CN107861769B - 应用清理方法、装置、存储介质及电子设备 - Google Patents

应用清理方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN107861769B
CN107861769B CN201711044925.6A CN201711044925A CN107861769B CN 107861769 B CN107861769 B CN 107861769B CN 201711044925 A CN201711044925 A CN 201711044925A CN 107861769 B CN107861769 B CN 107861769B
Authority
CN
China
Prior art keywords
prediction
application
prediction model
model
selecting
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
Application number
CN201711044925.6A
Other languages
English (en)
Other versions
CN107861769A (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 CN201711044925.6A priority Critical patent/CN107861769B/zh
Publication of CN107861769A publication Critical patent/CN107861769A/zh
Application granted granted Critical
Publication of CN107861769B publication Critical patent/CN107861769B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/44—Arrangements for executing specific programs
    • G06F9/445—Program loading or initiating
    • G06F9/44594—Unloading
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种应用清理方法、装置、存储介质及电子设备，其中，本申请实施例获取前台应用的多个特征信息，得到前台应用的特征集合；从预测模型集合中选取多个不相同的预测模型；根据特征集合以及预测模型预测前台应用是否可清理，得到多个预测结果；根据多个预测结果从多个不相同的预测模型中选取相应的目标预测模型；根据预测时间获取后台应用的多个特征信息，并根据多个特征信息以及目标预测模型预测后台应用是否可清理；以便清理可清理应用以此实现了应用的自动清理，提高了电子设备的运行流畅度，降低了功耗。

Description

应用清理方法、装置、存储介质及电子设备
技术领域
本申请涉及通信技术领域，具体涉及一种应用清理方法、装置、存储介质及电子设备。
背景技术
目前，智能手机等电子设备上，通常会有多个应用同时运行，其中，一个应用在前台运行，其他应用在后台运行。如果长时间不清理后台运行的应用，则会导致电子设备的可用内存变小、中央处理器(central processing unit，CPU)占用率过高，导致电子设备出现运行速度变慢，卡顿，耗电过快等问题。因此，有必要提供一种方法解决上述问题。
发明内容
本申请实施例提供了一种应用清理方法、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。
第一方面，本申请实施例了提供了的一种应用清理方法，包括：
获取前台应用的多个特征信息，得到所述前台应用的特征集合；
从预测模型集合中选取多个不相同的预测模型；
根据所述特征集合以及所述预测模型预测所述前台应用是否可清理，得到多个预测结果；
根据所述多个预测结果从所述多个不相同的预测模型中选取相应的目标预测模型；
根据预测时间获取后台应用的多个特征信息，并根据所述多个特征信息以及所述目标预测模型预测所述后台应用是否可清理。
第二方面，本申请实施例了提供了的一种应用清理装置，包括：
特征获取单元，用于获取前台应用的多个特征信息，得到所述前台应用的特征集合；
第一模型选取单元，用于从预测模型集合中选取多个不相同的预测模型；
前台应用预测单元，用于根据所述特征集合以及所述预测模型预测所述前台应用是否可清理，得到多个预测结果；
第二模型选取单元，用于根据所述多个预测结果从所述多个不相同的预测模型中选取相应的目标预测模型；
后台应用预测单元，用于根据预测时间获取后台应用的多个特征信息，并根据所述多个特征信息以及所述目标预测模型预测所述后台应用是否可清理。
第三方面，本申请实施例提供的存储介质，其上存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如本申请任一实施例提供的应用清理方法。
第四方面，本申请实施例提供的电子设备，包括处理器和存储器，所述存储器有计算机程序，所述处理器通过调用所述计算机程序，用于执行如本申请任一实施例提供的应用清理方法。
本申请实施例获取前台应用的多个特征信息，得到前台应用的特征集合；从预测模型集合中选取多个不相同的预测模型；根据特征集合以及预测模型预测前台应用是否可清理，得到多个预测结果；根据多个预测结果从多个不相同的预测模型中选取相应的目标预测模型；根据预测时间获取后台应用的多个特征信息，并根据多个特征信息以及目标预测模型预测后台应用是否可清理；以便清理可清理应用以此实现了应用的自动清理，提高了电子设备的运行流畅度，降低了功耗。
附图说明
为了更清楚地说明本发明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发明的一些实施例，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清理方法的应用场景示意图。
图2是本申请实施例提供的应用清理方法的一个流程示意图。
图3是本申请实施例提供的应用清理方法的另一个流程示意图。
图4是本申请实施例提供的应用清理装置的一个结构示意图。
图5是本申请实施例提供的应用清理装置的另一结构示意图。
图6是本申请实施例提供的应用清理装置的另一结构示意图。
图7是本申请实施例提供的电子设备的一个结构示意图。
图8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
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应用清理方法，该应用清理方法的执行主体可以是本申请实施例提供的应用清理装置，或者集成了该应用清理装置的电子设备，其中该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。
请参阅图1，图1为本申请实施例提供的应用清理方法的应用场景示意图，以应用清理装置集成在电子设备中为例，电子设备可以获取前台应用的多个特征信息，得到前台应用的特征集合；从预测模型集合中选取多个不相同的预测模型；根据特征集合以及预测模型预测前台应用是否可清理，得到多个预测结果；根据多个预测结果从多个不相同的预测模型中选取相应的目标预测模型；根据预测时间获取后台应用的多个特征信息，并根据多个特征信息以及目标预测模型预测后台应用是否可清理。此外，电子设备还可以清理可清理的后台应用。
具体地，例如图1所示，以判断后台运行的应用程序a(如邮箱应用、游戏应用等)是否可以清理，且前台运行应用程序b为例，可以采集应用b的多个特征信息即多维特征(例如应用b在后台运行的时长、应用b运行的时间信息等)，得到前台应用b的特征集合；从预测模型集合中选取多个不相同的预测模型(如决策树模型、逻辑回归模型、贝叶斯模型、神经网络模型、聚类模型等)；根据特征集合以及预测模型预测前台应用b是否可清理，得到多个预测结果；根据多个预测结果从多个不同的预测模型中选取相应的目标预测模型；根据预测时间获取后台应用a的多个特征信息即多维特征(例如应用b在后台运行的时长、应用b运行的时间信息等)；并根据该多个特征信息以及目标预测模型预测后台应用a是否可清理。此外，当预测后台应用a可清理时，电子设备可以对应用a进行清理。
请参阅图2，图2为本申请实施例提供的应用清理方法的流程示意图。本申请实施例提供的应用清理方法的具体流程可以如下：
201、获取前台应用的多个特征信息，得到前台应用的特征集合。
其中，前台应用为在电子设备系统前台运行的应用程序，例如在前台运行的办公应用、通信应用、游戏应用、购物应用等。
其中，应用的多个特征信息为应用的多维特征信息，可以在应用的使用过程中采集。
应用的多维特征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，即该多维特征息由多种特征构成。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)；应用在后台停留时长直方图信息，如应用在后台停留时间直方图第一个bin(0-5分钟对应的次数占比)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。
比如，可以在历史时间段内，按照预设频率采集应用的多个特征信息。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。
在一实施例中，为便于应用关闭，可以将应用的多维特征信息中，未用数值直接表示的特征信息用具体的数值量化出来，例如针对电子设备的无线网连接状态这个特征信息，可以用数值1表示正常的状态，用数值0表示异常的状态(反之亦可)；再例如，针对电子设备是否在充电状态这个特征信息，可以用数值1表示充电状态，用数值0表示未充电状态(反之亦可)。
其中，电子设备可以各时间段内采集应用的多个特征信息，并保存在特征数据库中，因此，本申请实施例可以从特征数据库中提取应用的多个特征信息。
202、从预测模型集合中选取多个不相同的预测模型。
其中，预测模型集合包括多个预测模型，如包括多种不同类型的预测模型。
其中，预测模型为一种机器学习算法，用于预测某个事件的发生，比如，可以预测应用是否可清理等。该预测模型可以包括：决策树模型、逻辑回归模型、贝叶斯模型、神经网络模型、聚类模型等等。
本申请实施例中，预测模型的选取数量可以根据实际需求设定，可以从预测模型集合中选取相互不同的M个预测模型，M为大于1的正整数，可以为2、3、4……9、10等等。
其中，预测模型的选取方式可以有多种，比如，在一实施例中，为了提升应用清理预测的准确性，可以基于特征类型选取预测模型。也即，步骤“从预测模型集合中选取多个不相同的预测模型”，可以包括：
获取特征集合中特征信息的特征类型；
根据特征类型从预测模型集合中选取多个不相同的预测模型。
其中，特征类型可以根据实际需求设定，比如，可以将特征类型划分成：应用自身的特征、应用所在电子设备的特征。
又比如，还可以根据特征信息的属性将特征划分成：时间特征(如，应用在前台或后台的使用时长，应用进入后台的时间、应用在后台停留时间等等)、次数特征(如应用进入后台、前台的次数等等)、应用切换特征(如应用被切换的方式)等等。此外，还可以将特征划分成电子亮屏特征、熄屏特征、电量特征、网络特征等等。
其中，基于特征类型选取预测模型的方式有多种，比如，可以预先设置不同特征类型与不同预测模型之间的映射关系(即对应关系)，这样后续便可以基于特征类型与预测模型之间的映射关系，从预测模型集合中选取特征类型对应的预测模型。
例如，特征集合包括特征类型为：时间特征、应用切换特征、电子设备亮屏特征，此时，可以从预测模型集合中选取时间特征对应的预测模型1(如决策树)、应用切换特征对应的预测模型2(如贝叶斯模型)、电子设备亮屏特征对应的预测模型3(如逻辑回归模型)。
在一实施例中，考虑到不同类型的预测模型对特征类型要求不相同，精确度也不一样；为了提升预测精确性，可以获取特征类型对应的预测模型类型，基于预测模型类型选取相应的预测模型。比如，步骤“根据特征类型从预测模型集合中选取多个不相同的预测模型”可以包括：
获取特征类型对应的预测模型类型；
根据预测模型类型从预测模型集合中选取多个不相同的预测模型。
其中，获取特征类型对应的预测模型类型的方式可以有多种，比如，可以基于类型映射关系集合来获取特征类型对应的模型类型，该类型映射关系集合包括：预测模型类型与模型类型的映射关系(即对应关系)。该映射关系集合的表现形式有多种，如表格形式等。
在一实施例中，每种特征类型可以对应一种或者多种预测模型类型，比如，时间特征可以对应监督式学习算法、非监控式学习算法等。
其中，预测模型为机器学习算法，机器学习算法，可以通过不断特征学习来预测某个事件的发生，比如，可以预测应用是否可清理等。该机器学习算法可以包括：决策树模型、逻辑回归模型、贝叶斯模型、神经网络模型、聚类模型等等。
本申请实施例中，机器学习算法的算法类型可以根据各种情况划分，比如，可以基于学习方式可以将机器学习算法划分成：监督式学习算法、非监控式学习算法、半监督式学习算法、强化学习算法等等。
在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”，对手写数字识别中的“1“，”2“，”3“，”4“等。在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归(LogisticRegression)和反向传递神经网络(Back Propagation Neural Network)。
在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means算法。
半监督式学习算法，在此学习方式下，输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预测，但是模型首先需要学习数据的内在结构以便合理的组织数据来进行预测。应用场景包括分类和回归，算法包括一些对常用监督式学习算法的延伸，这些算法首先试图对未标识数据进行建模，在此基础上再对标识的数据进行预测。如图论推理算法(Graph Inference)或者拉普拉斯支持向量机(Laplacian SVM)等。
强化学习算法，在这种学习模式下，输入数据作为对模型的反馈，不像监督模型那样，输入数据仅仅是作为一个检查模型对错的方式，在强化学习下，输入数据直接反馈到模型，模型必须对此立刻作出调整。常见的应用场景包括动态系统以及机器人控制等。常见算法包括Q-Learning以及时间差学习(Temporal difference learning)。
此外，在一实施例中，还可以基于根据算法的功能和形式的类似性将机器学习算法划分成：
回归算法，常见的回归算法包括：最小二乘法(Ordinary Least Square)，逻辑回归(Logistic Regression)，逐步式回归(Stepwise Regression)，多元自适应回归样条(Multivariate Adaptive Regression Splines)以及本地散点平滑估计(LocallyEstimated Scatterplot Smoothing)。
基于实例的算法，包括k-Nearest Neighbor(KNN),学习矢量量化(LearningVector Quantization，LVQ)，以及自组织映射算法(Self-Organizing Map，SOM)。
正则化方法，常见的算法包括：Ridge Regression，Least Absolute Shrinkageand Selection Operator(LASSO)，以及弹性网络(Elastic Net)。
决策树算法，常见的算法包括：分类及回归树(Classification And RegressionTree，CART)，ID3(Iterative Dichotomiser 3)，C4.5，Chi-squared AutomaticInteraction Detection(CHAID),Decision Stump,随机森林(Random Forest)，多元自适应回归样条(MARS)以及梯度推进机(Gradient Boosting Machine，GBM)。
贝叶斯方法算法，包括：朴素贝叶斯算法，平均单依赖估计(Averaged One-Dependence Estimators，AODE)，以及Bayesian Belief Network(BBN)。
……。
例如，特征类型对应的预测模型类型包括：监督式学习算法、非监控式学习算法、半监督式学习算法；此时，可以从预测模型集合中选取逻辑回归(Logistic Regression)模型、k-Means算法、图论推理算法等等属于属于该预测模型类型的算法。
又例如，特征类型对应的预测模型类型包括：回归算法模型、决策树算法模型；此时，可以从模型集合中选取逻辑回归(Logistic Regression)模型、分类及回归树模型等等属于该预测模型类型的算法。
步骤201和202之间的时序不受序号限制，可以是步骤202在步骤201之前执行，也可以是同时执行。
203、根据特征集合以及预测模型预测前台应用是否可清理，得到多个预测结果。
比如，选取M个不同的预测模型，针对每个预测模型采用相同的特征集合作为输入，此时，便可以得到M个预测结果。其中，预测结果包括：前台应用可清理、或不可清理。
例如，选取的预测模型包括：岭回归模型、逻辑回归模型、分类回归树模型；此时，可以将特征集合T分别作为岭回归模型、逻辑回归模型、分类回归树模型的输入样本，计算出岭回归模型的预测结果、逻辑回归模型的预测结果、分类回归树模型的预测结果。
204、根据多个预测结果从多个不相同的预测模型中选取相应的目标预测模型。
比如，在得到M个预测结果后，便可以基于M个预测结果从M个不同的预测模型中选取相应的目标预测模型。
考虑到前台应用一般用户需要使用，因此，用户不希望对前台应用进行清理。因此，当选取的预测模型预测前台应用不可清理时，说明该预测模型预测比较准确，那么该预测模型可能是需要选取的最终预测模型。比如，在一实施例中，“根据多个预测结果从多个不相同的预测模型中选取相应的目标预测模型”可以包括：
从多个预测结果中确定预测应用不可清理的目标预测结果；
从目标预测结果对应的预测模型中选取相应的目标预测模型。
比如，得到M个结果如预测结果1、预测结果2……预测结果M后，假设预测结果1、预测结果2、预测结果3为预测应用可清理，此时，便可以从预测结果1对应的预测模型1、预测结果2对应的预测模型2、预测结果3对应的预测模型3中选取对后台应用预测的目标预测模型。如选取预测模型3作为后台应用预测的目标预测模型。
在一实施例中，为提升后台应用预测的速度以及效率，在选取目标预测模型时可以考虑预测模型对应的预测时长，比如，选取预测时长最小的预测模型作为后台应用预测的目标预测模型。为了能实现基于预测时长选取目标预测模型，在一实施例中，还可以在预测前台应用是否可清理时，记录预测时长。比如，步骤“根据特征集合以及预测模型预测前台应用是否可清理”可以包括：
根据特征集合以及预测模型预测前台应用是否可清理，并记录预测模型的预测时长；
此时，步骤“从目标预测结果对应的预测模型中选取相应的目标预测模型”，可以包括：
根据候选预测模型的预测时长，从候选预测模型中选取相应的目标预测模型。
其中，预测时长可以为特征集合预测模型输入特征集合到输出预测结果之间的时长。
在一实施例中，可以选取预测时长最小的预测模型作为目标预测模型。
例如，选取预测模型1、预测模型2……预测模型M后，针对每个预测模型，可以基于特征集合输出相应的预测结果，并记录该预测模型的预测时长，得到预测模型1的预测结果1以及预测时长t1、预测模型2的预测结果2以及预测时长t2、……预测模型M的预测结果M以及预测时长tM。
然后，从预测结果1、预测结果2……预测结果M中选取预测应用不可清理的预测结果，如选取预测结果1、预测结果2以及预测结果3；如果预测模型1的预测时长t1最小，那么可以选取预测模型1为目标预测模型。
在一实施例中，为了提升应用预测的准确性，可以基于特征对于预测模型的误差来选取目标预测模型。比如，步骤“从目标预测结果对应的预测模型中选取相应的目标预测模型”可以包括：
将目标预测结果对应的预测模型作为候选预测模型；
获取特征集合对于候选预测模型的误差；
选取最小误差对应的候选预测模型作为目标预测模型。
其中特征集合对于预测模型的误差为预测模型以特征集合为输入得出的预测值与真实值之间的误差。
比如，选取预测模型1、预测模型2……预测模型M后，针对每个预测模型，可以基于特征集合输出相应的预测结果，得到预测模型1的预测结果1、预测模型2的预测结果2……预测模型M的预测结果M。
然后，从预测结果1、预测结果2……预测结果M中选取预测应用不可清理的预测结果，如选取预测结果1、预测结果2以及预测结果3。
计算出特征集合对于预测模型1的误差F1，特征集合对于预测模型2的误差F2，特征集合对于预测模型3的误差F3。
选取最小误差对应的预测模型作为目标预测模型，如果特征集合对于预测模型2的误差F2最下，那么可以选取预测模型2为目标预测模型。
其中，特征集合对于预测模型的误差，可以通过预测模型的损失函数计算的。
在一实施例中，为能够准确性地和快速地获取特征集合对于预测模型的误差，还可以将特征集合划分成多个子特征集合，获取各子特征集合对于预测模型的误差f，然后，基于各子训练特征集合对于预测模型的误差得到整个特征集合在对于预测模型的误差F。
例如，可以将特征集合D划分成N个子特征集合，得到子特征集合D1、D2……DN；其中，N为大于1的正整数。然后，根据误差判断函数以及岭回归参数，计算每个子特征集合对于预测模型的子误差，如D1对于预测模型的子误差f11、D2对于预测模型的子误差f12、……DN对于预测模型的子误差f1N，基于每个子特征集合对于预测模型的子误差，即f11、f12……f1N，获取特征集合D对于预测模型的误差F。
205、根据预测时间获取后台应用的多个特征信息，并根据多个特征信息以及目标预测模型预测后台应用是否可清理。
其中，预测时间可以根据实际需求设定，比如可以为当前时间等等。
本申请实施例中，获取的后台应用的多维特征、与前台应用的多维特征是相同类型特征，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等等。
在一实施例中，获取的后台应用的多维特征、与前台应用的多维特征是不相同类型特征，如后台应用的多维特征的特征类型，与前台应用的多维特征的特征类型完全不同，或者部分不同。
比如，选取的目标预测模型为逻辑回归模型时，可以根据多个特征信息以及逻辑回归模型计算出后台应用可清理的概率和不可清的概率，当可清理的概率大于不可清理的概率时，确定后台应用可清理，反之，不可清理。
又比如，当选取的目标预测模型为决策树模型时，可以将特征信息按照决策树的分支条件遍历，得到最终的叶子节点，该叶子节点的输出包括可清理或不清理，此时，叶子节点输出即为后台应用预测结果。
由上可知，本申请实施例获取前台应用的多个特征信息，得到前台应用的特征集合；从预测模型集合中选取多个不相同的预测模型；根据特征集合以及预测模型预测前台应用是否可清理，得到多个预测结果；根据多个预测结果从多个不相同的预测模型中选取相应的目标预测模型；根据预测时间获取后台应用的多个特征信息，并根据多个特征信息以及目标预测模型预测后台应用是否可清理；以便清理可清理应用以此实现了应用的自动清理，提高了电子设备的运行流畅度，降低了功耗以及节省了资源。
进一步地，由于特征集合中，包括了反映用户使用应用的行为习惯的多个特征信息，因此本申请实施例可以使得对对应应用的清理更加个性化和智能化。
进一步地，在预测后台应用是否可清理前，基于前台应用的特征信息和多个不相同的预测模型对前台应用进行预测，并基于对前台应用预测结果从多个不相同的预测模型中选取出用于预测后台应用预测模型；该方案可以选取出比较准确或合适的预测模型作为后台应用预测模型，可以提升用户行为预测的准确性，进而提高清理的准确度。
下面将在上述实施例描述的方法基础上，对本申请的清理方法做进一步介绍。参考图3，该应用清理方法可以包括：
301、获取前台应用的多个特征信息，得到前台应用的特征集合。
其中，前台应用为在电子设备系统前台运行的应用程序，例如在前台运行的办公应用、通信应用、游戏应用、购物应用等。
比如，可以当接收到后台应用清理请求时，根据后台应用清理请求从特征数据库中获取前台应用的多个特征信息。
其中，应用的多个特征信息为应用的多维特征信息，可以在应用的使用过程中采集。
应用的多维特征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，即该多维特征息由多种特征构成。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)；应用在后台停留时长直方图信息，如应用在后台停留时间直方图第一个bin(0-5分钟对应的次数占比)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。
比如，前台应用的多个特征信息可以包括如下30维特征，需要说明的是，如下所示的特征信息仅为举例，实际中所包含的特征信息的数量，可以多于比如下所示信息的数量，也可以少于如下所示信息的数量，所取的具体特征信息也可以与如下所示不同，此处不作具体限定。30维特征包括：
APP上一次切入后台到现在的时长；
APP上一次切入后台到现在的时长；
APP一天里(按每天统计)进入前台的次数；
APP一天里(休息日按工作日、休息日分开统计)进入前台的次数，比如若当前预测时间为工作日，则该特征使用数值为工作日统计到的平均每个工作日在前台使用次数；
APP一天中(按每天统计)处于前台的时间；
该后台APP紧跟当前前台APP后被打开次数，不分工作日休息日统计所得；
该后台APP紧跟当前前台APP后被打开次数，分工作日休息日统计；
目标APP被切换的方式，分为被home键切换、被recent键切换、被其他APP切换；
目标APP一级类型(常用应用)；
目标APP二级类型(其他应用)；
手机屏幕灭屏时间；
手机屏幕亮屏时间；
当前屏幕亮灭状态；
当前的电量；
当前wifi状态；
App上一次切入后台到现在的时长；
APP上一次在前台被使用时长；
APP上上一次在前台被使用时长；
APP上上上一次在前台被使用时长；
若一天分了6个时间段，每段4小时，当前预测时间点为早上8:30，则处于第3段，则该特征表示的是目标app每天在8:00～12:00这个时段被使用的时间长度；
当前前台APP进入后台到目标APP进入前台按每天统计的平均间隔时间；
当前前台APP进入后台到目标APP进入前台期间按每天统计的平均屏幕熄灭时间；
目标APP在后台停留时间直方图第一个bin(0-5分钟对应的次数占比)；
目标APP在后台停留时间直方图第一个bin(5-10分钟对应的次数占比)；
目标APP在后台停留时间直方图第一个bin(10-15分钟对应的次数占比)；
目标APP在后台停留时间直方图第一个bin(15-20分钟对应的次数占比)；
目标APP在后台停留时间直方图第一个bin(15-20分钟对应的次数占比)；
目标APP在后台停留时间直方图第一个bin(25-30分钟对应的次数占比)；
目标APP在后台停留时间直方图第一个bin(30分钟以后对应的次数占比)；
当前是否有在充电。
302、获取特征集合中特征信息的特征类型。
其中，特征类型可以根据实际需求设定，比如，可以将特征类型划分成：应用自身的特征、应用所在电子设备的特征。
又比如，还可以根据特征信息的属性将特征划分成：时间特征(如，应用在前台或后台的使用时长，应用进入后台的时间、应用在后台停留时间等等)、次数特征(如应用进入后台、前台的次数等等)、应用切换特征(如应用被切换的方式)等等。此外，还可以将特征划分成电子亮屏特征、熄屏特征、电量特征、网络特征等等。
303、获取特征类型对应的预测模型类型，并根据预测模型类型从预测模型集合中选取多个不相同的预测模型。
其中，预测模型为一种机器学习算法，用于预测某个事件的发生，比如，可以预测应用是否可清理等。该预测模型可以包括：决策树模型、逻辑回归模型、贝叶斯模型、神经网络模型、聚类模型等等。
在一实施例中，每种特征类型可以对应一种或者多种预测模型类型，比如，时间特征可以对应监督式学习算法、非监控式学习算法等。
其中，预测模型为机器学习算法，机器学习算法，可以通过不断特征学习来预测某个事件的发生，比如，可以预测应用是否可清理等。该机器学习算法可以包括：决策树模型、逻辑回归模型、贝叶斯模型、神经网络模型、聚类模型等等。
本申请实施例中，机器学习算法的算法类型可以根据各种情况划分，比如，可以基于学习方式可以将机器学习算法划分成：监督式学习算法、非监控式学习算法、半监督式学习算法、强化学习算法等等。
此外，在一实施例中，还可以基于根据算法的功能和形式的类似性将机器学习算法划分成：回归算法、基于实例的算法、正则化方法、决策树算法、贝叶斯方法算法等等。具体参考上述实施例对于算法分类的描述。
其中，获取特征类型对应的预测模型类型的方式可以有多种，比如，可以基于类型映射关系集合来获取特征类型对应的模型类型，该类型映射关系集合包括：预测模型类型与模型类型的映射关系(即对应关系)。该映射关系集合的表现形式有多种，如表格形式等。
例如，特征类型对应的预测模型类型包括：回归算法模型、决策树算法模型；此时，可以从模型集合中选取逻辑回归(Logistic Regression)模型、分类及回归树模型等等属于该预测模型类型的算法。
304、根据特征集合以及每个预测模型预测前台应用是否可清理，得到多个预测结果。
比如，选取M个不同的预测模型，针对每个预测模型采用相同的特征集合作为输入，此时，便可以得到M个预测结果。其中，预测结果包括：前台应用可清理、或不可清理。
305、从多个预测结果中确定预测应用不可清理的目标预测结果，并将目标预测结果对应的预测模型作为候选预测模型。
考虑到前台应用一般用户需要使用，因此，用户不希望对前台应用进行清理。因此，当选取的预测模型预测前台应用不可清理时，说明该预测模型预测比较准确，那么该预测模型可能是需要选取的最终预测模型。
比如，得到M个结果如预测结果1、预测结果2……预测结果M后，假设预测结果5、预测结果6、预测结果7为预测应用可清理，此时，便可以将预测结果5对应的预测模型5、预测结果6对应的预测模型6、预测结果7对应的预测模型7作为后台应用预测的候选预测模型。
306、获取特征集合对于候选预测模型的误差。
其中，特征集合对于预测模型的误差为预测模型以特征集合为输入得出的预测值与真实值之间的误差。
其中，特征集合对于预测模型的误差，可以通过预测模型的损失函数计算的。
比如，获取特征集合对于预测模型5的误差F5，特征集合对于预测模型6的误差F6，特征集合对于预测模型7的误差F7。
在一实施例中，为能够准确性地和快速地获取特征集合对于预测模型的误差，还可以将特征集合划分成多个子特征集合，获取各子特征集合对于预测模型的误差f，然后，基于各子训练特征集合对于预测模型的误差得到整个特征集合在对于预测模型的误差F。
例如，可以将特征集合D划分成N个子特征集合，得到子特征集合D1、D2……DN；其中，N为大于1的正整数。然后，根据误差判断函数以及岭回归参数，计算每个子特征集合对于预测模型的子误差，如D1对于预测模型的子误差f11、D2对于预测模型的子误差f12、……DN对于预测模型的子误差f1N，基于每个子特征集合对于预测模型的子误差，即f11、f12……f1N，获取特征集合D对于预测模型的误差F。
307、选取最小误差对应的候选预测模型作为目标预测模型。
假设误差F7小于误差F6和F5，那么可以选取预测模型7作为后台应用预测的目标预测模型。
308、根据预测时间获取后台应用的多个特征信息，并根据多个特征信息以及目标预测模型预测后台应用是否可清理。
其中，预测时间可以根据实际需求设定，比如可以为当前时间等等。
本申请实施例中，获取的后台应用的多维特征、与前台应用的多维特征是相同类型特征，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等等。
在一实施例中，获取的后台应用的多维特征、与前台应用的多维特征是不相同类型特征，如后台应用的多维特征的特征类型，与前台应用的多维特征的特征类型完全不同，或者部分不同。
比如，选取的目标预测模型为逻辑回归模型时，可以根据多个特征信息以及逻辑回归模型计算出后台应用可清理的概率和不可清的概率，当可清理的概率大于不可清理的概率时，确定后台应用可清理，反之，不可清理。
又比如，当选取的目标预测模型为决策树模型时，可以将特征信息按照决策树的分支条件遍历，得到最终的叶子节点，该叶子节点的输出包括可清理或不清理，此时，叶子节点输出即为后台应用预测结果。
在一个具体的例子中，可以利用本申请实施例方法预测后台运行的多个应用是否可清理，如表1所示，则确定可以清理后台运行的应用A1和应用A3，而保持应用A2在后台运行的状态不变。
应用 预测结果
应用A1 可清理
应用A2 不可清理
应用A3 可清理
表1
由上可知，本申请实施例获取前台应用的多个特征信息，得到前台应用的特征集合；从预测模型集合中选取多个不相同的预测模型；根据特征集合以及预测模型预测前台应用是否可清理，得到多个预测结果；根据多个预测结果从多个不相同的预测模型中选取相应的目标预测模型；根据预测时间获取后台应用的多个特征信息，并根据多个特征信息以及目标预测模型预测后台应用是否可清理；以便清理可清理应用以此实现了应用的自动清理，提高了电子设备的运行流畅度，降低了功耗以及节省了资源。
进一步地，由于特征集合中，包括了反映用户使用应用的行为习惯的多个特征信息，因此本申请实施例可以使得对对应应用的清理更加个性化和智能化。
进一步地，在预测后台应用是否可清理前，基于前台应用的特征信息和多个不相同的预测模型对前台应用进行预测，并基于对前台应用预测结果从多个不相同的预测模型中选取出用于预测后台应用预测模型；该方案可以选取出比较准确或合适的预测模型作为后台应用预测模型，可以提升用户行为预测的准确性，进而提高清理的准确度。
在一实施例中还提供了一种应用清理装置。请参阅图4，图4为本申请实施例提供的应用清理装置的结构示意图。其中该应用清理装置应用于电子设备，该应用清理装置包括特征获取单元401、第一模型选取单元402、前台应用预测单元403、第二模型选取单元404和后台应用预测单元405，如下：
特征获取单元401，用于获取前台应用的多个特征信息，得到所述前台应用的特征集合；
第一模型选取单元402，用于从预测模型集合中选取多个不相同的预测模型；
前台应用预测单元403，用于根据所述特征集合以及所述预测模型预测所述前台应用是否可清理，得到多个预测结果；
第二模型选取单元404，用于根据所述多个预测结果从所述多个不相同的预测模型中选取相应的目标预测模型；
后台应用预测单元405，用于根据预测时间获取后台应用的多个特征信息，并根据所述多个特征信息以及所述目标预测模型预测所述后台应用是否可清理。
在一实施例中，参考图5，其中，第二模型选取单元404，可以包括：
结果选取子单元4041，用于从所述多个预测结果中确定预测应用不可清理的目标预测结果；
目标模型选取子单元4042，用于从目标预测结果对应的预测模型中选取相应的目标预测模型。
在一实施例中，前台应用预测单元403，可以用于根据所述特征集合以及所述预测模型预测所述前台应用是否可清理，并记录所述预测模型的预测时长；
此时，目标模型选取子单元4042，可以用于将所述目标预测结果对应的预测模型作为候选预测模型；根据所述候选预测模型的预测时长，从所述候选预测模型中选取相应的目标预测模型。
在一实施例中，目标模型选取子单元4042，可以用于：
将所述目标预测结果对应的预测模型作为候选预测模型；
获取所述特征集合对于所述候选预测模型的误差；
选取最小误差对应的候选预测模型作为目标预测模型。
在一实施例中，参考图6，其中，第一模型选取单元402，可以包括：
特征类型获取子单元4021，用于获取所述特征集合中特征信息的特征类型；
模型选取子单元4022，用于根据所述特征类型从预测模型集合中选取多个不相同的预测模型。
在一实施例中，模型选取子单元4022，可以用于：
获取所述特征类型对应的预测模型类型；
根据所述预测模型类型从预测模型集合中选取多个不相同的预测模型。
其中，应用清理装置中各单元执行的步骤可以参考上述方法实施例描述的方法步骤。该应用清理装置可以集成在电子设备中，如手机、平板电脑等。
具体实施时，以上各个单元可以作为独立的实体实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单位的具体实施可参见前面的实施例，在此不再赘述。
由上可知，本实施例应用清理装置可以由特征获取单元401获取前台应用的多个特征信息，得到前台应用的特征集合；由第一模型选取单元402从预测模型集合中选取多个不相同的预测模型；由前台应用预测单元403根据特征集合以及预测模型预测前台应用是否可清理，得到多个预测结果；由后台应用预测单元404根据多个预测结果从多个不相同的预测模型中选取相应的目标预测模型；由后台应用预测单元405根据预测时间获取后台应用的多个特征信息，并根据多个特征信息以及目标预测模型预测后台应用是否可清理；以便清理可清理应用以此实现了应用的自动清理，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电子设备。请参阅图7，电子设备500包括处理器501以及存储器502。其中，处理器501与存储器502电性连接。
所述处理器500是电子设备500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502内的计算机程序，以及调用存储在存储器502内的数据，执行电子设备500的各种功能并处理数据，从而对电子设备500进行整体监控。
所述存储器502可用于存储软件程序以及模块，处理器501通过运行存储在存储器502的计算机程序以及模块，从而执行各种功能应用以及数据处理。存储器502可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的计算机程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器502还可以包括存储器控制器，以提供处理器501对存储器502的访问。
在本申请实施例中，电子设备500中的处理器501会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器502中，并由处理器501运行存储在存储器502中的计算机程序，从而实现各种功能，如下：
获取前台应用的多个特征信息，得到所述前台应用的特征集合；
从预测模型集合中选取多个不相同的预测模型；
根据所述特征集合以及所述预测模型预测所述前台应用是否可清理，得到多个预测结果；
根据所述多个预测结果从所述多个不相同的预测模型中选取相应的目标预测模型；
根据预测时间获取后台应用的多个特征信息，并根据所述多个特征信息以及所述目标预测模型预测所述后台应用是否可清理。
在某些实施方式中，在根据所述多个预测结果从所述多个不相同的预测模型中选取相应的目标预测模型时，处理器501可以具体执行以下步骤：
从所述多个预测结果中确定预测应用不可清理的目标预测结果；
从目标预测结果对应的预测模型中选取相应的目标预测模型。
在某些实施方式中，在根据所述特征集合以及所述预测模型预测所述前台应用是否可清理时，处理器501可以具体执行以下步骤：
根据所述特征集合以及所述预测模型预测所述前台应用是否可清理，并记录所述预测模型的预测时长；
此时，在从目标预测结果对应的预测模型中选取相应的目标预测模型时，处理器501可以具体执行以下步骤：
将所述目标预测结果对应的预测模型作为候选预测模型；
根据所述候选预测模型的预测时长，从所述候选预测模型中选取相应的目标预测模型。
在某些实施方式中，在从目标预测结果对应的预测模型中选取相应的目标预测模型时，处理器501可以具体执行以下步骤：
将所述目标预测结果对应的预测模型作为候选预测模型；
获取所述特征集合对于所述候选预测模型的误差；
选取最小误差对应的候选预测模型作为目标预测模型。
在某些实施方式中，在从预测模型集合中选取多个不相同的预测模型时，处理器501还可以具体执行以下步骤：
获取所述特征集合中特征信息的特征类型；
根据所述特征类型从预测模型集合中选取多个不相同的预测模型。
在某些实施方式中，在根据所述特征类型从预测模型集合中选取多个不相同的预测模型时，处理器501还可以具体执行以下步骤：
获取所述特征类型对应的预测模型类型；
根据所述预测模型类型从预测模型集合中选取多个不相同的预测模型。
由上述可知，本申请实施例获取前台应用的多个特征信息，得到前台应用的特征集合；从预测模型集合中选取多个不相同的预测模型；根据特征集合以及预测模型预测前台应用是否可清理，得到多个预测结果；根据多个预测结果从多个不相同的预测模型中选取相应的目标预测模型；根据预测时间获取后台应用的多个特征信息，并根据多个特征信息以及目标预测模型预测后台应用是否可清理；以便清理可清理应用以此实现了应用的自动清理，提高了电子设备的运行流畅度，降低了功耗。
请一并参阅图8，在某些实施方式中，电子设备500还可以包括：显示器503、射频电路504、音频电路505以及电源506。其中，其中，显示器503、射频电路504、音频电路505以及电源506分别与处理器501电性连接。
所述显示器503可以用于显示由用户输入的信息或提供给用户的信息以及各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示器503可以包括显示面板，在某些实施方式中，可以采用液晶显示器(Liquid CrystalDisplay，LCD)、或者有机发光二极管(Organic Light-Emitting Diode，OLED)等形式来配置显示面板。
所述射频电路504可以用于收发射频信号，以通过无线通信与网络设备或其他电子设备建立无线通讯，与网络设备或其他电子设备之间收发信号。
所述音频电路505可以用于通过扬声器、传声器提供用户与电子设备之间的音频接口。
所述电源506可以用于给电子设备500的各个部件供电。在一些实施例中，电源506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，电子设备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清理方法，比如：获取前台应用的多个特征信息，得到前台应用的特征集合；从预测模型集合中选取多个不相同的预测模型；根据特征集合以及预测模型预测前台应用是否可清理，得到多个预测结果；根据多个预测结果从多个不相同的预测模型中选取相应的目标预测模型；根据预测时间获取后台应用的多个特征信息，并根据多个特征信息以及目标预测模型预测后台应用是否可清理。
在本申请实施例中，存储介质可以是磁碟、光盘、只读存储器(Read Only Memory，ROM，)、或者随机存取记忆体(Random Access Memory，RAM)等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
需要说明的是，对本申请实施例的应用清理方法而言，本领域普通测试人员可以理解实现本申请实施例的应用清理方法的全部或部分流程，是可以通过计算机程序来控制相关的硬件来完成，所述计算机程序可存储于一计算机可读取存储介质中，如存储在电子设备的存储器中，并被该电子设备内的至少一个处理器执行，在执行过程中可包括如应用清理方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储器、随机存取记忆体等。
对本申请实施例的应用清理装置而言，其各功能模块可以集成在一个处理芯片中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中，所述存储介质譬如为只读存储器，磁盘或光盘等。
以上对本申请实施例所提供的一种应用清理方法、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 (7)

1.一种应用清理方法，其特征在于，包括：
获取前台应用的多个特征信息，得到所述前台应用的特征集合；
从预测模型集合中选取多个不相同的预测模型；
根据所述特征集合以及所述预测模型预测所述前台应用是否可清理，得到多个预测结果，包括：根据所述特征集合以及所述预测模型预测所述前台应用是否可清理，并记录所述预测模型的预测时长；
根据所述多个预测结果从所述多个不相同的预测模型中选取相应的目标预测模型，包括：从所述多个预测结果中确定预测应用不可清理的目标预测结果；将所述目标预测结果对应的预测模型作为候选预测模型；根据所述候选预测模型的预测时长，从所述候选预测模型中选取相应的目标预测模型；或者，将所述目标预测结果对应的预测模型作为候选预测模型；获取所述特征集合对于所述候选预测模型的误差；选取最小误差对应的候选预测模型作为目标预测模型；
根据预测时间获取后台应用的多个特征信息，并根据所述多个特征信息以及所述目标预测模型预测所述后台应用是否可清理。
2.如权利要求1所述的应用清理方法，其特征在于，从预测模型集合中选取多个不相同的预测模型，包括：
获取所述特征集合中特征信息的特征类型；
根据所述特征类型从预测模型集合中选取多个不相同的预测模型。
3.如权利要求2所述的应用清理方法，其特征在于，根据所述特征类型从预测模型集合中选取多个不相同的预测模型，包括：
获取所述特征类型对应的预测模型类型；
根据所述预测模型类型从预测模型集合中选取多个不相同的预测模型。
4.一种应用清理装置，其特征在于，包括：
特征获取单元，用于获取前台应用的多个特征信息，得到所述前台应用的特征集合；
第一模型选取单元，用于从预测模型集合中选取多个不相同的预测模型；
前台应用预测单元，用于根据所述特征集合以及所述预测模型预测所述前台应用是否可清理，得到多个预测结果；具体用于根据所述特征集合以及所述预测模型预测所述前台应用是否可清理，并记录所述预测模型的预测时长；
第二模型选取单元，用于根据所述多个预测结果从所述多个不相同的预测模型中选取相应的目标预测模型；
后台应用预测单元，用于根据预测时间获取后台应用的多个特征信息，并根据所述多个特征信息以及所述目标预测模型预测所述后台应用是否可清理；
其中，所述第二模型选取单元，包括：
结果选取子单元，用于从所述多个预测结果中确定预测应用不可清理的目标预测结果；
目标模型选取子单元，用于从目标预测结果对应的预测模型中选取相应的目标预测模型；
其中，所述目标模型选取子单元，用于将所述目标预测结果对应的预测模型作为候选预测模型；根据所述候选预测模型的预测时长，从所述候选预测模型中选取相应的目标预测模型；或者
所述目标模型选取子单元，用于将所述目标预测结果对应的预测模型作为候选预测模型；获取所述特征集合对于所述候选预测模型的误差；选取最小误差对应的候选预测模型作为目标预测模型。
5.如权利要求4所述的应用清理装置，其特征在于，所述第一模型选取单元，包括：
特征类型获取子单元，用于获取所述特征集合中特征信息的特征类型；
模型选取子单元，用于根据所述特征类型从预测模型集合中选取多个不相同的预测模型。
6.一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1至3任一项所述的应用清理方法。
7.一种电子设备，包括处理器和存储器，所述存储器有计算机程序，其特征在于，所述处理器通过调用所述计算机程序，用于执行如权利要求1至3任一项所述的应用清理方法。
CN201711044925.6A 2017-10-31 2017-10-31 应用清理方法、装置、存储介质及电子设备 Expired - Fee Related CN107861769B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711044925.6A CN107861769B (zh) 2017-10-31 2017-10-31 应用清理方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711044925.6A CN107861769B (zh) 2017-10-31 2017-10-31 应用清理方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN107861769A CN107861769A (zh) 2018-03-30
CN107861769B true CN107861769B (zh) 2021-02-02

Family

ID=61697060

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711044925.6A Expired - Fee Related CN107861769B (zh) 2017-10-31 2017-10-31 应用清理方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN107861769B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109087419A (zh) * 2018-07-25 2018-12-25 珠海格力电器股份有限公司 监测频率的设置方法和装置
WO2020206698A1 (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
WO2020206696A1 (zh) * 2019-04-12 2020-10-15 深圳市欢太科技有限公司 应用清理方法、装置、存储介质及电子设备
CN114742307A (zh) * 2022-04-20 2022-07-12 中山大学 一种波浪要素预测方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
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

Patent Citations (1)

* Cited by examiner, † Cited by third party
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

Also Published As

Publication number Publication date
CN107861769A (zh) 2018-03-30

Similar Documents

Publication Publication Date Title
CN108764304B (zh) 场景识别方法、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
CN107678845B (zh) 应用程序管控方法、装置、存储介质及电子设备
AU2018374738B2 (en) Cooperatively operating a network of supervised learning processors to concurrently distribute supervised learning processor training and provide predictive responses to input data
CN107943582B (zh) 特征处理方法、装置、存储介质及电子设备
CN107861769B (zh) 应用清理方法、装置、存储介质及电子设备
CN107704070B (zh) 应用清理方法、装置、存储介质及电子设备
CN107870810B (zh) 应用清理方法、装置、存储介质及电子设备
US20190342182A1 (en) Systems and methods for managing lifecycle and reducing power consumption by learning an iot device
CN107678531B (zh) 应用清理方法、装置、存储介质及电子设备
CN107894827B (zh) 应用清理方法、装置、存储介质及电子设备
CN107748697B (zh) 应用关闭方法、装置、存储介质及电子设备
CN108665007B (zh) 一种基于多分类器的推荐方法、装置及电子设备
US11568249B2 (en) Automated decision making for neural architecture search
CN111405030B (zh) 一种消息推送方法、装置、电子设备和存储介质
US20160328466A1 (en) Label filters for large scale multi-label classification
CN107807730B (zh) 应用清理方法、装置、存储介质及电子设备
US10978054B1 (en) Utilizing machine learning models for determining an optimized resolution path for an interaction
CN113164056A (zh) 睡眠预测方法、装置、存储介质及电子设备
Codispoti et al. Learning from non-experts: an interactive and adaptive learning approach for appliance recognition in smart homes
CN107870809B (zh) 应用关闭方法、装置、存储介质及电子设备
CN107943537B (zh) 应用清理方法、装置、存储介质及电子设备
CN112997148A (zh) 睡眠预测方法、装置、存储介质及电子设备
US11782918B2 (en) Selecting access flow path in complex queries
CN107943535B (zh) 应用清理方法、装置、存储介质及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

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

Applicant after: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd.

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

Applicant before: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd.

GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210202