CN107844337A - 后台应用的清理方法、装置、存储介质及电子设备 - Google Patents
后台应用的清理方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN107844337A CN107844337A CN201711047048.8A CN201711047048A CN107844337A CN 107844337 A CN107844337 A CN 107844337A CN 201711047048 A CN201711047048 A CN 201711047048A CN 107844337 A CN107844337 A CN 107844337A
- Authority
- CN
- China
- Prior art keywords
- class
- vector
- sample
- projection
- sample vector
- 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
Links
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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2115—Selection of the most significant subset of features by evaluating different subsets according to an optimisation criterion, e.g. class separability, forward selection or backward elimination
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Cosmetics (AREA)
Abstract
本申请实施例公开了一种后台应用的清理方法、装置、存储介质及电子设备,所述方法包括:基于线性判别分析算法对应用的样本向量进行计算以得到最佳投影向量,利用最佳投影向量对当前特征信息和样本向量进行投影,根据投影结果生成预测结果,根据预测结果确定是否可以清理应用,通过上述方式,本申请能够自动清理后台应用。
Description
技术领域
本申请涉及互联网技术领域,具体涉及一种后台应用的清理方法、装置、存储介质及电子设备。
背景技术
随着技术的发展,智能手机、平板电脑等电子设备的功能越来越强大,尤其是多任务处理能力更是进一步提高了用户体验。利用多任务处理技术,当电子设备上安装有多个应用时,可以支持多个应用同时运行,即一个应用在前台运行,其他应用则可以停留在后台运行而不需要退出或关闭。然而,当后台应用越来越多,或者后台应用长时间不清理,将会占用大量系统资源,导致电子设备的可用内存变少、中央处理器(central processingunit,CPU)占用率过高,造成电子设备出现运行速度变慢,卡顿,耗电过快等问题。
发明内容
本申请实施例提供一种后台应用的清理方法、装置、存储介质及电子设备,能够提高电子设备的运行流畅度,降低功耗。
本申请实施例提供一种后台应用的清理方法,包括:
获取应用的多个第一类样本向量和多个第二类样本向量,所述第一类样本向量为可清理类的样本向量,所述第二类样本向量为不可清理类的样本向量;
基于线性判别分析算法对所述第一类样本向量和所述第二类样本向量进行计算,得到最佳投影向量;
当应用进入后台后,利用所述最佳投影向量对所述应用的当前特征信息进行投影,得到第一投影值,利用所述最佳投影向量对每个第一类样本向量进行投影,得到多个第二投影值,以及利用所述最佳投影向量对每个第二类样本向量进行投影,得到多个第三投影值;
根据所述第一投影值、第二投影值和第三投影值生成预测结果,所述预测结果包括可清理应用和不可清理应用;
根据所述预测结果确定是否可以清理应用。
本申请实施例还提供一种后台应用的清理装置,包括:
获取模块,用于获取应用的多个第一类样本向量和多个第二类样本向量,所述第一类样本向量为可清理类的样本向量,所述第二类样本向量为不可清理类的样本向量;
计算模块,用于基于线性判别分析算法对所述第一类样本向量和所述第二类样本向量进行计算,得到最佳投影向量;
投影模块,用于当应用进入后台后,利用所述最佳投影向量对所述应用的当前特征信息进行投影,得到第一投影值,利用所述最佳投影向量对每个第一类样本向量进行投影,得到多个第二投影值,以及利用所述最佳投影向量对每个第二类样本向量进行投影,得到多个第三投影值;
生成模块,用于根据所述第一投影值、第二投影值和第三投影值生成预测结果,所述预测结果包括可清理应用和不可清理应用;
确定模块,用于根据所述预测结果确定是否可以清理应用。
本申请实施例还提供一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行上述所述的后台应用的清理方法中的步骤。
本申请实施例还提供一种电子设备,包括处理器和存储器,所述存储器用于存储指令和数据,所述指令适于处理器进行加载,以执行上述所述的后台应用的清理方法中的步骤。
本申请后台应用的清理方法中,通过获取应用的多个第一类样本向量和多个第二类样本向量,然后根据线性判别分析规则对第一类样本向量和第二类样本向量进行计算,得到最佳投影向量,从而当应用进入后台后,利用投影向量对应用的当前特征信息、每个第一类样本向量以及每个第二类样本向量进行投影,分别得到第一投影值、第二投影值以及第三投影值,然后根据第一投影值、第二投影值和第三投影值生成预测结果,该预测结果包括可清理应用和不可清理应用,从而根据预测结果确定是否可以清理应用,以此实现了后台应用的自动清理,避免过多的应用在后台运行,从而可以提高电子设备的运行流畅度,降低功耗。
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后台应用的清理方法的场景示意图。
图2是本申请实施例提供的后台应用的清理方法的一流程示意图。
图3是本申请实施例提供的后台应用的清理方法中,获取第一、第二类样本向量的流程示意图。
图4是本申请实施例提供的后台应用的清理方法中,计算最佳投影向量的流程示意图。
图5是本申请实施例提供的后台应用的清理方法中,生成预测结果的流程示意图。
图6是本申请实施例提供的后台应用的清理装置的一结构示意图。
图7是本申请实施例提供的电子设备的一结构示意图。
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。
本申请实施例提供一种后台应用的清理方法、装置、存储介质及电子设备。
该后台应用的清理方法的执行主体可以是本申请实施例提供的后台应用的清理装置,或者集成了该后台应用的清理装置的电子设备,其中该后台应用清理装置可以采用硬件或者软件的方式实现。其中,电子设备可以是智能手机、平板电脑、掌上电脑、笔记本电脑、或者台式电脑等设备。
例如,参阅图1,该后台应用的清理装置可以获取应用的多个第一类样本向量和多个第二类样本向量,其中第一类样本向量为可清理类的样本向量,第二类样本向量为不可清理类的样本向量,然后根据线性判别分析规则对第一类样本向量和第二类样本向量进行计算,得到最佳投影向量,从而当应用进入后台后,利用最佳投影向量对应用的当前特征信息进行投影,得到第一投影值,利用最佳投影向量对每个第一类样本向量进行投影,得到多个第二投影值,以及利用最佳投影向量对每个第二类样本向量进行投影,得到多个第三投影值,并根据第一投影值、第二投影值和第三投影值生成预测结果,该预测结果包括可清理应用和不可清理应用,根据该预测结果确定是否可以清理应用,比如当预测结果为可清理应用时,则确定可以对应用进行清理,例如可以关闭应用以清理应用,从而使应用退出后台,当预测结果为不可清理应用时,则确定不对应用做处理,例如可以维持应用在后台运行的状态,由此,实现了后台应用的自动清理,避免过多的应用在后台运行,从而可以提高电子设备的运行流畅度,降低功耗。
以下分别进行详细说明。
参阅图2,本申请后台应用的清理方法一实施例中,具体包括以下流程:
101、获取应用的多个第一类样本向量和多个第二类样本向量,第一类样本向量为可清理类的样本向量,第二类样本向量为不可清理类的样本向量。
本实施例所提及的应用,可以是电子设备上安装的任何一个应用,例如办公应用、通信应用、游戏应用、购物应用,等等。
每个样本向量包括应用的多维特征信息,在一种可能的实施例中,如图3所示,获取应用的多个第一类样本向量和多个第二类样本向量,可以包括以下子步骤1011~1013,具体如下:
1011、采集应用的多维特征信息作为样本向量,构成应用的样本集。
其中,每个样本向量包括多维特征信息,每个样本向量中的多维特征信息可以以列向量的方式记录。应用的多维特征信息具有一定长度的维度,其每个维度上的参数均对应表征应用的一种特征信息,即该多维特征信息由多个特征信息构成。该多个特征信息可以包括应用自身相关的特征信息,例如应用切入到后台的时长;应用切入到后台期间,电子设备的灭屏时长;应用进入前台的次数;应用处于前台的时间;应用进入后台的方式,例如被主页键(home键)切换进入、被返回键切换进入,被其他应用切换进入等;应用的类型,包括一级(常用应用)、二级(其他应用)等。该多个特征信息还可以包括应用所在的电子设备的相关特征信息,例如:电子设备的灭屏时间、亮屏时间、当前电量,电子设备的无线网络连接状态,电子设备是否在充电状态等。
应用的样本集中,可以包括在历史时间段内,按照预设频率采集的多个样本向量。历史时间段,例如可以是过去7天、10天;预设频率,例如可以是每10分钟采集一次、每半小时采集一次。可以理解的是,一次采集的应用的多维特征数据构成一个样本向量,多个样本向量构成应用的样本集。
一个具体的样本向量可如下表1所示,包括多个维度的特征信息,需要说明的是,表1所示的特征信息仅为举例,实际中,一个样本所包含的特征信息的数量,可以多于比表1所示信息的数量,也可以少于表1所示信息的数量,所取的具体特征信息也可以与表1所示不同,此处不作具体限定。
表1
1012、对样本集中的样本向量进行标记,得到每个样本向量的样本标签,样本标签包括可清理类和不可清理类。
构成样本集之后,可以对样本集中的每个样本向量进行标记,得到每个样本标签,样本标签包括可清理类的样本标签和不可清理类的样本标签,其中,根据样本向量中的多维特征信息可以确定每个样本向量的样本标签,例如,多维特征信息中包括当应用进入后台30分钟后,用户关闭了该应用的特征信息,则将该样本向量标记为“可清理类”;又比如,当多维特征信息中包括当应用进入后台3分钟之后,用户将应用切换到了前台运行的特征信息,则将该样本向量标记为“不可清理类”。
1013、根据每个样本向量的样本标签,确定样本集中的第一类样本向量和第二类样本向量。
比如,样本标签为“可清理类”的样本向量,确定为第一类样本向量,样本标签为“不可清理类”的样本向量,确定为第二类样本向量,由此,可以从样本集中获取第一类样本向量和第二类样本向量。
继续参阅图1,在获取应用的多个第一类样本向量和多个第二类样本向量后,包括以下步骤:
102、基于线性判别分析算法(Linear Discriminant Analysis,LDA)对第一类样本向量和第二样本向量进行计算,得到最佳投影向量。
在一种可能的实施例中,如图4所示,步骤102可以包括以下子步骤1021~1023,具体如下:
1021、根据第一类样本向量和第二类样本向量,计算类间离散度矩阵和总的类内离散度矩阵。
其中,假设第一类样本向量有n1个,第二类样本向量有n2个,n1和n2均为大于1的整数。在步骤1021中,可以利用公式分别计算第一类样本向量和第二类样本向量的均值向量,其中i=1或2,j=1,2,3,…,ni,mi表示第i类样本向量的均值向量,例如,m1表示第一类样本向量的均值向量,xij表示第j个第i类样本向量,例如,x12表示第2个第一类样本向量。
计算得到第一类样本向量和第二类样本向量的均值向量mi后,根据第一类样本向量的均值向量m1计算第一类内离散度矩阵,根据第二类样本向量的均值向量m2计算第二类内离散度矩阵,例如,根据第一公式分别计算所述第一类内离散度矩阵和第二类内离散度矩阵,第一公式具体为:
其中,i=1或2,Si表示第i类内离散度矩阵,ni表示第i类样本向量的总数量,xij表示第j个第i类样本向量,mi表示第i类样本向量的均值向量,T表示(xij-mi)的转置。
其中,需要说明的是,i=1或2中的数字“1”,也是指文字“一”,数字“2”也是指文字“二”,也就是说,本申请实施例中,例如,当i=1时,第i类样本向量是指第一类样本向量,第i类内离散度矩阵是指第一类内离散度矩阵;当i=2时,第i类样本向量是指第二类样本向量,第i类内离散度矩阵是指第二类内离散度矩阵。
之后,根据第一类内离散度矩阵S1和第二类内离散度矩阵S2,计算总的类内离散度矩阵Sw,比如,根据第二公式计算总的类内离散度矩阵Sw,第二公式具体为:
Sw=S1+S2,其中Sw表示总的类内离散度矩阵,S1表示第一类内离散度矩阵,S2表示第二类内离散度矩阵。
其中,可以根据第一类样本向量的均值向量m1和第二类样本向量的均值向量m2计算类间离散度矩阵Sb,譬如,可以根据第三公式计算类间离散度矩阵Sb,第三公式具体为:
Sb=(m1-m2)(m1-m2)T,其中Sb表示类间离散度矩阵,m1表示第一类样本向量的均值向量,m2表示第二类样本向量的均值向量,T表示(m1-m2)的转置。
1022、计算类间离散度矩阵与总的类内离散度矩阵的比值,得到投影矩阵。
其中,类间离散度矩阵Sb与总的类内离散度矩阵Sw的比值为:该比值即为投影矩阵。
1023、计算投影矩阵的最大特征值对应的特征向量,得到最佳投影向量。
通过步骤1021~1023,计算得到最佳投影向量,该最佳投影向量记为w。
103、当应用进入后台后,利用最佳投影向量对应用的当前特征值信息进行投影,得到第一投影值,利用最佳投影向量对每个第一类样本向量进行投影,得到多个第二投影值,以及利用最佳投影向量对每个第二类样本向量进行投影,得到多个第三投影值。
需要说明的是,应用的当前特征信息与构成样本时采集的所述应用的多维特征信息,具有相同的维度,二者在每个维度上对应的参数值可能相同,也可能不同。
其中,应用的当前特征信息记为h,利用最佳投影向量w对应用的当前特征值信息进行投影具体是指计算最佳投影向量w的转置与h的乘积,即第一投影值v0=wTh,其中,wT表示最佳投影向量w的转置,v0表示第一投影值。此外,根据公式v1j=wTx1j,利用最佳投影向量w对每个第一类样本向量进行投影,其中j=1,2,3,…,n1,v1j表示第j个第二投影值,x1j表示第j个第一类样本向量,由此计算得到n1个第二投影值。同理地,利用公式v2j=wTx2j,利用最佳投影向量w对每个第二类样本向量进行投影,其中j=1,2,3,…,n2,v2j表示第j个第三投影值,x2j表示第j个第二类样本向量,由此计算得到n2个第三投影值。
104、根据第一投影值、第一投影值和第二投影值生成预测结果,预测结果包括可清理应用和不可清理应用。
其中,如图5所示,可以根据以下子步骤1041~1044生成预测结果,具体如下:
1041、计算第一投影值分别与多个第二投影值的差值的绝对值,并确定计算得到的多个绝对值中的最小绝对值,进而得到第一最小绝对值d1。
其中,第一最小绝对值d1可以用如下公式得到:d1=min{|v1j-v0|},具体而言,分别计算出第一投影值v0与每个第二投影值v1j的差值的绝对值,然后从多个绝对值中选出最小的绝对值,得到第一最小绝对值d1。
1042、计算第一投影值分别与多个第三投影值的差值的绝对值,并确定计算得到的多个绝对值中的最小绝对值,进而得到第二最小绝对值d2。
其中,第二最小绝对值d2可以用如下公式得到:d2=min{|v2j-v0|},具体而言,分别计算出第一投影值v0与每个第三投影值v2j的差值的绝对值,然后从多个绝对值中选出最小的绝对值,得到第二最小绝对值d2。
1043、当d1<d2时,生成可清理应用的预测结果;当d1≥d2时,生成不可清理应用的预测结果。
通过上述方式,可以生成预测结果。
105、根据预测结果确定是否可以清理应用。
例如,当预测结果为可清理应用时,则将对应的应用清理,如关闭该应用使其不再在后台运行,当预测结果为不可清理应用时,则保持对应的应用在后台运行的状态。
本实施例中,通过采集应用的第一类样本向量和第二类样本向量,基于线性判别分析算法(LDA)对第一类样本向量和第二类样本向量进行计算,以得到最佳投影向量,从而当应用进入后台后,利用最佳投影向量对应用的当前特征信息、每个第一类样本向量以及每个第二类样本向量进行投影,分别得到第一投影值、第二投影值以及第三投影值,从而可以根据第一投影值、第二投影值以及第三投影值生成预测结果,进而根据预测结果确定应用是否可以清理,以此实现了后台应用的自动清理,提高了电子设备的运行流畅度,降低了功耗。
参阅图6,本申请实施例还提供一种后台应用的清理装置,该后台应用的清理装置例如可以集成在智能手机、平板电脑、掌上电脑、笔记本电脑、或者台式电脑等电子设备中。该后台应用的清理装置包括获取模块601、计算模块602、投影模块603、生成模块604以及确定模块605,具体如下:
(1)获取模块601:
获取模块601用于获取应用的多个第一类样本向量和多个第二类样本向量,第一类样本向量为可清理类的样本向量,第二类样本向量为不可清理类的样本向量。
例如,获取模块601具体可以用于采集应用的多维特征信息作为样本向量,构成应用的样本集,然后对样本集中的样本向量进行标记,得到每个样本向量的样本标签,样本标签包括可清理类和不可清理类,从而根据每个样本向量的样本标签,确定样本集中的第一类样本向量和第二类样本向量。
(2)计算模块602:
计算模块602用于基于线性判别分析算法(Linear Discriminant Analysis,LDA)对第一类样本向量和第二样本向量进行计算,得到最佳投影向量。
其中,计算模块602具体可以用于根据第一类样本向量和第二类样本向量,计算类间离散度矩阵Sb和总的类内离散度矩阵Sw。
比如,可以利用公式分别计算第一类样本向量和第二类样本向量的均值向量,其中i=1或2,j=1,2,3,…,ni,mi表示第i类样本向量的均值向量,例如,m1表示第一类样本向量的均值向量,xij表示第j个第i类样本向量,例如,x12表示第2个第一类样本向量。然后,根据第一类样本向量的均值向量m1计算第一类内离散度矩阵,根据第二类样本向量的均值向量m2计算第二类内离散度矩阵,例如,根据第一公式分别计算所述第一类内离散度矩阵和第二类内离散度矩阵,第一公式具体为:
其中,i=1或2,Si表示第i类内离散度矩阵,ni表示第i类样本向量的总数量,xij表示第j个第i类样本向量,mi表示第i类样本向量的均值向量,T表示(xij-mi)的转置。
之后,根据第一类内离散度矩阵S1和第二类内离散度矩阵S2,计算总的类内离散度矩阵Sw,比如,根据第二公式计算总的类内离散度矩阵Sw,第二公式具体为:
Sw=S1+S2,其中Sw表示总的类内离散度矩阵,S1表示第一类内离散度矩阵,S2表示第二类内离散度矩阵。
其中,可以根据第一类样本向量的均值向量m1和第二类样本向量的均值向量m2计算类间离散度矩阵Sb,譬如,可以根据第三公式计算类间离散度矩阵Sb,第三公式具体为:
Sb=(m1-m2)(m1-m2)T,其中Sb表示类间离散度矩阵,m1表示第一类样本向量的均值向量,m2表示第二类样本向量的均值向量,T表示(m1-m2)的转置。
在得到类间离散度矩阵Sb与总的类内离散度矩阵Sw后,计算模块602计算类间离散度矩阵Sb与总的类内离散度矩阵Sw的比值,得到投影矩阵。其中,类间离散度矩阵Sb与总的类内离散度矩阵Sw的比值为:该比值即为投影矩阵。之后,计算投影矩阵K的最大特征值对应的特征向量,得到最佳投影向量w。
(3)投影模块603:
投影模块603用于当应用进入后台后,利用最佳投影向量w对应用的当前特征值信息进行投影,得到第一投影值。其中,应用的当前特征信息记为h,利用最佳投影向量w对应用的当前特征值信息进行投影具体是指计算最佳投影向量w的转置与h的乘积,即第一投影值v0=wTh,其中,wT表示最佳投影向量w的转置,v0表示第一投影值。
此外,投影模块603还用于利用最佳投影向量对每个第一类样本向量进行投影,得到多个第二投影值,以及利用最佳投影向量对每个第二类样本向量进行投影,得到多个第三投影值。具体地,根据公式v1j=wTx1j,利用最佳投影向量w对每个第一类样本向量进行投影,其中j=1,2,3,…,n1,v1j表示第j个第二投影值,x1j表示第j个第一类样本向量,由此计算得到n1个第二投影值。同理地,利用公式v2j=wTx2j,利用最佳投影向量w对每个第二类样本向量进行投影,其中j=1,2,3,…,n2,v2j表示第j个第三投影值,x2j表示第j个第二类样本向量,由此计算得到n2个第三投影值。
(4)生成模块604:
生成模块604用于根据第一投影值v0、第一投影值v1j和第二投影值v2j生成预测结果,预测结果包括可清理应用和不可清理应用。具体地,生成模块604具体用于计算第一投影值分别与多个第二投影值的差值的绝对值,并确定计算得到的多个绝对值中的最小绝对值,进而得到第一最小绝对值d1,并且还用于计算第一投影值分别与多个第三投影值的差值的绝对值,并确定计算得到的多个绝对值中的最小绝对值,进而得到第二最小绝对值d2。
其中,当d1<d2时,生成模块604生成可清理应用的预测结果;当d1≥d2时,生成模块605生成不可清理应用的预测结果。
(5)确定模块605:
确定模块605用于根据预测结果确定是否可以清理应用。
例如,当预测结果为可清理应用时,则将对应的应用清理,如关闭该应用使其不再在后台运行,当预测结果为不可清理应用时,则保持对应的应用在后台运行的状态。
由上可知,本申请实施例的后台应用的清理装置中,由获取模块601获取应用的第一类样本向量和第二类样本向量,计算模块602基于线性判别分析算法(LDA)对第一类样本向量和第二类样本向量进行计算,以得到最佳投影向量,从而投影模块603在应用进入后台后,利用最佳投影向量对应用的当前特征信息、每个第一类样本向量以及每个第二类样本向量进行投影,分别得到第一投影值、第二投影值以及第三投影值,生成模块604根据第一投影值、第二投影值以及第三投影值生成预测结果,进而确定模块605根据预测结果确定应用是否可以清理,以此实现了后台应用的自动清理,提高了电子设备的运行流畅度,降低了功耗。
本申请实施例还提供一种存储介质,其存储有多条指令,该指令能够被处理器进行加载,以执行本申请实施例所提供的任一种后台应用的清理方法中的步骤。
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介质中,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,RandomAccess Memory)、磁盘或光盘等。
参阅图7,图7示出了本申请实施例提供的电子设备的具体结构框图,该电子设备700可以用于实施上述实施例中提供的后台应用的清理方法/装置。
如图7所示,电子设备可以包括有一个或一个以上(图中仅示出一个)计算机可读存储介质的存储器701、传输模块702、显示模块703、包括有一个或者一个以上(图中仅示出一个)处理核心的处理器704以及电源705等部件。本领域技术人员可以理解,图7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。其中:
存储器701可用于存储软件程序以及模块,如上述实施例中后台应用的清理方法/装置对应的程序指令/模块,处理器704通过运行存储在存储器701内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现后台应用的清理功能。存储器701可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器701可进一步包括相对于处理器704远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
电子设备通过传输模块702(例如Wi-Fi模块)访问流式媒体等,它为用户提供了无线的宽带互联网访问。虽然图7示出了传输模块702,但是可以理解的是,其并不属于电子设备的必须构成,完全可以根据需要在不改变发明的本质的范围内而省略。
显示模块703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形、文本、图标、视频和其任意组合来构成。显示模块703可包括显示面板,可选的,可以采用液晶显示器(LCD,Liquid Crystal Display)、有机发光二极管(OLED,Organic Light-Emitting Diode)等形式来配置显示面板。进一步的,显示模块703还可包括一触摸面板,该触摸面板可覆盖显示面板,当触摸面板检测到在其上或附近的触摸操作后,传送给处理器704以确定触摸事件的类型,随后处理器704根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图7中,触摸面板与显示面板是作为两个独立的部件来实现输入和输入功能,但是在某些实施例中,可以将触敏表面与显示面板集成而实现输入和输出功能。
处理器704是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器701内的软件程序和/或模块,以及调用存储在存储器701内的数据,执行电子设备的各种功能和处理数据。可选的,处理器704可包括一个或多个处理核心;优选的,处理器704可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器704中。
电子设备还包括给各个部件供电的电源705(比如电池),优选的,电源可以通过电源管理系统与处理器704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。电源705还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管未示出,电子设备还可以蓝牙模块等。在此不再赘述。在本申请实施例中,电子设备700中的处理器704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701中,并由处理器704运行存储在存储器701中的计算机程序,从而实现各种功能,如下:
获取应用的多个第一类样本向量和多个第二类样本向量,第一类样本向量为可清理类的样本向量,第二类样本向量为不可清理类的样本向量,然后基于线性判别分析算法对第一类样本向量和第二类样本向量进行计算,得到最佳投影向量,当应用进入后台后,利用最佳投影向量对应用的当前特征信息进行投影,得到第一投影值,利用最佳投影向量对每个第一类样本向量进行投影,得到多个第二投影值,以及利用最佳投影向量对每个第二类样本向量进行投影,得到多个第三投影值,由此根据第一投影值、第二投影值和第三投影值生成预测结果,预测结果包括可清理应用和不可清理应用,进而根据预测结果确定是否可以清理应用。
在一些实施例中,在基于线性判别分析算法对第一类样本向量和第二类样本向量进行计算,得到最佳投影向量时,处理器704具体执行以下步骤:
根据第一类样本向量和第二类样本向量,计算类间离散度矩阵和总的类内离散度矩阵,然后计算间离散度矩阵与总的类内离散度矩阵类的比值,得到投影矩阵,计算投影矩阵的最大特征值对应的特征向量,得到最佳投影向量。
进一步地,处理器704可以通过执行以下步骤得到类间离散度矩阵和总的类内离散度矩阵:
分别计算第一类样本向量和第二类样本向量的均值向量;
根据第一类样本向量的均值向量计算第一类内离散度矩阵,根据第二类样本向量的均值向量计算第二类内离散度矩阵;
根据第一类内离散度矩阵和第二类内离散度矩阵,计算总的类内离散度矩阵;
根据第一类样本向量的均值向量和第二类样本向量的均值向量,计算类间离散度矩阵。
其中,可以根据第一公式分别计算第一类内离散度矩阵和第二类内离散度矩阵,第一公式具体为:
其中,i=1或2,Si表示第i类内离散度矩阵,ni表示第i类样本向量的总数量,xij表示第j个第i类样本向量,mi表示第i类样本向量的均值向量,T表示(xij-mi)的转置。
可以根据第二公式计算总的类内离散度矩阵,第二公式具体为:
Sw=S1+S2,其中Sw表示总的类内离散度矩阵,S1表示第一类内离散度矩阵,S2表示第二类内离散度矩阵。
其中,可以根据第三公式计算类间离散度矩阵,第三公式具体为:
Sb=(m1-m2)(m1-m2)T,其中Sb表示类间离散度矩阵,m1表示第一类样本向量的均值向量,m2表示第二类样本向量的均值向量,T表示(m1-m2)的转置。
在一些实施例中,在根据第一投影值、第二投影值和第三投影值生成预测结果时,处理器704具体执行以下步骤:
计算第一投影值分别与多个第二投影值的差值的绝对值,并确定计算得到的多个绝对值中的最小绝对值,进而得到第一最小绝对值d1;
计算第一投影值分别与多个第三投影值的差值的绝对值,并确定计算得到的多个绝对值中的最小绝对值,进而得到第二最小绝对值d2;
当d1<d2时,生成可清理应用的预测结果;当d1≥d2时,生成不可清理应用的预测结果。
在一些实施例中,在获取应用的多个第一类样本向量和多个第二类样本向量时,处理器704具体可以执行以下步骤:
采集应用的多维特征信息作为样本向量,构成应用的样本集;
对样本集中的样本向量进行标记,得到每个样本向量的样本标签,样本标签包括可清理类和不可清理类;
根据每个样本向量的样本标签,确定样本集中的第一类样本向量和第二类样本向量。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
由上可知,本申请实施例的电子设备中,通过采集应用的第一类样本向量和第二类样本向量,基于线性判别分析算法(LDA)对第一类样本向量和第二类样本向量进行计算,以得到最佳投影向量,从而当应用进入后台后,利用最佳投影向量对应用的当前特征信息、每个第一类样本向量以及每个第二类样本向量进行投影,分别得到第一投影值、第二投影值以及第三投影值,从而可以根据第一投影值、第二投影值以及第三投影值生成预测结果,进而根据预测结果确定应用是否可以清理,以此实现了后台应用的自动清理,提高了电子设备的运行流畅度,降低了功耗。
以上对本申请实施例所提供的一种后台应用的清理方法、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 (16)
1.一种后台应用的清理方法,其特征在于,包括:
获取应用的多个第一类样本向量和多个第二类样本向量,所述第一类样本向量为可清理类的样本向量,所述第二类样本向量为不可清理类的样本向量;
基于线性判别分析算法对所述第一类样本向量和所述第二类样本向量进行计算,得到最佳投影向量;
当应用进入后台后,利用所述最佳投影向量对所述应用的当前特征信息进行投影,得到第一投影值,利用所述最佳投影向量对每个第一类样本向量进行投影,得到多个第二投影值,以及利用所述最佳投影向量对每个第二类样本向量进行投影,得到多个第三投影值;
根据所述第一投影值、第二投影值和第三投影值生成预测结果,所述预测结果包括可清理应用和不可清理应用;
根据所述预测结果确定是否可以清理应用。
2.根据权利要求1所述的清理方法,其特征在于,所述基于线性判别分析算法对所述第一类样本向量和所述第二类样本向量进行计算,包括:
根据所述第一类样本向量和第二类样本向量,计算类间离散度矩阵和总的类内离散度矩阵;
计算所述间离散度矩阵与总的类内离散度矩阵类的比值,得到投影矩阵;
计算所述投影矩阵的最大特征值对应的特征向量,得到最佳投影向量。
3.根据权利要求2所述的清理方法,其特征在于,所述根据所述第一类样本向量和第二类样本向量,计算类间离散度矩阵和总的类内离散度矩阵,包括:
分别计算所述第一类样本向量和第二类样本向量的均值向量;
根据所述第一类样本向量的均值向量计算第一类内离散度矩阵,根据所述第二类样本向量的均值向量计算第二类内离散度矩阵;
根据所述第一类内离散度矩阵和第二类内离散度矩阵,计算总的类内离散度矩阵;
根据所述第一类样本向量的均值向量和第二类样本向量的均值向量,计算类间离散度矩阵。
4.根据权利要求3所述的清理方法,其特征在于,所述根据所述第一类样本向量的均值向量计算第一类内离散度矩阵,根据所述第二类样本向量的均值向量计算第二类内离散度矩阵,包括:
根据第一公式分别计算所述第一类内离散度矩阵和第二类内离散度矩阵,所述第一公式具体为:
其中,i=1或2,Si表示第i类内离散度矩阵,ni表示第i类样本向量的总数量,xij表示第j个第i类样本向量,mi表示第i类样本向量的均值向量,T表示(xij-mi)的转置;
所述根据所述第一类内离散度矩阵和第二类内离散度矩阵,计算总的类内离散度矩阵,包括:根据第二公式计算总的类内离散度矩阵,所述第二公式具体为:
Sw=S1+S2,其中Sw表示总的类内离散度矩阵,S1表示第一类内离散度矩阵,S2表示第二类内离散度矩阵。
5.根据权利要求3所述的清理方法,其特征在于,所述根据所述第一类样本向量的均值向量和第二类样本向量的均值向量,计算类间离散度矩阵,包括:
根据第三公式计算所述类间离散度矩阵,所述第三公式具体为:
Sb=(m1-m2)(m1-m2)T,其中Sb表示类间离散度矩阵,m1表示第一类样本向量的均值向量,m2表示第二类样本向量的均值向量,T表示(m1-m2)的转置。
6.根据权利要求1所述的清理方法,其特征在于,所述根据所述第一投影值、第二投影值和第三投影值生成预测结果,包括:
计算所述第一投影值分别与所述多个第二投影值的差值的绝对值,并确定计算得到的多个绝对值中的最小绝对值,进而得到第一最小绝对值d1;
计算所述第一投影值分别与所述多个第三投影值的差值的绝对值,并确定计算得到的多个绝对值中的最小绝对值,进而得到第二最小绝对值d2;
当所述d1<d2时,生成可清理应用的预测结果;当所述d1≥d2时,生成不可清理应用的预测结果。
7.根据权利要求1所述的清理方法,其特征在于,所述获取应用的多个第一类样本向量和多个第二类样本向量,包括:
采集应用的多维特征信息作为样本向量,构成所述应用的样本集;
对所述样本集中的样本向量进行标记,得到每个样本向量的样本标签,所述样本标签包括可清理类和不可清理类;
根据每个样本向量的样本标签,确定所述样本集中的第一类样本向量和第二类样本向量。
8.一种后台应用的清理装置,其特征在于,包括:
获取模块,用于获取应用的多个第一类样本向量和多个第二类样本向量,所述第一类样本向量为可清理类的样本向量,所述第二类样本向量为不可清理类的样本向量;
计算模块,用于基于线性判别分析算法对所述第一类样本向量和所述第二类样本向量进行计算,得到最佳投影向量;
投影模块,用于当应用进入后台后,利用所述最佳投影向量对所述应用的当前特征信息进行投影,得到第一投影值,利用所述最佳投影向量对每个第一类样本向量进行投影,得到多个第二投影值,以及利用所述最佳投影向量对每个第二类样本向量进行投影,得到多个第三投影值;
生成模块,用于根据所述第一投影值、第二投影值和第三投影值生成预测结果,所述预测结果包括可清理应用和不可清理应用;
确定模块,用于根据所述预测结果确定是否可以清理应用。
9.根据权利要求8所述的清理装置,其特征在于,所述计算模块具体用于:
根据所述第一类样本向量和第二类样本向量,计算类间离散度矩阵和总的类内离散度矩阵;
计算所述间离散度矩阵与总的类内离散度矩阵类的比值,得到投影矩阵;
计算所述投影矩阵的最大特征值对应的特征向量,得到最佳投影向量。
10.根据权利要求9所述的清理装置,其特征在于,所述计算模块具体用于:
分别计算所述第一类样本向量和第二类样本向量的均值向量;
根据所述第一类样本向量的均值向量计算第一类内离散度矩阵,根据所述第二类样本向量的均值向量计算第二类内离散度矩阵;
根据所述第一类内离散度矩阵和第二类内离散度矩阵,计算总的类内离散度矩阵;
根据所述第一类样本向量的均值向量和第二类样本向量的均值向量,计算类间离散度矩阵。
11.根据权利要求10所述的清理装置,其特征在于,所述计算模块具体用于:
根据第一公式分别计算所述第一类内离散度矩阵和第二类内离散度矩阵,所述第一公式具体为:
其中,i=1或2,Si表示第i类内离散度矩阵,ni表示第i类样本向量的总数量,xij表示第j个第i类样本向量,mi表示第i类样本向量的均值向量,T表示(xij-mi)的转置;
所述根据所述第一类内离散度矩阵和第二类内离散度矩阵,计算总的类内离散度矩阵,包括:根据第二公式计算总的类内离散度矩阵,所述第二公式具体为:
Sw=S1+S2,其中Sw表示总的类内离散度矩阵,S1表示第一类内离散度矩阵,S2表示第二类内离散度矩阵。
12.根据权利要求10所述的清理装置,其特征在于,所述计算模块具体用于:
根据第三公式计算所述类间离散度矩阵,所述第三公式具体为:
Sb=(m1-m2)(m1-m2)T,其中Sb表示类间离散度矩阵,m1表示第一类样本向量的均值向量,m2表示第二类样本向量的均值向量,T表示(m1-m2)的转置。
13.根据权利要求8所述的清理装置,其特征在于,所述生成模块具体用于:
计算所述第一投影值分别与所述多个第二投影值的差值的绝对值,并确定计算得到的多个绝对值中的最小绝对值,进而得到第一最小绝对值d1;
计算所述第一投影值分别与所述多个第三投影值的差值的绝对值,并确定计算得到的多个绝对值中的最小绝对值,进而得到第二最小绝对值d2;
当所述d1<d2时,生成可清理应用的预测结果;当所述d1≥d2时,生成不可清理应用的预测结果。
14.根据权利要求8所述的清理装置,其特征在于,所述获取模块具体用于:
采集应用的多维特征信息作为样本向量,构成所述应用的样本集;
对所述样本集中的样本向量进行标记,得到每个样本向量的样本标签,所述样本标签包括可清理类和不可清理类;
根据每个样本向量的样本标签,确定所述样本集中的第一类样本向量和第二类样本向量。
15.一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行如权利要求1至7任一项所述的后台应用的清理方法中的步骤。
16.一种电子设备,其特征在于,包括处理器和存储器,所述存储器用于存储指令和数据,所述指令适于处理器进行加载,以执行如权利要求1至7任一项所述的后台应用的清理方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711047048.8A CN107844337B (zh) | 2017-10-31 | 2017-10-31 | 后台应用的清理方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711047048.8A CN107844337B (zh) | 2017-10-31 | 2017-10-31 | 后台应用的清理方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107844337A true CN107844337A (zh) | 2018-03-27 |
CN107844337B CN107844337B (zh) | 2019-08-06 |
Family
ID=61682068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711047048.8A Active CN107844337B (zh) | 2017-10-31 | 2017-10-31 | 后台应用的清理方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107844337B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016075293A1 (en) * | 2014-11-14 | 2016-05-19 | Thomson Licensing | Accelerated support vector machine (svm) learning using clustering |
CN105912370A (zh) * | 2016-05-03 | 2016-08-31 | 广东欧珀移动通信有限公司 | 移动终端的后台应用程序的控制方法、装置及移动终端 |
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 |
-
2017
- 2017-10-31 CN CN201711047048.8A patent/CN107844337B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016075293A1 (en) * | 2014-11-14 | 2016-05-19 | Thomson Licensing | Accelerated support vector machine (svm) learning using clustering |
CN105912370A (zh) * | 2016-05-03 | 2016-08-31 | 广东欧珀移动通信有限公司 | 移动终端的后台应用程序的控制方法、装置及移动终端 |
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 |
---|---|
CN107844337B (zh) | 2019-08-06 |
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 | |
CN107678845A (zh) | 应用程序管控方法、装置、存储介质及电子设备 | |
CN108337358B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
US8545332B2 (en) | Optimal policy determination using repeated stackelberg games with unknown player preferences | |
CN107678800A (zh) | 后台应用清理方法、装置、存储介质及电子设备 | |
CN106713083A (zh) | 基于知识图谱的智能家居设备控制方法、装置及系统 | |
CN109948633A (zh) | 用户性别预测方法、装置、存储介质及电子设备 | |
CN107367280B (zh) | 室内导航方法、装置、存储介质及服务器 | |
CN107710249A (zh) | 个性化预测模型 | |
CN102982083B (zh) | 跨分层级别的规则继承 | |
CN107943534A (zh) | 后台应用程序的关闭方法、装置、存储介质及电子设备 | |
CN108228720B (zh) | 识别目标文字内容和原图相关性的方法、系统、装置、终端、及存储介质 | |
CN107704070A (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN108470253A (zh) | 一种用户识别方法、装置及存储设备 | |
CN108549568A (zh) | 应用入口处理方法、装置、存储介质及电子设备 | |
CN108108455A (zh) | 目的地的推送方法、装置、存储介质及电子设备 | |
CN107766891A (zh) | 用户性别识别方法、装置、存储介质及电子设备 | |
CN107219983A (zh) | 列表显示方法及装置 | |
CN107807730B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN107704289A (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN107643925A (zh) | 后台应用清理方法、装置、存储介质及电子设备 | |
CN107748697A (zh) | 应用关闭方法、装置、存储介质及电子设备 | |
CN108595481A (zh) | 一种通知消息显示方法及终端设备 | |
CN107943571A (zh) | 后台应用管控方法、装置、存储介质及电子设备 | |
CN110321546A (zh) | 账号识别、显示方法、装置、服务器、终端及存储介质 |
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: 523860 No. 18, Wu Sha Beach Road, Changan Town, Dongguan, Guangdong Applicant after: OPPO Guangdong Mobile Communications Co., Ltd. Address before: 523860 No. 18, Wu Sha Beach Road, Changan Town, Dongguan, Guangdong Applicant before: Guangdong OPPO Mobile Communications Co., Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |