CN107832848A - 应用管理方法、装置、存储介质及电子设备 - Google Patents

应用管理方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN107832848A
CN107832848A CN201711047002.6A CN201711047002A CN107832848A CN 107832848 A CN107832848 A CN 107832848A CN 201711047002 A CN201711047002 A CN 201711047002A CN 107832848 A CN107832848 A CN 107832848A
Authority
CN
China
Prior art keywords
application
coefficient
electronic equipment
feature coefficient
geographical position
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
CN201711047002.6A
Other languages
English (en)
Other versions
CN107832848B (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 CN201711047002.6A priority Critical patent/CN107832848B/zh
Publication of CN107832848A publication Critical patent/CN107832848A/zh
Application granted granted Critical
Publication of CN107832848B publication Critical patent/CN107832848B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06F9/5016—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 the resource being the memory
    • 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)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种应用管理方法、装置、存储介质及电子设备，该方法包括：根据应用的运行记录采集所述应用的多个特征信息；通过自组织神经网络对所述多个特征信息进行学习；当所述应用进入后台运行时，获取所述应用在预设时间段内进入前台运行的第一次数；根据电子设备当前所处的地理位置对所述第一次数进行调整；根据所述应用的当前特征信息计算所述应用的第一特征系数；根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数；根据所述第二特征系数判断所述应用是否可被清理。该方案根据应用的第二特征系数来判断所述应用是否可被清理，可以减少电子设备的内存占用，提高电子设备的运行流畅度。

Description

应用管理方法、装置、存储介质及电子设备
技术领域
本申请涉及电子设备技术领域，特别涉及一种应用管理方法、装置、存储介质及电子设备。
背景技术
随着电子技术的发展，诸如智能手机等电子设备的功能越来越丰富。人们通常在电子设备上安装有多个应用。当用户在电子设备中打开多个应用时，若用户退回电子设备的主屏幕或者停留在某一应用的应用界面，则用户打开的多个应用依然会在电子设备的后台运行。后台运行的应用会严重地占用电子设备的内存，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管理方法、装置、存储介质及电子设备，可以减少电子设备的内存占用，提高电子设备的运行流畅度。
本申请实施例提供一种应用管理方法，包括：
根据应用的运行记录采集所述应用的多个特征信息；
通过自组织神经网络对所述多个特征信息进行学习，以得到所述应用的自组织神经网络模型，所述自组织神经网络模型包括所述应用的特征系数矩阵；
当所述应用进入后台运行时，获取所述应用在预设时间段内进入前台运行的第一次数；
根据电子设备当前所处的地理位置对所述第一次数进行调整，以得到第二次数；
根据所述应用的当前特征信息计算所述应用的第一特征系数，所述当前特征信息包括所述第二次数；
根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数；
根据所述第二特征系数判断所述应用是否可被清理。
本申请实施例还提供一种应用管理装置，包括：
采集模块，用于根据应用的运行记录采集所述应用的多个特征信息；
学习模块，用于通过自组织神经网络对所述多个特征信息进行学习，以得到所述应用的自组织神经网络模型，所述自组织神经网络模型包括所述应用的特征系数矩阵；
获取模块，用于当所述应用进入后台运行时，获取所述应用在预设时间段内进入前台运行的第一次数；
调整模块，用于根据电子设备当前所处的地理位置对所述第一次数进行调整，以得到第二次数；
计算模块，用于根据所述应用的当前特征信息计算所述应用的第一特征系数，所述当前特征信息包括所述第二次数；
确定模块，用于根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数；
判断模块，用于根据所述第二特征系数判断所述应用是否可被清理。
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应用管理方法。
本申请实施例还提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行上述应用管理方法。
本申请实施例提供的应用管理方法，根据应用的运行记录采集所述应用的多个特征信息；通过自组织神经网络对所述多个特征信息进行学习，以得到所述应用的自组织神经网络模型；当所述应用进入后台运行时，获取所述应用在预设时间段内进入前台运行的第一次数；根据电子设备当前所处的地理位置对所述第一次数进行调整，以得到第二次数；根据所述应用的当前特征信息计算所述应用的第一特征系数，所述当前特征信息包括所述第二次数；根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数；根据所述第二特征系数判断所述应用是否可被清理。该方案根据应用的第二特征系数来判断所述应用是否可被清理，从而可以根据所述应用的实际运行情况准确判断出所述应用何时可以被清理，在所述应用可以被清理时，及时关闭所述应用以释放电子设备的内存，进而可以减少电子设备的内存占用，提高电子设备的运行流畅度。
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是本申请实施例提供的应用管理装置的系统示意图。
图2是本申请实施例提供的应用管理方法的应用场景示意图。
图3是本申请实施例提供的应用管理方法的流程示意图。
图4是本申请实施例提供的应用管理方法的另一流程示意图。
图5是本申请实施例提供的应用管理方法的又一流程示意图。
图6是本申请实施例中的自组织神经网络的架构示意图。
图7是本申请实施例提供的应用管理装置的结构示意图。
图8是本申请实施例提供的应用管理装置的另一结构示意图。
图9是本申请实施例提供的应用管理装置的又一结构示意图。
图10是本申请实施例提供的电子设备的结构示意图。
图11是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付出创造性劳动前提下所获得的所有其他实施例，都属于本申请的保护范围。
本申请的说明书和权利要求书以及上述附图中的术语“第一”、“第二”、“第三”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应当理解，这样描述的对象在适当情况下可以互换。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤的过程、方法或包含了一系列模块或单元的装置、电子设备、系统不必限于清楚地列出的那些步骤或模块或单元，还可以包括没有清楚地列出的步骤或模块或单元，也可以包括对于这些过程、方法、装置、电子设备或系统固有的其它步骤或模块或单元。
参考图1，图1为本申请实施例提供的应用管理装置的系统示意图。该应用管理装置主要用于：根据应用的运行记录采集所述应用的多个特征信息；通过自组织神经网络模型对采集到的多个特征进行学习，以得到所述应用的自组织神经网络模型，其中所述自组织神经网络模型包括所述应用的特征系数矩阵；采集所述应用的当前特征信息，并根据采集到的当前特征信息计算所述应用的第一特征系数；根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数；随后根据所述第二特征系数判断所述应用是否可被清理。
参考图2，图2为本申请实施例提供的应用管理方法的应用场景示意图。其中，电子设备对后台运行的多个应用进行管理。例如，后台运行有应用a、应用b以及应用c。电子设备分别判断应用a、应用b、应用c是否可被清理。例如，判断为应用a、应用c不可被清理，应用b可被清理，则电子设备可以清理掉应用b，保持应用a和应用c继续在后台运行。从而，电子设备可以关闭应用b，以释放应用b所占用的内存。
参考图3，图3为本申请实施例提供的应用管理方法的流程示意图。该应用管理方法可以应用于电子设备中。该电子设备可以是智能手机、平板电脑等设备。该应用管理方法可以包括以下步骤：
S110，根据应用的运行记录采集所述应用的多个特征信息。
其中，所述应用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。
所述应用的多个特征信息可以包括所述应用自身所固有的特征信息，例如所述应用的应用类型；所述应用的多个特征信息也可以包括所述应用在运行过程中所产生的特征信息，例如所述应用在后台的运行时长、一天中进入后台的次数、上一次在前台的运行时长、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；所述应用的多个特征信息还可以包括电子设备运行过程中所产生的特征信息，例如电子设备的熄屏(即灭屏)时长、亮屏时长、剩余电量、网络状态、或者充电状态等等。
在电子设备的运行过程中，电子设备可以对自身的运行状况进行记录。例如电子设备可以通过日志文件记录电子设备每次熄屏的时刻、亮屏的时刻、电量信息、网络状态、充电状态等等。当上述应用开始运行后，电子设备还可以对所述应用的运行状况进行记录。例如电子设备中的日志文件可以记录所述应用开始运行的时刻、进入后台运行的时刻、进入后台的切换方式等等。
当电子设备接收到应用管理请求时，可以根据所述应用的运行记录获取所述应用的多个特征信息。其中，所述应用管理请求可以是通过用户的指令所触发的，也可以是电子设备自行触发的操作。例如，电子设备中可以设置定时，每当时间到达设置的定时，电子设备即自行触发应用管理操作。
S120，通过自组织神经网络对所述多个特征信息进行学习，以得到所述应用的自组织神经网络模型。
参考图6，图6为本申请实施例中的自组织神经网络的架构示意图。自组织神经网络是通过自动寻找样本中的内在规律和本质属性，自组织、自适应地改变网络参数与结构。其中，自组织神经网络具有输入层和计算层。输入层和计算层分别包括多个节点。
电子设备采集到应用的多个特征信息后，将所述应用的多个特征信息输入到自组织神经网络的输入层。随后，所述自组织神经网络对所述多个特征信息进行学习，以得到所述应用的自组织神经网络模型。其中，所述自组织神经网络模型包括所述应用的特征系数矩阵，所述特征系数矩阵包括多个特征系数。
在一些实施例中，如图4所示，步骤S120、通过自组织神经网络对所述多个特征信息进行学习，以得到所述应用的自组织神经网络模型，包括以下步骤：
S121，根据采集到的多个特征信息以及自组织神经网络中每个节点的连接权值计算出所述应用的多个特征系数；
S122，根据得到的多个特征系数获取所述应用的自组织神经网络模型。
具体地，自组织神经网络的输入层中的某个节点(输入节点)获取到特征信息后，根据以下公式一确定计算层中与所述节点(输入节点)匹配性最好的节点(计算节点)：
公式一：
其中，DistFromInput表示计算层中与输入层中的所述节点(输入节点)匹配性最好的节点(计算节点)到所述输入节点之间的距离，I表示输入到输入层中的所述节点(输入节点)的特征信息，W表示领域半径内所有节点的连接权值，n表示输入到所述节点(输入节点)的特征信息的个数。
其中，领域半径内所有节点的连接权值W根据以下公式二计算：
公式二：W(t)＝W(t-1)+Θ(t-1)L(t-1)(I(t-1)-W(t-1))
其中，t表示进行计算时的时刻，W(t)为t时刻所计算的连接权值，也为所计算的特征系数，W(t-1)为(t-1)时刻节点的连接权值，Θ(t-1)为(t-1)时刻的领域半径变化率，L(t-1)为(t-1)时刻的学习率，I(t-1)为(t-1)时刻输入到自组织神经网络中的输入节点的特征信息。分别根据以下公式三和公式四计算Θ(t-1)和L(t-1)：
公式三：
公式四：
其中，e为自然常数(超越数)，e为定值，e约等于2.71828。L0为固定常数，例如L0可以取值0.3、0.5等。σ(t-1)表示(t-1)时刻的领域半径，σ(t-1)根据以下公式五进行计算：
公式五：
其中，σ0为初始领域半径，σ0为固定常数，例如σ0可以取值5、10等等。λ(t-1)为(t-1)时刻的迭代系数，λ(t-1)根据以下公式六进行计算：
公式六：
其中，λ0为初始迭代系数，λ0为固定常数，例如λ0可以取值1000。
电子设备采集到上述应用的多个特征信息后，根据公式一至公式六进行迭代运算，得到所述应用的多个连接权值W(t)。连接权值W(t)也即为特征系数。最后，计算得到的多个连接权值W(t)构成特征系数矩阵。所述特征系数矩阵即包括多个特征系数。所述特征系数矩阵以及特征系数矩阵中的多个特征系数与时间之间的对应关系即构成所述应用的自组织神经网络模型。
需要说明的是，在构建应用的自组织神经网络模型时，电子设备可以根据以上公式进行大量次数的运算。
S130，当所述应用进入后台运行时，根据所述应用的当前特征信息计算所述应用的第一特征系数。
其中，当所述应用由前台运行进入后台运行时，电子设备即可对所述应用进行是否可被清理的判断操作。
具体地，当所述应用进入后台运行时，电子设备采集所述应用当前的特征信息。其中，当前特征信息可以包括所述应用自身所固有的特征信息，例如所述应用的应用类型；当前特征信息也可以包括所述应用在运行过程中所产生的特征信息，例如所述应用在后台的运行时长、一天中进入后台的次数、上一次在前台的运行时长、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；当前特征信息还可以包括电子设备运行过程中所产生的特征信息，例如电子设备的熄屏(即灭屏)时长、亮屏时长、剩余电量、网络状态、或者充电状态等等。
随后，电子设备根据上述公式一至公式六对所述应用的当前特征信息进行计算，以得到所述应用的第一特征系数。
在一些实施例中，步骤S130、当所述应用进入后台运行时，根据所述应用的当前特征信息计算所述应用的第一特征系数之前，所述应用管理方法还包括以下步骤：
当所述应用进入后台运行时，获取所述应用在预设时间段内进入前台运行的第一次数；
根据电子设备当前所处的地理位置对所述第一次数进行调整，以得到第二次数。
其中，所述预设时间段可以是预先设置在电子设备中的一个时间范围。例如，预设时间段可以是10小时、24小时等等。可以理解的是，预设时间段为截止当前时刻的一个时间范围。当所述应用进入后台运行时，电子设备获取所述应用在所述预设时间段内进入前台运行的第一次数。例如，所述应用在24小时内进入前台运行10次，则第一次数为10次。
随后，电子设备根据当前所处的地理位置对所述第一次数进行调整，以得到第二次数。电子设备根据所述应用的当前特征信息计算所述应用的第一特征系数时，所述当前特征信息包括所述第二次数。
在一些实施例中，根据电子设备当前所处的地理位置对所述第一次数进行调整，以得到第二次数，包括以下步骤：
获取电子设备当前所处的地理位置；
根据所述地理位置获取所述应用的权重值；
根据所述权重值对所述第一次数进行调整，以得到第二次数。
其中，电子设备中设置有定位系统，例如GPS(Global Positioning System，全球定位系统)、北斗定位系统等。电子设备可以通过定位系统来获取当前所处的地理位置。
另一方面，电子设备可以对用户的历史行为数据进行分析，从而可以对用户的常用地理位置进行识别。例如，电子设备可以将用户在工作日停留时间最长的位置识别为工作地点，将用户晚上停留时间最长的位置识别为家中，等等。此外，电子设备还可以根据获取到的地理位置识别出旅游景点、超市、电影院等位置。
电子设备中可以预先设置地理位置与应用的权重值之间的对应关系。当电子设备获取到当前所处的地理位置后，可以根据预先设置的对应关系来获取应用的权重值。可以理解的，权重值为数值。
随后，电子设备根据获取到的权重值对所述第一次数进行调整，以得到第二次数。其中，电子设备可以计算第一次数与权重值的乘积，并将计算得到的乘积确定为第二次数。例如，第一次数为10次，获取到的权重值为1.2，则可以计算得到第二次数为12次。
需要说明的是，第二次数可以大于第一次数，可以小于第一次数，也可以等于第一次数。
在一些实施例中，根据所述地理位置获取所述应用的权重值的步骤包括：
判断所述地理位置的位置类型；
获取所述应用的应用类型；
根据所述位置类型与所述应用类型之间的对应关系获取所述应用的权重值。
其中，电子设备中可以预先将安装的所有应用分为多个应用类型，例如社交应用、音乐应用、视频应用、购物应用、办公应用、旅游应用等等。并且，电子设备中可以预先设置应用类型、地理位置的位置类型与权重值之间的对应关系。其中，地理位置的位置类型可以包括工作地点、家中、旅游景点、超市、电影院等等。例如，应用类型、位置类型与权重值之间的对应关系可以是如表1所示的对应关系：
表1
其中，电子设备获取到当前所处的地理位置后，判断所述地理位置的位置类型。随后，电子设备获取所述应用的应用类型，并根据所述位置类型、应用类型以及所述预先设置的对应关系来获取所述应用的权重值。
S140，根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数。
其中，电子设备计算得到所述应用的第一特征系数后，即可根据所述第一特征系数以及所述应用的自组织神经网络模型确定出所述应用的第二特征系数。
具体地，所述应用的自组织神经网络模型包括所述应用的特征系数矩阵。所述特征系数矩阵中包括多个特征系数。电子设备可以分别将所述第一特征系数与所述特征系数矩阵中的多个特征系数进行比较，以从所述特征系数矩阵中的多个特征系数中确定出第二特征系数。
在一些实施例中，如图4所示，步骤S140、根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数，包括以下步骤：
S141，分别计算所述第一特征系数与所述多个特征系数的差值的绝对值；
S142，将绝对值最小的差值对应的特征系数确定为第二特征系数。
其中，电子设备计算得出所述应用的第一特征系数后，分别将所述第一特征系数与所述特征系数矩阵中的多个特征系数进行比较，计算所述第一特征系数与所述多个特征系数的差值，并计算所述差值的绝对值。
得到多个差值的绝对值后，从多个差值的绝对值中确定出最小的一个。随后，将绝对值最小的差值所对应的特征系数确定为第二特征系数。
S150，根据所述第二特征系数判断所述应用是否可被清理。
其中，电子设备计算得出所述应用的第二特征系数后，即可根据所述第二特征系数进行判断，以确定所述应用是否可被清理。若所述应用不可被清理，则保留所述应用继续在后台运行，允许所述应用的进程驻留在系统中。若所述应用可以被清理，则可以结束所述应用的进程，以关闭所述应用，释放所述应用占用的内存。
在一些实施例中，如图4所示，步骤S150、根据所述第二特征系数判断所述应用是否可被清理，包括以下步骤：
S151，获取预设时长参数；
S152，将所述第二特征系数与所述预设时长参数进行比较，以得到比较结果；
S153，根据所述比较结果判断所述应用是否可被清理。
其中，预设时长参数可以是预先设置在电子设备中的一个时长值。例如，预设时长参数可以为10分钟。电子设备计算得出所述应用的第二特征系数后，从所述电子设备中调取所述预设时长参数。随后，将所述第二特征系数与所述预设时长参数进行比较，以得到比较结果。其中，比较结果为所述第二特征系数与所述预设时长参数之间的大小关系。比较结果包括所述第二特征系数小于或等于所述预设时长参数，或者所述第二特征系数大于所述预设时长参数。随后，电子设备根据所述比较结果判断所述应用是否可被清理。
在一些实施例中，如图5所示，步骤S151、获取预设时长参数，包括以下步骤：
S1511，根据所述第二特征系数确定所述第二特征系数对应的时刻；
S1512，根据所述时刻所处的时间段以及预设对应关系获取预设时长参数，所述预设对应关系为时间段与预设时长参数之间的对应关系。
其中，第二特征系数是从所述应用的自组织神经网络模型中确定出的特征系数。第二特征系数为关于时间t的函数。电子设备可以根据所述第二特征系数确定所述第二特征系数对应的时刻。
电子设备中可以预先设置时间段与预设时长参数之间的对应关系。例如，一天中的24个小时可以分为4个时间段：0:00～6:00，6:00～12:00，12:00～18:00，18:00～24:00。每个时间段可以设置对应的预设时长参数。例如，0:00～6:00对应的预设时长参数为8分钟，6:00～12:00对应的预设时长参数为10分钟，12:00～18:00对应的预设时长参数为15分钟，18:00～24:00对应的预设时长参数为20分钟。
电子设备确定出所述第二特征系数对应的时刻后，进一步确定所述时刻所处的时间段。随后，根据时间段以及时间段与预设时长参数之间的对应关系获取预设时长参数。
在一些实施例中，如图5所示，步骤S153、根据所述比较结果判断所述应用是否可被清理，包括以下步骤：
S1531，当所述第二特征系数小于或等于所述预设时长参数时，判断结果为所述应用不可被清理；
S1532，当所述第二特征系数大于所述预设时长参数时，判断结果为所述应用可被清理。
其中，电子设备得到所述第二特征系数与预设时长参数之间的比较结果后，根据所述比较结果判断所述应用是否可被清理。
具体地，当所述第二特征系数小于或等于所述预设时长参数时，表示所述应用在所述预设时长参数的时间段内可能被再次切换到前台运行，此时判断结果为所述应用不可被清理。例如，第二特征系数小于预设时长参数10分钟，表示所述应用在接下来的10分钟内可能被用户再次切换到前台运行，此时所述应用不可被清理。
当所述第二特征系数大于所述预设时长参数时，表示所述应用在所述预设时长参数的时间段内不会被再次切换到前台运行，也即用户不会再次使用所述应用，此时判断结果为所述应用可以被清理。例如，第二特征系数大于预设时长参数15分钟，表示所述应用在接下来的15分钟内不会被用户再次运行，此时所述应用可以被清理。随后，电子设备可以关闭所述应用。
具体实施时，本申请不受所描述的各个步骤的执行顺序的限制，在不产生冲突的情况下，某些步骤还可以采用其它顺序进行或者同时进行。
由上可知，本申请实施例提供的应用管理方法，包括：根据应用的运行记录采集所述应用的多个特征信息；通过自组织神经网络对所述多个特征信息进行学习，以得到所述应用的自组织神经网络模型；当所述应用进入后台运行时，获取所述应用在预设时间段内进入前台运行的第一次数；根据电子设备当前所处的地理位置对所述第一次数进行调整，以得到第二次数；根据所述应用的当前特征信息计算所述应用的第一特征系数，所述当前特征信息包括所述第二次数；根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数；根据所述第二特征系数判断所述应用是否可被清理。该方案根据应用的第二特征系数来判断所述应用是否可被清理，从而可以根据所述应用的实际运行情况准确判断出所述应用何时可以被清理，在所述应用可以被清理时，及时关闭所述应用以释放电子设备的内存，进而可以减少电子设备的内存占用，提高电子设备的运行流畅度。
本申请实施例还提供一种应用管理装置，该装置可以集成在电子设备中，该电子设备可以是智能手机、平板电脑等设备。
如图7所示，应用管理装置200可以包括：采集模块201、学习模块202、计算模块203、确定模块204以及判断模块205。
采集模块201，用于根据应用的运行记录采集所述应用的多个特征信息。
其中，所述应用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。
所述应用的多个特征信息可以包括所述应用自身所固有的特征信息，例如所述应用的应用类型；所述应用的多个特征信息也可以包括所述应用在运行过程中所产生的特征信息，例如所述应用在后台的运行时长、一天中进入后台的次数、上一次在前台的运行时长、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；所述应用的多个特征信息还可以包括电子设备运行过程中所产生的特征信息，例如电子设备的熄屏(即灭屏)时长、亮屏时长、剩余电量、网络状态、或者充电状态等等。
在电子设备的运行过程中，应用管理装置200可以对电子设备的运行状况进行记录。例如可以通过日志文件记录电子设备每次熄屏的时刻、亮屏的时刻、电量信息、网络状态、充电状态等等。当上述应用开始运行后，应用管理装置200还可以对所述应用的运行状况进行记录。例如电子设备中的日志文件可以记录所述应用开始运行的时刻、进入后台运行的时刻、进入后台的切换方式等等。
当应用管理装置200接收到应用管理请求时，采集模块201可以根据所述应用的运行记录获取所述应用的多个特征信息。其中，所述应用管理请求可以是通过用户的指令所触发的，也可以是电子设备自行触发的操作。例如，电子设备中可以设置定时，每当时间到达设置的定时，电子设备即自行触发应用管理操作。
学习模块202，用于通过自组织神经网络对所述多个特征信息进行学习，以得到所述应用的自组织神经网络模型。
其中，自组织神经网络是通过自动寻找样本中的内在规律和本质属性，自组织、自适应地改变网络参数与结构。自组织神经网络具有输入层和计算层。输入层和计算层分别包括多个节点。
采集模块201采集到应用的多个特征信息后，学习模块202将所述应用的多个特征信息输入到自组织神经网络的输入层。随后，所述自组织神经网络对所述多个特征信息进行学习，以得到所述应用的自组织神经网络模型。其中，所述自组织神经网络模型包括所述应用的特征系数矩阵，所述特征系数矩阵包括多个特征系数。
在一些实施例中，学习模块202用于执行以下步骤：
根据采集到的多个特征信息以及自组织神经网络中每个节点的连接权值计算出所述应用的多个特征系数；
根据得到的多个特征系数获取所述应用的自组织神经网络模型。
具体地，自组织神经网络的输入层中的某个节点(输入节点)获取到特征信息后，学习模块202根据以下公式七确定计算层中与所述节点(输入节点)匹配性最好的节点(计算节点)：
公式七：
其中，DistFromInput表示计算层中与输入层中的所述节点(输入节点)匹配性最好的节点(计算节点)到所述输入节点之间的距离，I表示输入到输入层中的所述节点(输入节点)的特征信息，W表示领域半径内所有节点的连接权值，n表示输入到所述节点(输入节点)的特征信息的个数。
其中，领域半径内所有节点的连接权值W根据以下公式八计算：
公式八：W(t)＝W(t-1)+Θ(t-1)L(t-1)(I(t-1)-W(t-1))
其中，t表示进行计算时的时刻，W(t)为t时刻所计算的连接权值，也为所计算的特征系数，W(t-1)为(t-1)时刻节点的连接权值，Θ(t-1)为(t-1)时刻的领域半径变化率，L(t-1)为(t-1)时刻的学习率，I(t-1)为(t-1)时刻输入到自组织神经网络中的输入节点的特征信息。分别根据以下公式九和公式十计算Θ(t-1)和L(t-1)：
公式九：
公式十：
其中，e为自然常数(超越数)，e为定值，e约等于2.71828。L0为固定常数，例如L0可以取值0.3、0.5等。σ(t-1)表示(t-1)时刻的领域半径，σ(t-1)根据以下公式十一进行计算：
公式十一：
其中，σ0为初始领域半径，σ0为固定常数，例如σ0可以取值5、10等等。λ(t-1)为(t-1)时刻的迭代系数，λ(t-1)根据以下公式十二进行计算：
公式十二：
其中，λ0为初始迭代系数，λ0为固定常数，例如λ0可以取值1000。
采集模块201采集到上述应用的多个特征信息后，学习模块202根据公式七至公式十二进行迭代运算，得到所述应用的多个连接权值W(t)。连接权值W(t)也即为特征系数。最后，计算得到的多个连接权值W(t)构成特征系数矩阵。所述特征系数矩阵即包括多个特征系数。所述特征系数矩阵以及特征系数矩阵中的多个特征系数与时间之间的对应关系即构成所述应用的自组织神经网络模型。
需要说明的是，在构建应用的自组织神经网络模型时，学习模块202可以根据以上公式进行大量次数的运算。
计算模块203，用于当所述应用进入后台运行时，根据所述应用的当前特征信息计算所述应用的第一特征系数。
其中，当所述应用由前台运行进入后台运行时，应用管理装置200即可对所述应用进行是否可被清理的判断操作。
具体地，当所述应用进入后台运行时，计算模块203采集所述应用当前的特征信息。其中，当前特征信息可以包括所述应用自身所固有的特征信息，例如所述应用的应用类型；当前特征信息也可以包括所述应用在运行过程中所产生的特征信息，例如所述应用在后台的运行时长、一天中进入后台的次数、上一次在前台的运行时长、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；当前特征信息还可以包括电子设备运行过程中所产生的特征信息，例如电子设备的熄屏(即灭屏)时长、亮屏时长、剩余电量、网络状态、或者充电状态等等。
随后，计算模块203根据上述公式七至公式十二对所述应用的当前特征信息进行计算，以得到所述应用的第一特征系数。
在一些实施例中，应用管理装置200还可以包括：获取模块、调整模块。
获取模块，用于当所述应用进入后台运行时，获取所述应用在预设时间段内进入前台运行的第一次数；
调整模块，用于根据电子设备当前所处的地理位置对所述第一次数进行调整，以得到第二次数。
其中，所述预设时间段可以是预先设置在电子设备中的一个时间范围。例如，预设时间段可以是10小时、24小时等等。可以理解的是，预设时间段为截止当前时刻的一个时间范围。当所述应用进入后台运行时，获取模块获取所述应用在所述预设时间段内进入前台运行的第一次数。例如，所述应用在24小时内进入前台运行10次，则第一次数为10次。
随后，调整模块根据当前所处的地理位置对所述第一次数进行调整，以得到第二次数。计算模块203根据所述应用的当前特征信息计算所述应用的第一特征系数时，所述当前特征信息包括所述第二次数。
在一些实施例中，根据电子设备当前所处的地理位置对所述第一次数进行调整，以得到第二次数时，所述调整模块用于执行以下步骤：
获取电子设备当前所处的地理位置；
根据所述地理位置获取所述应用的权重值；
根据所述权重值对所述第一次数进行调整，以得到第二次数。
其中，电子设备中设置有定位系统，例如GPS(Global Positioning System，全球定位系统)、北斗定位系统等。调整模块可以通过定位系统来获取当前所处的地理位置。
另一方面，调整模块可以对用户的历史行为数据进行分析，从而可以对用户的常用地理位置进行识别。例如，调整模块可以将用户在工作日停留时间最长的位置识别为工作地点，将用户晚上停留时间最长的位置识别为家中，等等。此外，调整模块还可以根据获取到的地理位置识别出旅游景点、超市、电影院等位置。
电子设备中可以预先设置地理位置与应用的权重值之间的对应关系。当调整模块获取到当前所处的地理位置后，可以根据预先设置的对应关系来获取应用的权重值。可以理解的，权重值为数值。
随后，调整模块根据获取到的权重值对所述第一次数进行调整，以得到第二次数。其中，调整模块可以计算第一次数与权重值的乘积，并将计算得到的乘积确定为第二次数。例如，第一次数为10次，获取到的权重值为1.2，则可以计算得到第二次数为12次。
需要说明的是，第二次数可以大于第一次数，可以小于第一次数，也可以等于第一次数。
在一些实施例中，根据所述地理位置获取所述应用的权重值时，所述调整模块用于执行以下步骤：
判断所述地理位置的位置类型；
获取所述应用的应用类型；
根据所述位置类型与所述应用类型之间的对应关系获取所述应用的权重值。
其中，电子设备中可以预先将安装的所有应用分为多个应用类型，例如社交应用、音乐应用、视频应用、购物应用、办公应用、旅游应用等等。并且，电子设备中可以预先设置应用类型、地理位置的位置类型与权重值之间的对应关系。其中，地理位置的位置类型可以包括工作地点、家中、旅游景点、超市、电影院等等。例如，应用类型、位置类型与权重值之间的对应关系可以是如表2所示的对应关系：
表2
其中，调整模块获取到当前所处的地理位置后，判断所述地理位置的位置类型。随后，调整模块获取所述应用的应用类型，并根据所述位置类型、应用类型以及所述预先设置的对应关系来获取所述应用的权重值。
确定模块204，用于根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数。
其中，计算模块203计算得到所述应用的第一特征系数后，确定模块204即可根据所述第一特征系数以及所述应用的自组织神经网络模型确定出所述应用的第二特征系数。
具体地，所述应用的自组织神经网络模型包括所述应用的特征系数矩阵。所述特征系数矩阵中包括多个特征系数。确定模块204可以分别将所述第一特征系数与所述特征系数矩阵中的多个特征系数进行比较，以从所述特征系数矩阵中的多个特征系数中确定出第二特征系数。
在一些实施例中，如图8所示，确定模块204包括：计算子模块2041、确定子模块2042。
计算子模块2041，用于分别计算所述第一特征系数与所述多个特征系数的差值的绝对值；
确定子模块2042，用于将绝对值最小的差值对应的特征系数确定为第二特征系数。
其中，计算模块203计算得出所述应用的第一特征系数后，计算子模块2041分别将所述第一特征系数与所述特征系数矩阵中的多个特征系数进行比较，计算所述第一特征系数与所述多个特征系数的差值，并计算所述差值的绝对值。
得到多个差值的绝对值后，确定子模块2042从多个差值的绝对值中确定出最小的一个。随后，将绝对值最小的差值所对应的特征系数确定为第二特征系数。
判断模块205，用于根据所述第二特征系数判断所述应用是否可被清理。
其中，确定模块204得出所述应用的第二特征系数后，判断模块205即可根据所述第二特征系数进行判断，以确定所述应用是否可被清理。若所述应用不可被清理，则保留所述应用继续在后台运行，允许所述应用的进程驻留在系统中。若所述应用可以被清理，则可以结束所述应用的进程，以关闭所述应用，释放所述应用占用的内存。
在一些实施例中，如图9所示，判断模块205包括：获取子模块2051、比较子模块2052、判断子模块2053。
获取子模块2051，用于获取预设时长参数；
比较子模块2052，用于将所述第二特征系数与所述预设时长参数进行比较，以得到比较结果；
判断子模块2053，用于根据所述比较结果判断所述应用是否可被清理。
其中，预设时长参数可以是预先设置在电子设备中的一个时长值。例如，预设时长参数可以为10分钟。确定模块204得出所述应用的第二特征系数后，获取子模块2051从所述电子设备中调取所述预设时长参数。随后，比较子模块2052将所述第二特征系数与所述预设时长参数进行比较，以得到比较结果。其中，比较结果为所述第二特征系数与所述预设时长参数之间的大小关系。比较结果包括所述第二特征系数小于或等于所述预设时长参数，或者所述第二特征系数大于所述预设时长参数。随后，判断子模块2053根据所述比较结果判断所述应用是否可被清理。
在一些实施例中，获取子模块2051用于执行以下步骤：
根据所述第二特征系数确定所述第二特征系数对应的时刻；
根据所述时刻所处的时间段以及预设对应关系获取预设时长参数，所述预设对应关系为时间段与预设时长参数之间的对应关系。
其中，第二特征系数是从所述应用的自组织神经网络模型中确定出的特征系数。第二特征系数为关于时间t的函数。获取子模块2051可以根据所述第二特征系数确定所述第二特征系数对应的时刻。
电子设备中可以预先设置时间段与预设时长参数之间的对应关系。例如，一天中的24个小时可以分为4个时间段：0:00～6:00，6:00～12:00，12:00～18:00，18:00～24:00。每个时间段可以设置对应的预设时长参数。例如，0:00～6:00对应的预设时长参数为8分钟，6:00～12:00对应的预设时长参数为10分钟，12:00～18:00对应的预设时长参数为15分钟，18:00～24:00对应的预设时长参数为20分钟。
获取子模块2051确定出所述第二特征系数对应的时刻后，进一步确定所述时刻所处的时间段。随后，根据时间段以及时间段与预设时长参数之间的对应关系获取预设时长参数。
在一些实施例中，判断子模块2053用于执行以下步骤：
当所述第二特征系数小于或等于所述预设时长参数时，判断结果为所述应用不可被清理；
当所述第二特征系数大于所述预设时长参数时，判断结果为所述应用可被清理。
其中，比较子模块2052得到所述第二特征系数与预设时长参数之间的比较结果后，判断子模块2053根据所述比较结果判断所述应用是否可被清理。
具体地，当所述第二特征系数小于或等于所述预设时长参数时，表示所述应用在所述预设时长参数的时间段内可能被再次切换到前台运行，此时判断结果为所述应用不可被清理。例如，第二特征系数小于预设时长参数10分钟，表示所述应用在接下来的10分钟内可能被用户再次切换到前台运行，此时所述应用不可被清理。
当所述第二特征系数大于所述预设时长参数时，表示所述应用在所述预设时长参数的时间段内不会被再次切换到前台运行，也即用户不会再次使用所述应用，此时判断结果为所述应用可以被清理。例如，第二特征系数大于预设时长参数15分钟，表示所述应用在接下来的15分钟内不会被用户再次运行，此时所述应用可以被清理。随后，应用管理装置200可以关闭所述应用。
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。
由上可知，本申请实施例提供的应用管理装置200，通过采集模块根据应用的运行记录采集所述应用的多个特征信息；学习模块通过自组织神经网络对所述多个特征信息进行学习，以得到所述应用的自组织神经网络模型；获取模块当所述应用进入后台运行时，获取所述应用在预设时间段内进入前台运行的第一次数；调整模块根据电子设备当前所处的地理位置对所述第一次数进行调整，以得到第二次数；计算模块根据所述应用的当前特征信息计算所述应用的第一特征系数，所述当前特征信息包括所述第二次数；确定模块根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数；判断模块根据所述第二特征系数判断所述应用是否可被清理。该方案根据应用的第二特征系数来判断所述应用是否可被清理，从而可以根据所述应用的实际运行情况准确判断出所述应用何时可以被清理，在所述应用可以被清理时，及时关闭所述应用以释放电子设备的内存，进而可以减少电子设备的内存占用，提高电子设备的运行流畅度。
本申请实施例还提供一种电子设备。该电子设备可以是智能手机、平板电脑等设备。如图10所示，电子设备300包括处理器301和存储器302。其中，处理器301与存储器302电性连接。
处理器301是电子设备300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，通过运行或调用存储在存储器302内的计算机程序，以及调用存储在存储器302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。
在本实施例中，电子设备300中的处理器301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302中，并由处理器301来运行存储在存储器302中的计算机程序，从而实现各种功能：
根据应用的运行记录采集所述应用的多个特征信息；
通过自组织神经网络对所述多个特征信息进行学习，以得到所述应用的自组织神经网络模型，所述自组织神经网络模型包括所述应用的特征系数矩阵；
当所述应用进入后台运行时，获取所述应用在预设时间段内进入前台运行的第一次数；
根据电子设备当前所处的地理位置对所述第一次数进行调整，以得到第二次数；
根据所述应用的当前特征信息计算所述应用的第一特征系数，所述当前特征信息包括所述第二次数；
根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数；
根据所述第二特征系数判断所述应用是否可被清理。
在一些实施例中，根据电子设备当前所处的地理位置对所述第一次数进行调整，以得到第二次数时，处理器301执行以下步骤：
获取电子设备当前所处的地理位置；
根据所述地理位置获取所述应用的权重值；
根据所述权重值对所述第一次数进行调整，以得到第二次数。
在一些实施例中，根据所述地理位置获取所述应用的权重值时，处理器301执行以下步骤：
判断所述地理位置的位置类型；
获取所述应用的应用类型；
根据所述位置类型与所述应用类型之间的对应关系获取所述应用的权重值。
在一些实施例中，所述特征系数矩阵包括多个特征系数，根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数时，处理器301执行以下步骤：
分别计算所述第一特征系数与所述多个特征系数的差值的绝对值；
将绝对值最小的差值对应的特征系数确定为第二特征系数。
在一些实施例中，根据所述第二特征系数判断所述应用是否可被清理时，处理器301执行以下步骤：
获取预设时长参数；
将所述第二特征系数与所述预设时长参数进行比较，以得到比较结果；
根据所述比较结果判断所述应用是否可被清理。
在一些实施例中，获取预设时长参数时，处理器301执行以下步骤：
根据所述第二特征系数确定所述第二特征系数对应的时刻；
根据所述时刻所处的时间段以及预设对应关系获取预设时长参数，所述预设对应关系为时间段与预设时长参数之间的对应关系。
在一些实施例中，根据所述比较结果判断所述应用是否可被清理时，处理器301执行以下步骤：
当所述第二特征系数小于或等于所述预设时长参数时，判断结果为所述应用不可被清理；
当所述第二特征系数大于所述预设时长参数时，判断结果为所述应用可被清理。
在一些实施例中，通过自组织神经网络对所述多个特征信息进行学习，以得到所述应用的自组织神经网络模型时，处理器301执行以下步骤：
根据采集到的多个特征信息以及自组织神经网络中每个节点的连接权值计算出所述应用的多个特征系数；
根据得到的多个特征系数获取所述应用的自组织神经网络模型。
在一些实施例中，根据采集到的多个特征信息以及自组织神经网络中每个节点的连接权值计算出所述应用的多个特征系数时，处理器301根据以下公式进行计算：
W(t)＝W(t-1)+Θ(t-1)L(t-1)(I(t-1)-W(t-1))
其中，W(t)为t时刻节点的连接权值，并且W(t)也为t时刻所计算的特征系数，t表示进行计算时的时刻，W(t-1)为t-1时刻节点的连接权值，Θ(t-1)为(t-1)时刻的领域半径变化率，L(t-1)为(t-1)时刻的学习率，I(t-1)为(t-1)时刻输入到自组织神经网络中的输入节点的特征信息。
存储器302可用于存储计算机程序和数据。存储器302存储的计算机程序中包含有可在处理器中执行的指令。计算机程序可以组成各种功能模块。处理器301通过调用存储在存储器302的计算机程序，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11所示，电子设备300还包括：射频电路303、显示屏304、控制电路305、输入单元306、音频电路307、传感器308以及电源309。其中，处理器301分别与射频电路303、显示屏304、控制电路305、输入单元306、音频电路307、传感器308以及电源309电性连接。
射频电路303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进行通信。
显示屏304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像、文本、图标、视频和其任意组合来构成。
控制电路305与显示屏304电性连接，用于控制显示屏304显示信息。
输入单元306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。其中，输入单元306可以包括指纹识别模组。
音频电路307可通过扬声器、传声器提供用户与电子设备之间的音频接口。
传感器308用于采集外部环境信息。传感器308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309用于给电子设备300的各个部件供电。在一些实施例中，电源309可以通过电源管理系统与处理器301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300还可以包括摄像头、蓝牙模块等，在此不再赘述。
由上可知，本申请实施例提供了一种电子设备，该电子设备根据应用的运行记录采集所述应用的多个特征信息；通过自组织神经网络对所述多个特征信息进行学习，以得到所述应用的自组织神经网络模型；当所述应用进入后台运行时，获取所述应用在预设时间段内进入前台运行的第一次数；根据电子设备当前所处的地理位置对所述第一次数进行调整，以得到第二次数；根据所述应用的当前特征信息计算所述应用的第一特征系数，所述当前特征信息包括所述第二次数；根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数；根据所述第二特征系数判断所述应用是否可被清理。该方案根据应用的第二特征系数来判断所述应用是否可被清理，从而可以根据所述应用的实际运行情况准确判断出所述应用何时可以被清理，在所述应用可以被清理时，及时关闭所述应用以释放电子设备的内存，进而可以减少电子设备的内存占用，提高电子设备的运行流畅度。
本申请实施例还提供一种存储介质，该存储介质中存储有计算机程序，当该计算机程序在计算机上运行时，该计算机执行上述任一实施例所述的应用管理方法。
需要说明的是，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，该程序可以存储于计算机可读存储介质中，该存储介质可以包括但不限于：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁盘或光盘等。
以上对本申请实施例所提供的应用管理方法、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 (12)

1.一种应用管理方法，其特征在于，包括：
根据应用的运行记录采集所述应用的多个特征信息；
通过自组织神经网络对所述多个特征信息进行学习，以得到所述应用的自组织神经网络模型，所述自组织神经网络模型包括所述应用的特征系数矩阵；
当所述应用进入后台运行时，获取所述应用在预设时间段内进入前台运行的第一次数；
根据电子设备当前所处的地理位置对所述第一次数进行调整，以得到第二次数；
根据所述应用的当前特征信息计算所述应用的第一特征系数，所述当前特征信息包括所述第二次数；
根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数；
根据所述第二特征系数判断所述应用是否可被清理。
2.根据权利要求1所述的应用管理方法，其特征在于，所述根据电子设备当前所处的地理位置对所述第一次数进行调整，以得到第二次数，包括：
获取电子设备当前所处的地理位置；
根据所述地理位置获取所述应用的权重值；
根据所述权重值对所述第一次数进行调整，以得到第二次数。
3.根据权利要求2所述的应用管理方法，其特征在于，所述根据所述地理位置获取所述应用的权重值的步骤包括：
判断所述地理位置的位置类型；
获取所述应用的应用类型；
根据所述位置类型与所述应用类型之间的对应关系获取所述应用的权重值。
4.根据权利要求1至3任一项所述的应用管理方法，其特征在于，所述特征系数矩阵包括多个特征系数，所述根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数的步骤包括：
分别计算所述第一特征系数与所述多个特征系数的差值的绝对值；
将绝对值最小的差值对应的特征系数确定为第二特征系数。
5.根据权利要求1至3任一项所述的应用管理方法，其特征在于，所述根据所述第二特征系数判断所述应用是否可被清理的步骤包括：
获取预设时长参数；
将所述第二特征系数与所述预设时长参数进行比较，以得到比较结果；
根据所述比较结果判断所述应用是否可被清理。
6.根据权利要求5所述的应用管理方法，其特征在于，所述获取预设时长参数的步骤包括：
根据所述第二特征系数确定所述第二特征系数对应的时刻；
根据所述时刻所处的时间段以及预设对应关系获取预设时长参数，所述预设对应关系为时间段与预设时长参数之间的对应关系。
7.根据权利要求5所述的应用管理方法，其特征在于，所述根据所述比较结果判断所述应用是否可被清理的步骤包括：
当所述第二特征系数小于或等于所述预设时长参数时，判断结果为所述应用不可被清理；
当所述第二特征系数大于所述预设时长参数时，判断结果为所述应用可被清理。
8.一种应用管理装置，其特征在于，包括：
采集模块，用于根据应用的运行记录采集所述应用的多个特征信息；
学习模块，用于通过自组织神经网络对所述多个特征信息进行学习，以得到所述应用的自组织神经网络模型，所述自组织神经网络模型包括所述应用的特征系数矩阵；
获取模块，用于当所述应用进入后台运行时，获取所述应用在预设时间段内进入前台运行的第一次数；
调整模块，用于根据电子设备当前所处的地理位置对所述第一次数进行调整，以得到第二次数；
计算模块，用于根据所述应用的当前特征信息计算所述应用的第一特征系数，所述当前特征信息包括所述第二次数；
确定模块，用于根据所述第一特征系数从所述特征系数矩阵中确定出第二特征系数；
判断模块，用于根据所述第二特征系数判断所述应用是否可被清理。
9.根据权利要求8所述的应用管理装置，其特征在于，所述调整模块用于：
获取电子设备当前所处的地理位置；
根据所述地理位置获取所述应用的权重值；
根据所述权重值对所述第一次数进行调整，以得到第二次数。
10.根据权利要求9所述的应用管理装置，其特征在于，根据所述地理位置获取所述应用的权重值时，所述调整模块用于：
判断所述地理位置的位置类型；
获取所述应用的应用类型；
根据所述位置类型与所述应用类型之间的对应关系获取所述应用的权重值。
11.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，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权利要求1至7任一项所述的应用管理方法。
12.一种电子设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行权利要求1至7任一项所述的应用管理方法。
CN201711047002.6A 2017-10-31 2017-10-31 应用管理方法、装置、存储介质及电子设备 Active CN107832848B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711047002.6A CN107832848B (zh) 2017-10-31 2017-10-31 应用管理方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711047002.6A CN107832848B (zh) 2017-10-31 2017-10-31 应用管理方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN107832848A true CN107832848A (zh) 2018-03-23
CN107832848B CN107832848B (zh) 2019-09-24

Family

ID=61651035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711047002.6A Active CN107832848B (zh) 2017-10-31 2017-10-31 应用管理方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN107832848B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107870791A (zh) * 2017-10-31 2018-04-03 广东欧珀移动通信有限公司 应用管理方法、装置、存储介质及电子设备
WO2019062369A1 (zh) * 2017-09-30 2019-04-04 Oppo广东移动通信有限公司 应用管理方法、装置、存储介质及电子设备
WO2020206697A1 (zh) * 2019-04-12 2020-10-15 深圳市欢太科技有限公司 应用处理方法、装置、存储介质及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104461711A (zh) * 2014-12-15 2015-03-25 北京奇虎科技有限公司 计算设备的自适应优化方法及装置
CN105184646A (zh) * 2015-10-20 2015-12-23 中国民生银行股份有限公司 自助银行信息推送方法及装置
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
US20160217198A1 (en) * 2015-01-26 2016-07-28 Samsung Electronics Co., Ltd. User management method and apparatus
CN106155695A (zh) * 2016-07-28 2016-11-23 努比亚技术有限公司 后台应用程序的清除控制装置及方法
CN107145215A (zh) * 2017-05-06 2017-09-08 维沃移动通信有限公司 一种后台应用程序清理方法及移动终端

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104461711A (zh) * 2014-12-15 2015-03-25 北京奇虎科技有限公司 计算设备的自适应优化方法及装置
US20160217198A1 (en) * 2015-01-26 2016-07-28 Samsung Electronics Co., Ltd. User management method and apparatus
CN105184646A (zh) * 2015-10-20 2015-12-23 中国民生银行股份有限公司 自助银行信息推送方法及装置
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
CN106155695A (zh) * 2016-07-28 2016-11-23 努比亚技术有限公司 后台应用程序的清除控制装置及方法
CN107145215A (zh) * 2017-05-06 2017-09-08 维沃移动通信有限公司 一种后台应用程序清理方法及移动终端

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KUNHOON BAIK 等: "Balanced Memory Management for Smartphones Based on Adaptive Background App Management", 《IEEE ISCE 2014》 *
黄文茜 等: "基于用户行为分析的智能终端应用管理优化", 《计算机系统应用》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019062369A1 (zh) * 2017-09-30 2019-04-04 Oppo广东移动通信有限公司 应用管理方法、装置、存储介质及电子设备
US11249645B2 (en) 2017-09-30 2022-02-15 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Application management method, storage medium, and electronic apparatus
CN107870791A (zh) * 2017-10-31 2018-04-03 广东欧珀移动通信有限公司 应用管理方法、装置、存储介质及电子设备
WO2020206697A1 (zh) * 2019-04-12 2020-10-15 深圳市欢太科技有限公司 应用处理方法、装置、存储介质及电子设备
CN113366446A (zh) * 2019-04-12 2021-09-07 深圳市欢太科技有限公司 应用处理方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN107832848B (zh) 2019-09-24

Similar Documents

Publication Publication Date Title
CN107729081A (zh) 应用管理方法、装置、存储介质及电子设备
CN110032670B (zh) 时序数据的异常检测方法、装置、设备及存储介质
CN107678845B (zh) 应用程序管控方法、装置、存储介质及电子设备
CN107944277B (zh) 应用启动的控制方法、装置、存储介质及智能终端
CN109948633A (zh) 用户性别预测方法、装置、存储介质及电子设备
CN110738211A (zh) 一种对象检测的方法、相关装置以及设备
CN106874936B (zh) 图像传播监测方法及装置
CN107678858A (zh) 应用处理方法、装置、存储介质及电子设备
CN107832848A (zh) 应用管理方法、装置、存储介质及电子设备
CN113822460A (zh) 一种交通流量预测方法、装置、电子设备和存储介质
CN107943570A (zh) 应用管理方法、装置、存储介质及电子设备
CN114862488A (zh) 一种资源消耗异常对象的识别方法以及相关装置
CN108763478A (zh) 用户隐性特征计算方法、服务器及计算机可读存储介质
CN107870791A (zh) 应用管理方法、装置、存储介质及电子设备
CN111797867A (zh) 系统资源优化方法、装置、存储介质及电子设备
CN113052198A (zh) 一种数据处理方法、装置、设备及存储介质
CN115392405A (zh) 模型训练方法、相关装置及存储介质
CN113409096B (zh) 目标对象识别方法、装置、计算机设备及存储介质
CN113360908A (zh) 数据处理方法、违规识别模型训练方法及相关设备
CN114648075A (zh) 信息处理方法、装置、存储介质及电子设备
CN111599417B (zh) 溶解度预测模型的训练数据获取方法及装置
CN114581230A (zh) 流式图中的洗钱行为检测方法、装置、介质
CN112312411A (zh) VoLTE业务的业务量预测方法和终端设备
CN108093466A (zh) 一种控制网络开关的方法、移动终端及服务器
CN112948763A (zh) 件量预测方法、装置、电子设备及存储介质

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: OPPO Guangdong Mobile Communications Co., Ltd.

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

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

GR01 Patent grant
GR01 Patent grant