档位选择类，例如，“不满意”、“一般”、“满意”等。当本次用户没有对所关闭的应用程序或者所保留的应用程序的评分值时，可以取评分值的中间值，例如，对于百分制，可以为50分，对于档位选择类，可以为“一般”。
本申请所提供的应用程序管控装置，通过对历史特征信息、历史关闭评分值和历史保留评分值的计算来得到训练模型，再将当前处于后台的应用程序的当前特征信息带入训练模型，得到各后台应用程序的预测关闭值，根据关闭预测关闭值大于关闭阈值的应用程序，然后，再通过用户对已关闭的程序进行打分形成当前关闭评分值，对已保留的程序进行打分形成当前保留评分值，回传当前特征信息、当前关闭评分值和当前保留评分值至数据库，以更新训练模型，从而智能管控应用程序。
请参阅图7，本申请实施例还提供一种终端设备500。所述终端设备500包括：处理器501和存储器502。其中，处理器501与存储器502电性连接。
处理器501是终端设备500的控制中心，利用各种接口和线路连接整个终端设备500的各个部分，通过运行或加载存储在存储器502内的应用程序，以及调用存储在存储器502内的数据，执行终端设备的各种功能和处理数据，从而对终端设备500进行整体监控。
在本实施例中，终端设备500中的处理器501会按照如下的步骤，将一个或一个以上的应用程序的进程对应的指令加载到存储器502中，并由处理器501来运行存储在存储器502中的应用程序，从而实现各种功能：
从数据库获取各应用程序的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息、历史关闭评分值和历史保留评分值；
采用贝叶斯算法对样本向量进行计算，生成训练模型；
将当前处于后台的应用程序的当前特征信息带入训练模型，得到各后台应用程序的预测关闭值，关闭预测关闭值大于关闭阈值的应用程序；以及
用户对已关闭的程序进行打分形成当前关闭评分值，对已保留的程序进行打分形成当前保留评分值，回传当前特征信息、当前关闭评分值和当前保留评分值至数据库，以更新训练模型。
需要说明的是，所述应用程序可以为聊天应用程序、视频应用程序、音乐应用程序、购物应用程序、共享单车应用程序或手机银行应用程序等。
其中，所述多个维度的特征信息可以参考表3。
表3
需要说明的是，以上表3示出的10个维度的特征信息仅为本申请实施例中的一种，但是本申请并不局限于表1示出的10个维度的特征信息，也可以为其中之一、或者其中至少两个，或者全部，亦或者还可以包括其他维度的特征信息，例如，当前是否在充电、当前的电量或者当前是否连接WiFi等。
其中，历史关闭评分值是用户在本次智能管控应用程序之前，对每次智能管控应用程序后所关闭的应用程序的打分，历史保留评分值是用户在本次智能管控应用程序之前，对每次智能管控应用程序后所保留的应用程序的打分。
在一种实施例中，所述评分值可以为百分制，也即满分为100分，分数越高代表用户满意度越高。在一种实施例中，所述评分值也可以为档位选择类，例如，“不满意”、“一般”、“满意”等。当某些时刻，没有用户对所关闭的应用程序或者所保留的应用程序的评分值时，可以取评分值的中间值，例如，对于百分制，可以为50分，对于档位选择类，可以为“一般”。
所述采用贝叶斯算法对样本向量进行计算，生成训练模型的步骤可以包括：
对样本向量进行标记，生成标记结果；以及
采用贝叶斯算法对样本向量和标记结果进行计算，生成训练模型。
其中，对样本向量(q1,q2…qm)进行标记，生成标记结果可以包括j1和j2。
将所述标记结果输入第一预设公式中，得到对应标记结果的概率，所述第一预设公式为：其中N(j1)表示事件j1出现的次数，N(j2)表示事件j2出现的次数，P(j2)表示事件j2发生的概率。
将所述样本向量(q1,q2…qm)和标记结果输入第二预设公式中，得到对应样本向量(q1,q2…qm)和标记结果的概率，所述第二预设公式为： 其中，1≤i≤m，P(qi|j2)表示在事件j2发生的前提下，事件qi发生的概率，N(qi,j2)表示事件qi和j2同时发生的次数。
本实施例中，该贝叶斯模型可以为：其中，m为特征信息的个数，q1,q2…qm为先验条件的样本向量，qi为第i个特征信息对应的样本向量，J为目标预测应用的标记结果。为简化计算，假设q1,q2…qm是相互独立的，则从而得到朴素贝叶斯分类器模型：
JMAX＝arg max P(J|q1,q2…qm)＝arg maxP(q1|J)P(q2|J)…P(qm|J)，
其中J可以表示j1或j2，各个特征信息概率值是出现次数的统计概率，也即上述公式：
其中，j1为第一预设数值，j2为第二预设数值。
所述训练模型为：其中，1≤k≤m，qk为当前样本向量。
所述将当前处于后台的应用程序的当前特征信息带入训练模型，得到各后台应用程序的预测关闭值，关闭预测关闭值大于关闭阈值的应用程序的步骤可以包括：
获取清理指令；
获取后台的应用程序的当前特征信息；
将当前特征信息带入对应的训练模型进行计算，得到各后台应用程序的预测关闭值；以及
判断预测关闭值是否大于关闭阈值。
其中，所述清理指令可以通过多种形式触发，例如，第一种，时间形式，按照预先设定的时间发出清理指令，如上午8点发出清理指令，下午5点发出清理指令；第二种，地点形式，按照预先设定的位置发出清理指令，如检测到处于工作场所时发出清理指令，检测到处于电影院时发出清理指令；第三种，速度形式，按照预先设定的移动终端的移动速度发出清理指令，如检测到移动终端处于时速为2km/h时发出清理指令，此时移动终端的用户可以处于散步状态，检测到移动终端处于时速为10km/h时发出清理指令，此时移动终端的用户可以处于骑自行车状态；第四种，手动形式，用户自行启用终端设备的智能管控应用程序的功能；第五种，数量形式，按照预先设定的后台应用程序数量时发出清理指令，如当后台应用程序数量大于5时发出清理指令。
需要说明的是，以上五种清理指令触发形式，但是本申请的清理指令触发形式并不局限于以上五种。
其中，采集的所述应用程序的当前特征信息的维度与采集的所述应用程序的历史特征信息的维度相同。
其中，当预测关闭值大于关闭阈值时，则关闭所述应用程序；当预测关闭值小于关闭阈值时，则保留所述应用程序。
在用户对已关闭的程序进行打分形成当前关闭评分值，对已保留的程序进行打分形成当前保留评分值，回传当前特征信息、当前关闭评分值和当前保留评分值至数据库，以更新训练模型的步骤中，当前关闭评分值是用户对本次智能管控应用程序后所关闭的应用程序的打分，当前保留评分值是用户对本次智能管控应用程序后所保留的应用程序的打分。
在一种实施例中，所述评分值可以为百分制，也即满分为100分，分数越高代表用户满意度越高。在一种实施例中，所述评分值也可以为档位选择类，例如，“不满意”、“一般”、“满意”等。当本次用户没有对所关闭的应用程序或者所保留的应用程序的评分值时，可以取评分值的中间值，例如，对于百分制，可以为50分，对于档位选择类，可以为“一般”。
存储器502可用于存储应用程序和数据。存储器502存储的程序中包含有可在处理器中执行的指令。所述程序可以组成各种功能模块。处理器501通过运行存储在存储器502的程序，从而执行各种功能应用以及数据处理。
在一些实施例中，如图8所示，终端设备500还包括：射频电路503、显示屏504、控制电路505、输入单元506、音频电路507、传感器508以及电源509。其中，处理器501分别与射频电路503、显示屏504、控制电路505、输入单元506、音频电路507、传感器508以及电源509电性连接。
射频电路503用于收发射频信号，以通过无线通信网络与服务器或其他电子设备进行通信。
显示屏504可用于显示由用户输入的信息或提供给用户的信息以及终端的各种图形用户接口，这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路505与显示屏504电性连接，用于控制显示屏504显示信息。
输入单元506可用于接收输入的数字、字符信息或用户特征信息(例如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
音频电路507可通过扬声器、传声器提供用户与终端之间的音频接口。
传感器508用于采集外部环境信息。传感器508可以包括环境亮度传感器、加速度传感器、陀螺仪等传感器中的一种或多种。
电源509用于给终端设备500的各个部件供电。在一些实施例中，电源509可以通过电源管理系统与处理器501逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图8中未示出，终端设备500还可以包括摄像头、蓝牙模块等，在此不再赘述。
本申请所提供的终端设备，通过检测应用程序进入后台，通过定义速度区间，获取所述应用程序在不同速度区间的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息；采用算法对样本向量进行计算，生成多个训练模型，其中不同训练模型对应不同速度区间；当检测到应用程序进入后台时，根据移动速度将当前特征信息带入对应的训练模型，获得预测关闭概率；以及判断所述应用程序是否需要关闭，智能关闭应用程序。
本发明实施例还提供一种存储介质，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实施例所述的应用程序管控方法。
本发明实施例提供的应用程序管控方法、装置、存储介质及终端设备属于同一构思，其具体实现过程详见说明书全文，此处不再赘述。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储存储介质中，存储存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
以上对本申请实施例提供的应用程序管控方法、装置、存储介质及终端设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施例进行了阐述，以上实施例的说明只是用于帮助理解本申请。同时，对于本领域的技术人员，依据本申请的思想，在具体实施例及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (12)

1.一种应用程序管控方法，应用于终端设备，其特征在于，所述应用程序管控方法包括以下步骤：
从数据库获取各应用程序的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息、历史关闭评分值和历史保留评分值；
采用贝叶斯算法对样本向量进行计算，生成训练模型；
将当前处于后台的应用程序的当前特征信息带入训练模型，得到各后台应用程序的预测关闭值，关闭预测关闭值大于关闭阈值的应用程序；以及
用户对已关闭的程序进行打分形成当前关闭评分值，对已保留的程序进行打分形成当前保留评分值，回传当前特征信息、当前关闭评分值和当前保留评分值至数据库，以更新训练模型。
2.如权利要求1所述的应用程序管控方法，其特征在于：所述采用贝叶斯算法对样本向量进行计算，生成训练模型的步骤包括：
对样本向量进行标记，生成标记结果；以及
采用贝叶斯算法对样本向量和标记结果进行计算，生成训练模型。
3.如权利要求1所述的应用程序管控方法，其特征在于：所述将当前处于后台的应用程序的当前特征信息带入训练模型，得到各后台应用程序的预测关闭值，关闭预测关闭值大于关闭阈值的应用程序的步骤包括：
获取清理指令；
获取后台的应用程序的当前特征信息；
将当前特征信息带入对应的训练模型进行计算，得到各后台应用程序的预测关闭值；以及
判断预测关闭值是否大于关闭阈值。
4.如权利要求3所述的应用程序管控方法，其特征在于：所述判断预测关闭值是否大于关闭阈值步骤包括：当预测关闭值大于关闭阈值时，则关闭所述应用程序；当预测关闭值小于关闭阈值时，则保留所述应用程序。
5.一种应用程序管控装置，其特征在于，所述装置包括：
获取模块，用于从数据库获取各应用程序的样本向量，其中该样本向量包括所述应用程序多个维度的历史特征信息、历史关闭评分值和历史保留评分值；
生成模块，用于采用贝叶斯算法对样本向量进行计算，生成训练模型；
计算模块，用于将当前处于后台的应用程序的当前特征信息带入训练模型，得到各后台应用程序的预测关闭值，关闭预测关闭值大于关闭阈值的应用程序；以及
评分模块，用于用户对已关闭的程序进行打分形成当前关闭评分值，对已保留的程序进行打分形成当前保留评分值，回传当前特征信息、当前关闭评分值和当前保留评分值至数据库，以更新训练模型。
6.如权利要求5所述的应用程序管控装置，其特征在于：所述生成模块包括：
标记模块，用于对样本向量进行标记，生成标记结果；以及
训练模块，用于采用贝叶斯算法对样本向量和标记结果进行计算，生成训练模型。
7.如权利要求5所述的应用程序管控装置，其特征在于：所述计算模块包括：
触发模块，用于获取清理指令；
采集模块，用于获取后台的应用程序的当前特征信息；
求解模块，用于将当前特征信息带入对应的训练模型进行计算，得到各后台应用程序的预测关闭值；
判断模块，用于判断预测关闭值是否大于关闭阈值。
8.如权利要求7所述的应用程序管控装置，其特征在于：当预测关闭值大于关闭阈值时，则关闭所述应用程序；当预测关闭值小于关闭阈值时，则保留所述应用程序。
9.如权利要求5所述的应用程序管控装置，其特征在于：还包括储存模块，用于储存应用程序的特征信息。
10.如权利要求5所述的应用程序管控装置，其特征在于：还包括关闭模块，用于当判断应用程序需要关闭时，将所述应用程序关闭。
11.一种存储介质，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至4中任一项所述的应用程序管控方法。
12.一种终端设备，其特征在于：所述终端设备包括处理器和存储器，所述终端设备与所述存储器电性连接，所述存储器用于存储指令和数据，所述处理器用于执行如权利要求1至4中任一项所述的应用程序管控方法。
CN201711050118.5A 2017-10-31 2017-10-31 应用程序管控方法、装置、存储介质及终端设备 Expired - Fee Related CN107766892B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711050118.5A CN107766892B (zh) 2017-10-31 2017-10-31 应用程序管控方法、装置、存储介质及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711050118.5A CN107766892B (zh) 2017-10-31 2017-10-31 应用程序管控方法、装置、存储介质及终端设备

Publications (2)

Publication Number Publication Date
CN107766892A true CN107766892A (zh) 2018-03-06
CN107766892B CN107766892B (zh) 2020-04-10

Family

ID=61271612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711050118.5A Expired - Fee Related CN107766892B (zh) 2017-10-31 2017-10-31 应用程序管控方法、装置、存储介质及终端设备

Country Status (1)

Country Link
CN (1) CN107766892B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6728957B1 (en) * 1999-03-26 2004-04-27 Oki Electric Industry Co., Ltd. Program response time estimating apparatus
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
CN103049319A (zh) * 2012-12-18 2013-04-17 广东欧珀移动通信有限公司 分时段管理后台应用程序的方法及其终端
CN103077224A (zh) * 2011-12-30 2013-05-01 微软公司 用于基于上下文的装置动作预测的方法和系统
CN105139856A (zh) * 2015-09-02 2015-12-09 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于先验知识规整协方差的概率线性鉴别说话人识别方法
CN105224623A (zh) * 2015-09-22 2016-01-06 北京百度网讯科技有限公司 数据模型的训练方法及装置
CN105389193A (zh) * 2015-12-25 2016-03-09 北京奇虎科技有限公司 应用的加速处理方法、装置和系统、服务器
CN105573472A (zh) * 2015-12-15 2016-05-11 小米科技有限责任公司 一种关闭应用程序的方法和装置
CN105786711A (zh) * 2016-03-25 2016-07-20 广州华多网络科技有限公司 一种数据分析的方法及装置
CN106060252A (zh) * 2016-05-26 2016-10-26 广东欧珀移动通信有限公司 一种应用程序的管控方法、装置和移动终端
CN106227844A (zh) * 2016-07-27 2016-12-14 深圳市金立通信设备有限公司 一种应用推荐的方法以及终端
CN106250532A (zh) * 2016-08-04 2016-12-21 广州优视网络科技有限公司 应用推荐方法、装置及服务器
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 (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6728957B1 (en) * 1999-03-26 2004-04-27 Oki Electric Industry Co., Ltd. Program response time estimating apparatus
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
CN103077224A (zh) * 2011-12-30 2013-05-01 微软公司 用于基于上下文的装置动作预测的方法和系统
CN103049319A (zh) * 2012-12-18 2013-04-17 广东欧珀移动通信有限公司 分时段管理后台应用程序的方法及其终端
CN105139856A (zh) * 2015-09-02 2015-12-09 广东顺德中山大学卡内基梅隆大学国际联合研究院 基于先验知识规整协方差的概率线性鉴别说话人识别方法
CN105224623A (zh) * 2015-09-22 2016-01-06 北京百度网讯科技有限公司 数据模型的训练方法及装置
CN105573472A (zh) * 2015-12-15 2016-05-11 小米科技有限责任公司 一种关闭应用程序的方法和装置
CN105389193A (zh) * 2015-12-25 2016-03-09 北京奇虎科技有限公司 应用的加速处理方法、装置和系统、服务器
CN105786711A (zh) * 2016-03-25 2016-07-20 广州华多网络科技有限公司 一种数据分析的方法及装置
CN106060252A (zh) * 2016-05-26 2016-10-26 广东欧珀移动通信有限公司 一种应用程序的管控方法、装置和移动终端
CN106227844A (zh) * 2016-07-27 2016-12-14 深圳市金立通信设备有限公司 一种应用推荐的方法以及终端
CN106250532A (zh) * 2016-08-04 2016-12-21 广州优视网络科技有限公司 应用推荐方法、装置及服务器
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 (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Also Published As

Publication number Publication date
CN107766892B (zh) 2020-04-10

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
US11403197B2 (en) Method and device for controlling application, storage medium, and electronic device
CN107643948A (zh) 应用程序管控方法、装置、介质及电子设备
CN107608748B (zh) 应用程序管控方法、装置、存储介质及终端设备
CN107678845A (zh) 应用程序管控方法、装置、存储介质及电子设备
CN103155428A (zh) 便携式终端中用于自适应手势识别的装置和方法
CN105824612A (zh) 一种安全提示方法及移动终端
CN113259221B (zh) 消息显示方法、装置及电子设备
CN107885544A (zh) 应用程序管控方法、装置、介质及电子设备
CN113010805B (zh) 指标数据的处理方法、装置、设备及存储介质
CN107943534A (zh) 后台应用程序的关闭方法、装置、存储介质及电子设备
CN112182813B (zh) 配电网线路路径生成方法、装置、设备及存储介质
CN109032732A (zh) 通知显示方法、装置、存储介质及电子设备
CN108692735A (zh) 导航路线的处理方法、装置、存储介质及电子设备
CN113641886A (zh) 搜索方法、装置及电子设备
WO2019085750A1 (zh) 应用程序管控方法、装置、介质及电子设备
CN114781766B (zh) 水文站点的水文信息预测方法、装置、设备及存储介质
CN112764513A (zh) 提示方法和电子设备
CN108595481A (zh) 一种通知消息显示方法及终端设备
CN107832848A (zh) 应用管理方法、装置、存储介质及电子设备
CN107766892A (zh) 应用程序管控方法、装置、存储介质及终端设备
CN107861770B (zh) 应用程序管控方法、装置、存储介质及终端设备
CN113869377A (zh) 训练方法、装置及电子设备
CN107729078B (zh) 后台应用程序管控方法、装置、存储介质及电子设备
CN107977089A (zh) 一种输入方法和装置、一种用于输入的装置

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
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: 20200410