CN107832132B - 应用控制方法、装置、存储介质及电子设备 - Google Patents
应用控制方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN107832132B CN107832132B CN201711123618.7A CN201711123618A CN107832132B CN 107832132 B CN107832132 B CN 107832132B CN 201711123618 A CN201711123618 A CN 201711123618A CN 107832132 B CN107832132 B CN 107832132B
- Authority
- CN
- China
- Prior art keywords
- application
- preset
- connection state
- sampling
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000005070 sampling Methods 0.000 claims abstract description 185
- 238000012549 training Methods 0.000 claims abstract description 105
- 238000004140 cleaning Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 16
- 206010063385 Intellectualisation Diseases 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 32
- 230000006399 behavior Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012163 sequencing technique Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 101150053844 APP1 gene Proteins 0.000 description 2
- 101100189105 Homo sapiens PABPC4 gene Proteins 0.000 description 2
- 102100039424 Polyadenylate-binding protein 4 Human genes 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 101100055496 Arabidopsis thaliana APP2 gene Proteins 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 101100016250 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) GYL1 gene Proteins 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000012905 input function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000000060 site-specific infrared dichroism spectroscopy Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F9/46—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/329—Power saving characterised by the action undertaken by task scheduling
-
- 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
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- 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)
- Software Systems (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种应用控制方法、装置、存储介质及电子设备。该应用控制方法包括:获取历史时段内每一用户账号在每一采样时间点对应的特征信息,该特征信息包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态,根据该特征信息确定每一用户账号对应的权值参数,根据该采样时间点和特征信息生成训练样本,其中每一用户账号对应一个训练样本,根据该训练样本和权值参数对预设的贝叶斯模型进行训练,并基于训练后的贝叶斯模型对电子设备中的后台应用进行控制。本申请实施例通过结合不同用户账号的权值参数和训练样本利用贝叶斯模型预测应用是否可清理,从而提升对后台应用进行管控的智能化和准确性,且能提升电子设备的运行效率。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种应用控制方法、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
本申请实施例提供一种应用控制方法、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,有效提升电子设备的运行效率。
本申请实施例提供了一种应用控制方法,应用于电子设备,包括:
获取历史时段内每一用户账号在每一采样时间点对应的特征信息,所述特征信息包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态;
根据所述特征信息确定每一用户账号对应的权值参数;
根据所述采样时间点和特征信息生成训练样本,其中每一用户账号对应一个训练样本;
根据所述训练样本和权值参数对预设的贝叶斯模型进行训练;
基于训练后的贝叶斯模型对所述电子设备中的后台应用进行控制。
本申请实施例还提供了一种应用控制装置,包括:
获取模块,用于获取历史时段内每一用户账号在每一采样时间点对应的特征信息,所述特征信息包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态;
确定模块,用于根据所述特征信息确定每一用户账号对应的权值参数;
生成模块,用于根据所述采样时间点和特征信息生成训练样本,其中每一用户账号对应一个训练样本;
训练模块,用于根据所述训练样本和权值参数对预设的贝叶斯模型进行训练;
控制模块,用于基于训练后的贝叶斯模型对所述电子设备中的后台应用进行控制。
本申请实施例还提供了一种存储介质,所述存储介质中存储有多条指令,所述指令适于由处理器加载以执行上述任一项应用控制方法。
本申请实施例还提供了一种电子设备,包括处理器和存储器,所述处理器与所述存储器电性连接,所述存储器用于存储指令和数据,所述处理器用于上述任一项所述的应用控制方法中的步骤。
本申请实施例通过获取历史时段内每一用户账号在每一采样时间点对应的特征信息,所述特征信息包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态,根据所述特征信息确定每一用户账号对应的权值参数,根据所述采样时间点和特征信息生成训练样本,其中每一用户账号对应一个训练样本,根据所述训练样本和权值参数对预设的贝叶斯模型进行训练,并基于训练后的贝叶斯模型对所述电子设备中的后台应用进行控制。本申请实施例通过采集历史时段内不同的用户账号对应的特征信息生成训练样本,结合不同用户账号的权值参数和训练样本利用贝叶斯模型预测应用是否可清理,以提高对后台应用进行预测的准确性,从而提升对后台应用进行管控的智能化和准确性并且可以提升电子设备的运行效率。
附图说明
下面结合附图,通过对本申请的具体实施方式详细描述,将使本申请的技术方案及其它有益效果显而易见。
图1为本申请实施例提供的应用控制装置的系统示意图。
图2为本申请实施例提供的应用控制方法的流程示意图。
图3为本申请实施例提供的步骤103的流程示意图。
图4为本申请实施例提供的步骤105的流程示意图。
图5为本申请实施例提供的应用控制方法的另一流程示意图。
图6为本申请实施例提供的贝叶斯模型的框架示意图。
图7为本申请实施例提供的应用控制装置的结构示意图。
图8为本申请实施例提供的生成模块的结构示意图。
图9为本申请实施例提供的生成子模块的结构示意图。
图10为本申请实施例提供的控制模块的结构示意图。
图11为本申请实施例提供的电子设备的结构示意图。
图12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
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。
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。可以理解的是,此处所描述的具体实施例仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请中的术语“第一”和“第二”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,而是可选地还包括没有列出的步骤或模块,或可选地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所述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,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控制装置的系统示意图。所述应用控制装置主要用于:预先采集用户在历史时段内使用电子设备过程中的行为数据,以提取包含有每一用户账号在每一采样时间点所述电子设备的运行参数的特征信息作为样本参数,并根据所述特征信息生成每一用户账号对应的权值参数和训练样本,通过预设的贝叶斯模型对所述训练样本和权值参数进行训练,并利用所述贝叶斯模型进行预测,以生成预测结果,并根据所述预测结果对后台应用进行管控,例如关闭、或者冻结等。
本申请实施例提供的一种应用控制方法的执行主体,可以为本申请实施例提供的一种应用控制装置,或者集成了所述应用控制装置的电子设备(譬如掌上电脑、平板电脑、智能手机等),所述应用控制装置可以采用硬件或者软件的方式实现。
如图2所示,该应用控制方法应用于电子设备,其具体流程可以如下:
101、获取历史时段内每一用户账号在每一采样时间点对应的特征信息,所述特征信息包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态。
本实施例中,该历史时段可以人为设定,比如可以是前一个月或前两个月。该采样时间点主要指采样频率,比如可以每分钟或者每两分钟采样一次,其可以表现为x年x月x日x时x分的形式。该充电连接状态和网络连接状态均可以包括连接和未连接两种情况。
实际应用过程中,该特征信息可以是实时获取的,比如到达采样时间点即进行对应数据的采集操作,也可以是一次性获取的,比如电子设备可以提前在本地数据库中记录历史时段内每一次亮灭屏变化数据、充电状态变化数据、网络状态变化数据、以及应用打开数据,之后,可以根据采样频率一次性提取出每一采样时间点的特征信息。
譬如,所述历史时段可以是过去一个月,所述采样时间点可以是过去一个月内每分钟。所述特征信息可以是从数据库中提取出来的,所述数据库内可以存储有过去一个月电子设备中应用的使用记录、屏幕的亮灭记录、充电记录以及WiFi连接记录。所述应用的使用记录可以包括登陆应用的用户账号、应用程序类型、应用程序名称、进入前台的时间戳、进入后台的时间戳、在前台的运行时长、一天中处于前台的时间、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等。比如,按照用户账号对所有采集到的特征信息进行划分,以获取到历史时段内每一用户账号在每一采样时间点对应的特征信息,所述特征信息包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态等。
102、根据所述特征信息确定每一用户账号对应的权值参数。
例如,上述步骤102具体可以包括:
从所述特征信息中获取到所述历史时段内每一用户账号对应的前台应用的运行总时长;
根据所述运行总时长在所述历史时段内的占比确定每一用户账号对应的权值参数。
其中,在实际应用过程中,很多应用程序在开启过程中都会涉及到用户账号,同一用户账号可以用于登录一个或者多个应用程序。比如QQ账号、微信账号、邮箱账号等可以用于登录网页、即时通信软件、社交软件、拍照软件等。同一个电子设备中会涉及到多个用户账号,不同的用户在使用用户账号登陆应用程序时都会存在差异,用户账号对用户行为习惯有密切的联系。因此可以为每个账号设定权值参数,比如第一个账号的权值参数为γ1、第二个账号的权值参数为γ2。该权值参数的设定可以根据用户历史行为数据为参考依据进行设定。比如,可以从历史时段内每一用户账号登陆应用的历史使用记录中获取到历史时段内每一用户账号对应的前台应用的运行总时长,并根据所述运行总时长在所述历史时段内的占比确定每一用户账号对应的权值参数。所述运行总时长在所述历史时段内的占比与所述权值参数成正比。占比越大,权值参数设置的越大。
103、根据该采样时间点和特征信息生成训练样本,其中每一用户账号对应一个训练样本。
例如,请参见图3,上述步骤103具体可以包括:
1-1、根据该采样时间点确定采样日期类型和采样时段。
本实施例中,该采样日期类型是对每周进行划分,其可以包括工作日和周末。该采样时段是对每天进行划分,其可以将一天分为48个时段。
1-2、确定该剩余电量所属的预设电量范围,以及确定该已亮屏时长所属的预设时长范围。
本实施例中,该预设电量范围和预设时长范围均可以人为设定,该预设电量范围可以包括指示高电量、中电量和低电量的三个区间范围,比如高电量可以是70%-100%,中电量可以是40%-70%,低电量可以是0-40%等,该预设时长范围可以包括指示短、中和长的三个区间范围,比如长可以是10min以上,中可以是5-10min,短可以是0-5min。
1-3、根据该采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本。
其中,可以根据不用的用户账号在登陆应用程序过程中采集到的特征信息,来划分出每一用户账号对应的该采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态,以此生成每一用户账号对应的训练样本。
例如,上述步骤1-3具体可以包括:
1-3-1、获取目标预测应用。
本实施例中,该目标预测应用可以是电子设备中所安装的全部应用,也可以是部分应用,当为部分应用时,其可以是近期出现频率最高的若干个应用,具体数量可以根据实际需求而定。
1-3-2、根据该采样时间点从特征信息中确定该前台应用的上一切换应用和下一切换应用。
本实施例中,由于历史时段内每次采样获得的前台应用都是已知的,故对于任意一次采样获得的前台应用,在该采样时间点之前获得的不同前台应用都可以认为是当前前台应用的上一切换应用,在该采样时间点之后获得的不同前台应用都可以认为是当前前台应用的下一切换应用,通常,可以取离当前采样时间点最近的不同前台应用作为上一切换应用和下一切换应用。实际操作过程中,可以先根据用户账号对采样数据进行分组之后,再根据采样时间点对同组数据中出现的所有前台应用进行排序,对于排序后的任意三个相邻的不同前台应用,前面的前台应用可以作为中间的前台应用的上一切换应用,后面的前台应用可以作为中间的前台应用的下一切换应用,以此确定出每一用户账号对应的前台应用的上一切换应用和下一切换应用。
1-3-3、根据该采样时间点、下一切换应用以及前台应用确定该目标预测应用的预测值。
本实施例中,该预测值可以是人为设定的数值,比如0和1,其中,0可以表示该目标预测应用不会在短时间内切换至前台使用,1可以表示该目标预测应用会在短时间内切换至前台使用。由于在历史时段内采集的所有前台应用都是已知的,故可以根据已知前台应用、以及其采样时间点来确定目标预测应用的预测值,此时,上述步骤1-3-3具体可以包括:
计算该下一切换应用的采样时间点与前台应用的采样时间点之间的差值;
判断该目标预测应用是否为该下一切换应用,且该差值是否不超过预设时长;
若是,则将该目标预测应用的预测值确定为第一预设数值;
若否,则将该目标预测应用的预测值确定为第二预设数值。
本实施例中,该预设时长、第一预设数值和第二预设数值均可以人为设定,该预设时长主要用于界定时间长短,其可以是10min,该第一预设数值可以是1,第二预设数值可以是0。对于每次采样,当需要预测的目标预测应用即为下一切换应用时,需要进一步分析从当前应用切换至下一切换应用所花的时长,只有当该间隔时长在预设时长之内时,才可以将该目标预测应用的预测值设为1,否则,全部设为0。
1-3-4、根据该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
本实施例中,为从多个维度对用户行为进行分析,以使训练出的机器学习模型更拟人化,每一训练样本可以由多个已知特征项以及标签项的数据组成,该已知特征项可以包括该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态和网络连接状态等。其中每一用户账号对应一个训练样本,即根据每一用户账号对应一组已知特征项,不同用户账号对应的已知特征项的特征值、预测值可以相同,也可以不同。
例如,上述步骤1-3-4具体可以包括:
分别获取该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值;
根据该特征值和预测值生成训练样本。
本实施例中,由于计算机程序一般以字符的形式编码运行,故该特征值主要可以表现为阿拉伯数字或字母的形式,比如1-10,每一特征项也可以表现为字母的形式,比如前台应用为H,采样日期类型为B,等等。在生成训练样本时,可以直接将特征值作为先验条件,将每一目标预测应用的预测值作为后验结果,生成该训练样本。其中每一用户账号对应一个训练样本。
容易理解的是,每一特征项对应的特征值可以是预先设定好的,不同特征项的特征值可以相同,也可以不同,比如前台应用和采样时段的特征值都可以包括0~10,但是,每个数字在不同的特征项中指代的意义不同,比如对于前台应用,0可以指代美团,对于采样时段,0可以指代0:00-1:00这个时段。
104、根据该训练样本和权值参数对预设的贝叶斯模型进行训练。
例如,上述步骤104具体可以包括:
将具有同一用户账号对应的训练样本归为一组,据不同的用户账号对应的训练样本得到多个样本组,其中每一样本组对应一权值参数;
将该多个样本组和对应权值参数输入第一预设公式中进行计算,得到对应预测值的概率,该第一预设公式为:
将该多个样本组中的预测值、特征值和对应的权值参数输入第二预设公式中,得到对应特征值和预测值的概率,该第二预设公式为:
本实施例中,该贝叶斯模型可以为:其中,q1,q2…qn为先验条件,qn为第n个特征项对应的特征值,J为目标预测应用的预测值。为简化计算,假设q1,q2…qn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...qn)=arg maxP(q1|J)P(q2|J)...P(qn|J),其中J可以表示j1或j2,在统计之前,由于用户账号和权值参数具有对应关系,故可以先根据将具有同一用户账号的特征项归为一个样本组,这样,可以得到多个样本组[S1,S2,S3,...,Sm],每一样本组对应一个权值参数,之后,利用第一预设公式和第二预设公式计算对应的概率。容易得知,训练贝叶斯模型的过程就是概率统计的过程,也即对贝叶斯模型训练后,可以得到每个特征项中不同特征值的概率值,比如P(q1)、P(q1|j2)。
105、基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制。
例如,请参见图4,上述步骤105具体可以包括:
3-1、获取后台应用清理指令。
本实施例中,该后台应用清理指令可以是电子设备自动生成的,比如内存占用量到达一定限度,或者电量不足,或者运行速度过慢时,生成该后台应用清理指令,当然,该后台应用清理指令也可以是用户手动操作生成的,比如用户可以通过点击指定清理图标来生成该后台应用清理指令。
3-2、根据该后台应用清理指令获取该电子设备的后台应用、以及当前的特征信息。
3-3、利用训练后的贝叶斯模型和当前的特征信息计算每一后台应用的可清理率。
例如,上述步骤3-3具体可以包括:
根据当前的特征信息确定当前特征值;
本实施例中,和训练过程类似,可以先根据当前的特征信息得到当前的采样日期类型、采样时段、预设电量范围、预设时长范围、上一切换应用、前台应用、充电连接状态、网络连接状态以及当前需预测的后台应用这9个特征项,则n为9,并获取这9个特征项对应的特征值q1,q2…q9,之后利用公式:
P(j2|q1,q2...q9)=P(j2) P(q1|j2)P(q2|j2)...P(q9|j2)来计算在当前特征值发生的前提下,j2发生的概率(也即当前需预测的后台应用不会在短时间内切换至前台)的概率值,作为可清理率,其中,P(qk|j2)已由上述步骤104计算出,可直接获取。
3-4、根据该可清理率关闭该后台应用。
例如,上述步骤3-4具体可以包括:
选取可清理率不小于预设阈值的后台应用作为目标应用,或者,选取可清理率最高的预设个数后台应用作为目标应用;
关闭该目标应用。
本实施例中,该预设阈值和预设个数均可以人为设定,比如该预设阈值可以为0.9,该预设个数可以为4,也即当计算出的P(j2|q1,q2…qn)大于0.9时,可以认为后台应用i短时间内不会切换至前台,进而可以作为清理对象进行清理。
由上述可知,本实施例提供的应用控制方法,应用于电子设备,通过获取历史时段内每一采样时间点该电子设备的特征信息,该特征信息包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态,并根据该采样时间点确定对应特征信息的权值参数,接着,根据该采样时间点和特征信息生成训练样本,并根据该训练样本和权值参数对预设的贝叶斯模型进行训练,之后基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制,从而可以根据以往应用的使用情况以及用户使用习惯较好地选出需要清理的后台应用,可以提高对后台应用进行预测的准确性,从而提升对后台应用进行管控的智能化和准确性并且可以提升电子设备的运行效率。
在本实施例中,将以该应用控制装置具体集成在电子设备中为例进行详细说明。
请参见图5和图6,一种应用控制方法,具体流程可以如下:
201、电子设备获取历史时段内每一用户账号在每一采样时间点的对应的特征信息,该特征信息包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态。
譬如,该历史时段可以是过去一个月,该采样时间点可以是过去一个月内每分钟所。该特征信息可以是从数据库中提取出来的,该数据库内可以存储有过去一个月电子设备中应用的使用记录、屏幕的亮灭记录、充电记录以及WiFi连接记录,如下表1-4,之后,根据这些记录可以提取出每一采样时间点的特征信息。然后再按照用户账号对所有采集到的特征信息进行划分,以获取到历史时段内每一用户账号在每一采样时间点对应的特征信息。
应用名 | 打开此应用的时间戳 |
com.tencent.mobileqq | 1497590695469 |
com.android.settings | 1497609107922 |
... | ... |
表1:应用使用记录
屏幕状态变化 | 时间戳 |
亮->灭 | 1497609131975 |
灭->亮 | 1497609191786 |
... | ... |
表2:亮屏灭屏记录
充电状态变化 | 电量 | 时间戳 |
进入充电 | 23% | 1497609131910 |
灭退出充电 | 80% | 1497609191786 |
... | ... |
表3:充电记录
Wifi状态变化 | SSID | BSSID | 时间戳 |
连接wifi | ... | ... | 1497609111510 |
断开wifi | ... | ... | 1497609131286 |
... | ... |
表4:Wifi记录
202、电子设备从该特征信息中获取到该历史时段内每一用户账号对应的前台应用的运行总时长,根据该运行总时长在该历史时段内的占比确定每一用户账号对应的权值参数。
其中,在实际应用过程中,很多应用程序在开启过程中都会涉及到用户账号,同一用户账号可以用于登录一个或者多个应用程序。比如QQ账号、微信账号、邮箱账号等可以用于登录网页、即时通信软件、社交软件、拍照软件等。同一个电子设备中会涉及到多个用户账号,不同的用户在使用用户账号登陆应用程序时都会存在差异,用户账号对用户行为习惯有密切的联系。因此可以为每个账号设定权值参数,比如QQ账号的权值参数为30%、微信账号的权值参数为30%,邮箱账号的权值参数为20%,手机号码账号的权值参数为20%等。该权值参数的设定可以根据用户历史行为数据为参考依据进行设定。比如,可以从历史时段内每一用户账号登陆应用的历史使用记录中获取到历史时段内每一用户账号对应的前台应用的运行总时长,并根据所述运行总时长在所述历史时段内的占比确定每一用户账号对应的权值参数。所述运行总时长在所述历史时段内的占比与所述权值参数成正比。占比越大,权值参数设置的越大。
203、电子设备根据该采样时间点确定采样日期类型和采样时段,并确定该剩余电量所属的预设电量范围,以及确定该已亮屏时长所属的预设时长范围。
譬如,若采样时间点为2012年10月17日10时55分,每天可以分为48个时段,则当天为周三,其采样日期类型为工作日,采样时段为第11个时段。若剩余电量为80%,则其预设电量范围可以为70%-100%所对应的高电量。若已亮屏时长为3min,则其预设时长范围可以为0-5min所对应的短时长。
204、电子设备获取目标预测应用,并根据该采样时间点从特征信息中确定该前台应用的上一切换应用和下一切换应用。
譬如,该目标预测应用可以是近期出现频率最高的十个个应用APP1、APP2…APP10。用户账号对采样数据进行分组之后,再根据采样时间点对同组数据中出现的所有前台应用进行排序,对于排序后的任意三个相邻的不同前台应用,前面的前台应用可以作为中间的前台应用的上一切换应用,后面的前台应用可以作为中间的前台应用的下一切换应用,以此确定出每一用户账号对应的前台应用的上一切换应用和下一切换应用。比如对于某个采样时间点,某个用户账号对应的前台应用可以为APP10,上一切换应用可以为APP1,下一切换应用可以为APP5。
205、电子设备计算该下一切换应用的采样时间点与前台应用的采样时间点之间的差值,并判断该目标预测应用是否为该下一切换应用,且该差值是否不超过预设时长,若是,则将该目标预测应用的预测值确定为第一预设数值,若否,则将该目标预测应用的预测值确定为第二预设数值。
譬如,采样得到的前台应用可以为APP10,下一切换应用APP5与APP10的间隔时长为T1可以为5min,该第一预设数值可以是1,第二预设数值可以是0,当目标预测应用为APP5,且该预设时长为10min时,T1≤10,则可以将目标预测应用的预测值设定为1,否则,设定为0。
206、电子设备分别获取该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值,并根据该特征值和预测值生成训练样本,其中每一用户账号对应一个训练样本。
譬如,该特征值和特征项的对应关系可以为下表5:
表5
需要说明的是,上述步骤202和203-206之间没有明显的先后执行顺序,其可以同时进行。
207、电子设备将每一训练样本、以及对应的权值参数输入预设的贝叶斯模型中,以对该贝叶斯模型进行训练。
例如,上述步骤207具体可以包括:
将同一用户账号对应的训练样本归为一组,根据不同的用户账号对应的训练样本得到多个样本组,其中每一样本组对应一权值参数;
将该多个样本组和对应的权值参数输入第一预设公式中进行计算,得到对应预测值的概率,该第一预设公式为:
将该多个样本组中的预测值、特征值和对应的权值参数输入第二预设公式中,得到对应特征值和预测值的概率,该第二预设公式为:
JMAX=arg max P(J|q1,q2...qn)=arg maxP(q1|J)P(q2|J)...P(qn|J),其中J可以表示j1或j2,在统计之前,由于用户账号和权值参数具有对应关系,故可以先根据将具有同一用户账号的特征项归为一个样本组,这样,可以得到多个样本组[S1,S2,S3,...,Sm],每一样本组对应一个权值参数,之后,利用第一预设公式和第二预设公式计算对应的概率。容易得知,训练贝叶斯模型的过程就是概率统计的过程,也即对贝叶斯模型训练后,可以得到每个特征项中不同特征值的概率值,比如P(q1)、P(q1|j2)。
208、电子设备获取后台应用清理指令。
譬如,当检测到内存占用量到达一定限度,或者电量不足,或者运行速度过慢时,电子设备可以自动生成该后台应用清理指令。
209、电子设备根据该后台应用清理指令获取后台应用、以及当前的特征信息。
210、电子设备利用训练后的贝叶斯模型和当前的特征信息计算每一后台应用的可清理率。
例如,上述步骤210具体可以包括:
根据当前的特征信息确定当前特征值;
譬如,和训练过程类似,可以先根据当前的特征信息得到当前的采样日期类型、采样时段、预设电量范围、预设时长范围、上一切换应用、前台应用、充电连接状态、网络连接状态以及当前需预测的后台应用这9个特征项,则n为9,并获取这9个特征项对应的特征值q1,q2…q9,之后利用公式:
P(j2|q1,q2…q9)=P(j2)P(q1|j2)P(q2|j2)...P(q9|j2)来计算在当前特征值发生的前提下,j2发生的概率(也即当前需预测的后台应用不会在短时间内切换至前台)的概率值,作为可清理率。
211、电子设备选取可清理率不小于预设阈值的后台应用作为目标应用,或者,选取可清理率最高的预设个数后台应用作为目标应用,并关闭该目标应用。
譬如,该预设阈值可以为0.9,该预设个数可以为4,也即当计算出的P(j2|q1,q2…qn)大于0.9时,可以认为当前需预测的后台应用短时间内不会切换至前台,进而可以作为清理对象进行清理。
由上述可知,本实施例提供的应用控制方法,其中电子设备可以获取历史时段内每一用户账号在每一采样时间点对应的特征信息,该特征信息包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态,接着从该特征信息中获取到该历史时段内每一用户账号对应的前台应用的运行总时长,根据该运行总时长在该历史时段内的占比确定每一用户账号对应的权值参数,再根据该采样时间点确定采样日期类型和采样时段,并确定该剩余电量所属的预设电量范围,以及确定该已亮屏时长所属的预设时长范围,然后获取目标预测应用,并根据该采样时间点从特征信息中确定该前台应用的上一切换应用和下一切换应用,之后,计算该下一切换应用的采样时间点与前台应用的采样时间点之间的差值,并判断该目标预测应用是否为该下一切换应用,且该差值是否不超过预设时长,若是,则将该目标预测应用的预测值确定为第一预设数值,若否,则将该目标预测应用的预测值确定为第二预设数值,之后,分别获取该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值,并根据该特征值和预测值生成训练样本,,其中每一用户账号对应一个训练样本,接着,将每一训练样本、以及对应的权值参数输入预设的贝叶斯模型中,以对该贝叶斯模型进行训练,再获取后台应用清理指令,并根据该后台应用清理指令获取后台应用、以及当前的特征信息,最后利用训练后的贝叶斯模型和当前的特征信息计算每一后台应用的可清理率,并选取可清理率不小于预设阈值的后台应用作为目标应用,或者,选取可清理率最高的预设个数后台应用作为目标应用,之后关闭该目标应用,从而可以根据以往应用的使用情况以及用户使用习惯较好地选出需要清理的后台应用,可以提高对后台应用进行预测的准确性,从而提升对后台应用进行管控的智能化和准确性并且可以提升电子设备的运行效率。
根据上述实施例所描述的方法,本实施例将从应用控制装置的角度进一步进行描述,该应用控制装置具体可以作为独立的实体来实现,也可以集成在电子设备,比如终端中来实现,该终端可以包括手机、平板电脑以及个人计算机等。
请参阅图7,图7具体描述了本申请实施例提供的应用控制装置,应用于电子设备,其可以包括:获取模块10、确定模块20、生成模块30、训练模块40和控制模块50,其中:
(1)获取模块10
获取模块10,用于获取历史时段内每一用户账号在每一采样时间点对应的特征信息,该特征信息包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态。
本实施例中,该历史时段可以人为设定,比如可以是前一个月或前两个月。该采样时间点主要指采样频率,比如可以每分钟或者每两分钟采样一次,其可以表现为x年x月x日x时x分的形式。该充电连接状态和网络连接状态均可以包括连接和未连接两种情况。
实际应用过程中,该特征信息可以是实时获取的,比如到达采样时间点获取模块10即进行对应数据的采集操作,也可以是一次性获取的,比如电子设备可以提前在本地数据库中记录历史时段内每一次亮灭屏变化数据、充电状态变化数据、网络状态变化数据、以及应用打开数据,之后,获取模块10可以根据采样频率一次性提取出每一采样时间点的特征信息。
譬如,所述历史时段可以是过去一个月,所述采样时间点可以是过去一个月内每分钟。所述特征信息可以是从数据库中提取出来的,所述数据库内可以存储有过去一个月电子设备中应用的使用记录、屏幕的亮灭记录、充电记录以及WiFi连接记录。所述应用的使用记录可以包括登陆应用的用户账号、应用程序类型、应用程序名称、进入前台的时间戳、进入后台的时间戳、在前台的运行时长、一天中处于前台的时间、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等。比如,获取模块10按照用户账号对所有采集到的特征信息进行划分,以获取到历史时段内每一用户账号在每一采样时间点对应的特征信息,所述特征信息包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态等。
(2)确定模块20
确定模块20,用于根据该特征信息确定每一用户账号对应的权值参数。。
例如,该确定模块20具体可以用于:
从所述特征信息中获取到所述历史时段内每一用户账号对应的前台应用的运行总时长;
根据所述运行总时长在所述历史时段内的占比确定每一用户账号对应的权值参数。
其中,在实际应用过程中,很多应用程序在开启过程中都会涉及到用户账号,同一用户账号可以用于登录一个或者多个应用程序。比如QQ账号、微信账号、邮箱账号等可以用于登录网页、即时通信软件、社交软件、拍照软件等。同一个电子设备中会涉及到多个用户账号,不同的用户在使用用户账号登陆应用程序时都会存在差异,用户账号对用户行为习惯有密切的联系。因此可以为每个账号设定权值参数,比如第一个账号的权值参数为γ1、第二个账号的权值参数为γ2。该权值参数的设定可以根据用户历史行为数据为参考依据进行设定。比如,确定模块20可以从历史时段内每一用户账号登陆应用的历史使用记录中获取到历史时段内每一用户账号对应的前台应用的运行总时长,并根据所述运行总时长在所述历史时段内的占比确定每一用户账号对应的权值参数。所述运行总时长在所述历史时段内的占比与所述权值参数成正比。占比越大,权值参数设置的越大。
(3)生成模块30
生成模块30,用于根据该采样时间点和特征信息生成训练样本,其中每一用户账号对应一个训练样本。
例如,请参见图8,该生成模块30具体可以包括第一确定子模块31、第二确定子模块32和生成子模块33,其中:
第一确定子模块31,用于根据该采样时间点确定采样日期类型和采样时段。
本实施例中,该采样日期类型是对每周进行划分,其可以包括工作日和周末。该采样时段是对每天进行划分,其可以将一天分为48个时段。
第二确定子模块32,用于确定该剩余电量所属的预设电量范围,以及确定该已亮屏时长所属的预设时长范围。
本实施例中,该预设电量范围和预设时长范围均可以人为设定,该预设电量范围可以包括指示高电量、中电量和低电量的三个区间范围,比如高电量可以是70%-100%,中电量可以是40%-70%,低电量可以是0-40%等,该预设时长范围可以包括指示短、中和长的三个区间范围,比如长可以是10min以上,中可以是5-10min,短可以是0-5min。
生成子模块33,用于根据该采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本。
其中,生成子模块33可以根据不用的用户账号在登陆应用程序过程中采集到的特征信息,来划分出每一用户账号对应的该采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态,以此生成每一用户账号对应的训练样本。
例如,请参见图9,该生成子模块33具体可以包括获取单元331、第一确定单元332、第二确定单元333以及生成单元334,其中:
获取单元331,用于获取目标预测应用。
本实施例中,该目标预测应用可以是电子设备中所安装的全部应用,也可以是部分应用,当为部分应用时,其可以是近期出现频率最高的若干个应用,具体数量可以根据实际需求而定。
第一确定单元332,用于根据该采样时间点从特征信息中确定该前台应用的上一切换应用和下一切换应用。
本实施例中,由于历史时段内每次采样获得的前台应用都是已知的,故对于任意一次采样获得的前台应用,在该采样时间点之前获得的不同前台应用都可以认为是当前前台应用的上一切换应用,在该采样时间点之后获得的不同前台应用都可以认为是当前前台应用的下一切换应用,通常,第一确定单元332可以取离当前采样时间点最近的不同前台应用作为上一切换应用和下一切换应用。实际操作过程中,可以先根据用户账号对采样数据进行分组之后,再根据采样时间点对同组数据中出现的所有前台应用进行排序,对于排序后的任意三个相邻的不同前台应用,前面的前台应用可以作为中间的前台应用的上一切换应用,后面的前台应用可以作为中间的前台应用的下一切换应用,以此确定出每一用户账号对应的前台应用的上一切换应用和下一切换应用。
第二确定单元333,用于根据该采样时间点、下一切换应用以及前台应用确定该目标预测应用的预测值。
本实施例中,该预测值可以是人为设定的数值,比如0和1,其中,0可以表示该目标预测应用不会在短时间内切换至前台使用,1可以表示该目标预测应用会在短时间内切换至前台使用。由于在历史时段内采集的所有前台应用都是已知的,故可以根据已知前台应用、以及其采样时间点来确定目标预测应用的预测值,此时,该第二确定单元333进一步可以用于:
计算该下一切换应用的采样时间点与前台应用的采样时间点之间的差值;
判断该目标预测应用是否为该下一切换应用,且该差值是否不超过预设时长;
若是,则将该目标预测应用的预测值确定为第一预设数值;
若否,则将该目标预测应用的预测值确定为第二预设数值。
本实施例中,该预设时长、第一预设数值和第二预设数值均可以人为设定,该预设时长主要用于界定时间长短,其可以是10min,该第一预设数值可以是1,第二预设数值可以是0。对于每次采样,当需要预测的目标预测应用即为下一切换应用时,该第二确定单元333需要进一步分析从当前应用切换至下一切换应用所花的时长,只有当该间隔时长在预设时长之内时,才可以将该目标预测应用的预测值设为1,否则,全部设为0。
生成单元334,用于根据该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
本实施例中,为从多个维度对用户行为进行分析,以使训练出的机器学习模型更拟人化,每一训练样本可以由多个已知特征项以及标签项的数据组成,该已知特征项可以包括该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态和网络连接状态等。其中每一用户账号对应一个训练样本,即根据每一用户账号对应一组已知特征项,不同用户账号对应的已知特征项的特征值、预测值可以相同,也可以不同。
例如,该生成单元334具体可以用于:
分别获取该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值;
根据该特征值和预测值生成训练样本。
本实施例中,由于计算机程序一般以字符的形式编码运行,故该特征值主要可以表现为阿拉伯数字或字母的形式,比如1-10,每一特征项也可以表现为字母的形式,比如前台应用为H,采样日期类型为B,等等。在生成训练样本时,该生成单元334可以直接将特征值作为先验条件,将每一目标预测应用的预测值作为后验结果,生成该训练样本。其中每一用户账号对应一个训练样本。
容易理解的是,每一特征项对应的特征值可以是预先设定好的,不同特征项的特征值可以相同,也可以不同,比如前台应用和采样时段的特征值都可以包括0~10,但是,每个数字在不同的特征项中指代的意义不同,比如对于前台应用,0可以指代美团,对于采样时段,0可以指代0:00-1:00这个时段。
(4)训练模块40
训练模块40,用于根据该训练样本和权值参数对预设的贝叶斯模型进行训练。
例如,该训练模块40具体可以用于:
样本得到多个样本组,其中每一样本组对应一权值参数;
将该多个样本组和对应权值参数输入第一预设公式中进行计算,得到对应预测值的概率,该第一预设公式为:
将该多个样本组中的预测值、特征值和对应的权值参数输入第二预设公式中,得到对应特征值和预测值的概率,该第二预设公式为:
本实施例中,该贝叶斯模型可以为:其中,q1,q2…qn为先验条件,qn为第n个特征项对应的特征值,J为目标预测应用的预测值。为简化计算,假设q1q2…qn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...qn)=arg maxP(q1|J)P(q2|J)...P(qn|J),其中J可以表示j1或j2,在统计之前,由于用户账号和权值参数具有对应关系,故可以先根据将具有同一用户账号的特征项归为一个样本组,这样,可以得到多个样本组[S1,S2,S3,...,Sm],每一样本组对应一个权值参数,之后,利用第一预设公式和第二预设公式计算对应的概率。容易得知,训练贝叶斯模型的过程就是概率统计的过程,也即对贝叶斯模型训练后,可以得到每个特征项中不同特征值的概率值,比如P(q1)、P(q1|j2)。
(5)控制模块50
控制模块50,用于基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制。
例如,请参见图10,该控制模块50具体可以包括第一获取子模块51、第二获取子模块52、计算子模块53以及关闭子模块54,其中:
第一获取子模块51,用于获取后台应用清理指令。
本实施例中,该后台应用清理指令可以是电子设备自动生成的,比如内存占用量到达一定限度,或者电量不足,或者运行速度过慢时,生成该后台应用清理指令,当然,该后台应用清理指令也可以是用户手动操作生成的,比如用户可以通过点击指定清理图标来生成该后台应用清理指令。
第二获取子模块52,用于根据该后台应用清理指令获取该电子设备的后台应用、以及当前的特征信息。
计算子模块53,用于利用训练后的贝叶斯模型和当前的特征信息计算每一后台应用的可清理率。
例如,该计算子模块53具体可以用于:
根据当前的特征信息确定当前特征值;
本实施例中,和训练过程类似,可以先根据当前的特征信息得到当前的采样日期类型、采样时段、预设电量范围、预设时长范围、上一切换应用、前台应用、充电连接状态、网络连接状态以及当前需预测的后台应用这9个特征项,则n为9,并获取这9个特征项对应的特征值q1,q2…q9,之后利用公式:
P(j2|q1,q2...q9)=P(j2)P(q1|j2)P(q2|j2)...P(q9|j2)来计算在当前特征值发生的前提下,j2发生的概率(也即当前需预测的后台应用不会在短时间内切换至前台)的概率值,作为可清理率,其中,P(qk|j2)已由上述训练模块40计算出,可直接获取。
关闭子模块54,用于根据该可清理率关闭该后台应用。
例如,该关闭子模块54进一步可以用于:
选取可清理率不小于预设阈值的后台应用作为目标应用,或者,选取可清理率最高的预设个数后台应用作为目标应用;
关闭该目标应用。
本实施例中,该预设阈值和预设个数均可以人为设定,比如该预设阈值可以为0.9,该预设个数可以为4,也即当计算出的P(j2|a,b,c…i)大于0.9时,可以认为后台应用i短时间内不会切换至前台,进而可以作为清理对象进行清理。
具体实施时,以上各个单元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,以上各个单元的具体实施可参见前面的方法实施例,在此不再赘述。
由上述可知,本实施例提供的应用控制装置,应用于电子设备,通过获取模块10获取历史时段内每一采样时间点该电子设备的特征信息,该特征信息包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态,确定模块20根据该采样时间点确定对应特征信息的权值参数,生成模块30根据该采样时间点和特征信息生成训练样本,训练模块40根据该训练样本和权值参数对预设的贝叶斯模型进行训练,之后控制模块50基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制,从而可以根据以往应用的使用情况以及用户使用习惯较好地选出需要清理的后台应用,可以提高对后台应用进行预测的准确性,从而提升对后台应用进行管控的智能化和准确性并且可以提升电子设备的运行效率。
本申请实施例还提供一种电子设备,包括处理器和存储器,所述处理器与所述存储器电性连接,所述存储器用于存储指令和数据,所述处理器用于执行本申请任一实施例所述的应用控制方法
该电子设备可以是智能手机、平板电脑、掌上电脑等设备。如图11所示,电子设备400包括有一个或者一个以上处理核心的处理器401、有一个或一个以上计算机可读存储介质的存储器402及存储在存储器上并可在处理器上运行的计算机程序。其中,处理器401与存储器402电性连接。本领域技术人员可以理解,图中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
处理器401是电子设备400的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或加载存储在存储器402内的应用程序,以及调用存储在存储器402内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体监控。
在本申请实施例中,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应用程序的进程对应的指令加载到存储器402中,并由处理器401来运行存储在存储器402中的应用程序,从而实现各种功能:
获取历史时段内每一用户账号在每一采样时间点对应的特征信息,所述特征信息包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态;
根据所述特征信息确定每一用户账号对应的权值参数;
根据所述采样时间点和特征信息生成训练样本,其中每一用户账号对应一个训练样本;
根据所述训练样本和权值参数对预设的贝叶斯模型进行训练;
基于训练后的贝叶斯模型对所述电子设备中的后台应用进行控制。
在一些实施例中,处理器401用于所述根据所述特征信息确定每一用户账号对应的权值参数,包括:
从所述特征信息中获取到所述历史时段内每一用户账号对应的前台应用的运行总时长;
根据所述运行总时长在所述历史时段内的占比确定每一用户账号对应的权值参数。
在一些实施例中,处理器401用于所述根据所述采样时间点和特征信息生成训练样本,包括:
根据所述采样时间点确定采样日期类型和采样时段;
确定所述剩余电量所属的预设电量范围,以及确定所述已亮屏时长所属的预设时长范围;
根据所述采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本。
在一些实施例中,处理器401用于所述根据所述采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本,包括:
获取目标预测应用;
根据所述采样时间点从所述特征信息中确定所述前台应用的上一切换应用和下一切换应用;
根据所述采样时间点、下一切换应用以及前台应用确定所述目标预测应用的预测值;
根据所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
在一些实施例中,处理器401用于所述根据所述采样时间点、下一切换应用以及前台应用确定所述目标预测应用的预测值,包括:
计算所述下一切换应用的采样时间点与前台应用的采样时间点之间的差值;
判断所述目标预测应用是否为所述下一切换应用,且所述差值是否不超过预设时长;
若是,则将所述目标预测应用的预测值确定为第一预设数值;
若否,则将所述目标预测应用的预测值确定为第二预设数值。
在一些实施例中,处理器401用于所述根据所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本,包括:
分别获取所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值;
根据所述特征值和预测值生成训练样本。
在一些实施例中,处理器401用于所述根据所述训练样本和权值参数对预设的贝叶斯模型进行训练,包括:
将同一用户账号对应的训练样本归为一组,根据不同的用户账号对应的训练样本得到多个样本组,其中每一样本组对应一权值参数;
将所述多个样本组和对应的权值参数输入第一预设公式中进行计算,得到对应预测值的概率,所述第一预设公式为:
将所述多个样本组中的预测值、特征值和对应的权值参数输入第二预设公式中,得到对应特征值和预测值的概率,所述第二预设公式为:
在一些实施例中,处理器401用于所述基于训练后的贝叶斯模型对所述电子设备中的后台应用进行控制,包括:
获取后台应用清理指令;
根据所述后台应用清理指令获取所述电子设备的后台应用、以及当前的特征信息;
利用训练后的贝叶斯模型和当前的特征信息计算每一后台应用的可清理率;
根据所述可清理率关闭所述后台应用。
在一些实施例中,处理器401用于所述利用训练后的贝叶斯模型和当前的特征信息计算每一后台应用的可清理率,包括:
根据当前的特征信息确定当前特征值;
在一些实施例中,处理器401用于所述根据所述可清理率关闭所述后台应用,包括:
选取可清理率不小于预设阈值的后台应用作为目标应用,或者,选取可清理率最高的预设个数后台应用作为目标应用;
关闭所述目标应用。
在一些实施例中,如图12所示,电子设备400还包括:显示屏403、射频电路404、音频电路405、输入单元406以及电源407。其中,处理器401分别与显示屏403、射频电路404、音频电路405、输入单元406以及电源407电性连接。本领域技术人员可以理解,图12中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
显示屏403可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口,这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示屏403为触控显示屏时,也可以作为输入单元的一部分实现输入功能。
射频电路404可用于收发射频信号,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。
输入单元406可用于接收输入的数字、字符信息或用户特征信息(例如指纹),以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
电源407用于给电子设备400的各个部件供电。在一些实施例中,电源107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12中未示出,电子设备400还可以包括摄像头、传感器、无线保真模块、蓝牙模块等,在此不再赘述。
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。
本申请实施例中,所述应用控制装置与上文实施例中的一种应用控制方法属于同一构思,在所述应用控制装置上可以运行所述应用控制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控制方法实施例,此处不再赘述。
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控制方法。
需要说明的是,对本申请所述应用控制方法而言,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控制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控制方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储器(ROM,ReadOnly Memory)、随机存取记忆体(RAM,Random Access Memory)等。
对本申请实施例的所述应用控制装置而言,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控制方法、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技术方案及其核心思想;本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例的技术方案的范围。
Claims (14)
1.一种应用控制方法,应用于电子设备,其特征在于,包括:
获取历史时段内每一用户账号在每一采样时间点对应的特征信息,所述特征信息包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态;
根据所述特征信息确定每一用户账号对应的权值参数;
根据所述采样时间点确定采样日期类型和采样时段;
确定所述剩余电量所属的预设电量范围,以及确定所述已亮屏时长所属的预设时长范围;
根据所述采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本,所述训练样本包括目标预测应用的预测值和特征值;
根据所述训练样本和权值参数对预设的贝叶斯模型进行训练,具体包括:
将同一用户账号对应的训练样本归为一组,根据不同的用户账号对应的训练样本得到多个样本组,其中每一样本组对应一权值参数;
将所述多个样本组和对应的权值参数输入第一预设公式中进行计算,得到对应预测值的概率,所述第一预设公式为:
将所述多个样本组中的预测值、特征值和对应的权值参数输入第二预设公式中,得到对应特征值和预测值的概率,所述第二预设公式为:
获取后台应用清理指令;
根据所述后台应用清理指令获取所述电子设备的后台应用、以及当前的特征信息;
根据所述当前的特征信息获取当前的采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态、网络连接状态以及当前需预测的后台应用对应的当前特征值;
利用训练后的贝叶斯模型和当前特征值计算每一后台应用的可清理率;
根据所述可清理率关闭所述后台应用。
2.根据权利要求1所述的应用控制方法,其特征在于,所述根据所述特征信息确定每一用户账号对应的权值参数,包括:
从所述特征信息中获取到所述历史时段内每一用户账号对应的前台应用的运行总时长;
根据所述运行总时长在所述历史时段内的占比确定每一用户账号对应的权值参数。
3.根据权利要求1所述的应用控制方法,其特征在于,所述根据所述采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本,包括:
获取所述目标预测应用;
根据所述采样时间点从所述特征信息中确定所述前台应用的上一切换应用和下一切换应用;
根据所述采样时间点、下一切换应用以及前台应用确定所述目标预测应用的所述预测值;
根据所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及所述预测值生成训练样本。
4.根据权利要求3所述的应用控制方法,其特征在于,所述根据所述采样时间点、下一切换应用以及前台应用确定所述目标预测应用的预测值,包括:
计算所述下一切换应用的采样时间点与前台应用的采样时间点之间的差值;
判断所述目标预测应用是否为所述下一切换应用,且所述差值是否不超过预设时长;
若是,则将所述目标预测应用的预测值确定为第一预设数值;
若否,则将所述目标预测应用的预测值确定为第二预设数值。
5.根据权利要求3所述的应用控制方法,其特征在于,所述根据所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本,包括:
分别获取所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的所述特征值;
根据所述特征值和所述预测值生成训练样本。
7.根据权利要求1所述的应用控制方法,其特征在于,所述根据所述可清理率关闭所述后台应用,包括:
选取可清理率不小于预设阈值的后台应用作为目标应用,或者,选取可清理率最高的预设个数后台应用作为目标应用;
关闭所述目标应用。
8.一种应用控制装置,其特征在于,包括:
获取模块,用于获取历史时段内每一用户账号在每一采样时间点对应的特征信息,所述特征信息包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态;
确定模块,用于根据所述特征信息确定每一用户账号对应的权值参数;
第一确定子模块,用于根据所述采样时间点确定采样日期类型和采样时段;
第二确定子模块,用于确定所述剩余电量所属的预设电量范围,以及确定所述已亮屏时长所属的预设时长范围;
生成子模块,用于根据所述采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本,所述训练样本包括目标预测应用的预测值和特征值;
训练模块,用于,具体包括:
将同一用户账号对应的训练样本归为一组,根据不同的用户账号对应的训练样本得到多个样本组,其中每一样本组对应一权值参数;
将所述多个样本组和对应的权值参数输入第一预设公式中进行计算,得到对应预测值的概率,所述第一预设公式为:
将所述多个样本组中的预测值、特征值和对应的权值参数输入第二预设公式中,得到对应特征值和预测值的概率,所述第二预设公式为:
第一获取子模块,用于获取后台应用清理指令;
第二获取子模块,用于根据所述后台应用清理指令获取电子设备的后台应用、以及当前的特征信息;
计算子模块,用于根据所述当前的特征信息获取当前的采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态、网络连接状态以及当前需预测的后台应用对应的当前特征值;
利用训练后的贝叶斯模型和当前特征值计算每一后台应用的可清理率;
关闭子模块,用于根据所述可清理率关闭所述后台应用。
9.根据权利要求8所述的应用控制装置,其特征在于,所述确定模块具体用于:
从所述特征信息中获取到所述历史时段内每一用户账号对应的前台应用的运行总时长;
根据所述运行总时长在所述历史时段内的占比确定每一用户账号对应的权值参数。
10.根据权利要求8所述的应用控制装置,其特征在于,生成子模块,包括:
获取单元,用于获取所述目标预测应用;
第一确定单元,用于根据所述采样时间点从所述特征信息中确定所述前台应用的上一切换应用和下一切换应用;
第二确定单元,用于根据所述采样时间点、下一切换应用以及前台应用确定所述目标预测应用的所述预测值;
生成单元,用于根据所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
11.根据权利要求10所述的应用控制装置,其特征在于,所述第二确定单元,用于:
计算所述下一切换应用的采样时间点与前台应用的采样时间点之间的差值;
判断所述目标预测应用是否为所述下一切换应用,且所述差值是否不超过预设时长;
若是,则将所述目标预测应用的预测值确定为第一预设数值;
若否,则将所述目标预测应用的预测值确定为第二预设数值。
12.根据权利要求10所述的应用控制装置,其特征在于,所述生成单元,用于:
分别获取所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值;
根据所述特征值和预测值生成训练样本。
13.一种存储介质,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权利要求1至7中任一项所述的应用控制方法。
14.一种电子设备,其特征在于,包括处理器和存储器,所述处理器与所述存储器电性连接,所述存储器用于存储指令和数据,所述处理器用于执行权利要求1至7中任一项所述的应用控制方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711123618.7A CN107832132B (zh) | 2017-11-14 | 2017-11-14 | 应用控制方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711123618.7A CN107832132B (zh) | 2017-11-14 | 2017-11-14 | 应用控制方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107832132A CN107832132A (zh) | 2018-03-23 |
CN107832132B true CN107832132B (zh) | 2020-08-04 |
Family
ID=61655535
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711123618.7A Expired - Fee Related CN107832132B (zh) | 2017-11-14 | 2017-11-14 | 应用控制方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107832132B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118027A (zh) * | 2018-09-30 | 2019-01-01 | 广东小天才科技有限公司 | 电量预测模型训练方法、电量预测方法、智能设备及系统 |
CN113050783B (zh) * | 2019-12-26 | 2023-08-08 | Oppo广东移动通信有限公司 | 终端控制方法、装置、移动终端及存储介质 |
CN111623863A (zh) * | 2020-04-16 | 2020-09-04 | 中山乐心电子有限公司 | 一种电子秤的控制方法及电子秤 |
CN111522695A (zh) * | 2020-05-08 | 2020-08-11 | 与众科技(天津)有限公司 | 一种协同办公系统应用级灾备系统 |
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 |
CN112738093B (zh) * | 2020-12-29 | 2023-04-07 | 宁波友好智能安防科技有限公司 | 一种防盗锁的多平台选择通信系统 |
CN112799911A (zh) * | 2021-01-27 | 2021-05-14 | 苏州浪潮智能科技有限公司 | 一种节点健康状态检测方法、装置、设备及存储介质 |
CN114664212B (zh) * | 2022-05-26 | 2022-09-27 | 南京三头牛电子科技有限公司 | 一种实现lcd投影的偏振光转换器低功耗的方法 |
CN117827112A (zh) * | 2024-01-04 | 2024-04-05 | 上海源斌电子科技有限公司 | 一种基于人工智能的电子元件存储数据分析系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107302633A (zh) * | 2017-06-30 | 2017-10-27 | 广东欧珀移动通信有限公司 | 应用控制方法、装置、存储介质以及电子设备 |
-
2017
- 2017-11-14 CN CN201711123618.7A patent/CN107832132B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107302633A (zh) * | 2017-06-30 | 2017-10-27 | 广东欧珀移动通信有限公司 | 应用控制方法、装置、存储介质以及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107832132A (zh) | 2018-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832132B (zh) | 应用控制方法、装置、存储介质及电子设备 | |
CN107678803B (zh) | 应用管控方法、装置、存储介质及电子设备 | |
CN107577522B (zh) | 应用控制方法、装置、存储介质以及电子设备 | |
CN108337358B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN107678845B (zh) | 应用程序管控方法、装置、存储介质及电子设备 | |
CN107704876B (zh) | 应用控制方法、装置、存储介质以及电子设备 | |
CN107809542B (zh) | 应用程序控制方法、装置、存储介质和电子设备 | |
CN107943583B (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN111611478B (zh) | 信息推荐方法、装置和电子设备 | |
CN107678800B (zh) | 后台应用清理方法、装置、存储介质及电子设备 | |
WO2019062405A1 (zh) | 应用程序的处理方法、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 | |
CN111143697B (zh) | 一种内容推荐的方法以及相关装置 | |
CN107870810B (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 | |
CN107885545B (zh) | 应用管理方法、装置、存储介质及电子设备 | |
CN107943534B (zh) | 后台应用程序的关闭方法、装置、存储介质及电子设备 | |
CN107402808B (zh) | 进程管理方法、装置、存储介质及电子设备 | |
CN107943582B (zh) | 特征处理方法、装置、存储介质及电子设备 | |
WO2019085754A1 (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN107943570B (zh) | 应用管理方法、装置、存储介质及电子设备 | |
CN107748697B (zh) | 应用关闭方法、装置、存储介质及电子设备 | |
CN107728772B (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN108234758B (zh) | 应用的显示方法、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 |
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: 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. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200804 |
|
CF01 | Termination of patent right due to non-payment of annual fee |