CN107943534B - 后台应用程序的关闭方法、装置、存储介质及电子设备 - Google Patents
后台应用程序的关闭方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN107943534B CN107943534B CN201711122495.5A CN201711122495A CN107943534B CN 107943534 B CN107943534 B CN 107943534B CN 201711122495 A CN201711122495 A CN 201711122495A CN 107943534 B CN107943534 B CN 107943534B
- Authority
- CN
- China
- Prior art keywords
- application program
- application
- characteristic information
- analysis model
- time series
- 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.)
- Active
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
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Stored Programmes (AREA)
Abstract
本申请实施例公开了一种后台应用程序的关闭方法、装置、存储介质及电子设备,包括:采集应用程序在预设时间段内的特征信息;对所述应用程序对应的特征信息进行训练,生成对应的时间序列分析模型;当接收到后台应用清理指令时,获取后台应用程序列表;获取所述应用程序列表中的应用程序对应的时间序列分析模型及当前特征信息;利用应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果,并根据所述预测结果确定是否关闭所述应用程序。本申请实施例能够提高电子设备的运行流畅度,降低功耗。
Description
技术领域
本申请涉及通信技术领域,具体涉及一种后台应用程序的关闭方法、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,通常会安装多个不同功能的应用程序,以解决用户的不同需求。目前电子设备的系统支持多个应用程序同时运行,即一个应用程序在前台运行,其他应用程序可以在后台运行。如果长时间不清理后台运行的应用程序,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。
目前,清理后台应用程序一般都是由后台管理器根据用户多久没有使用该应用程序,然后弹出对话框,告知用户该应用程序已经很久没有使用了,是否关闭该应用程序。然而,采用这种方式,还需要用户自行判断是否需要关闭该应用程序,若需要关闭该应用程序,那么用户还需要点击关闭按键,以使智能手机执行关闭该应用程序,其不具人性化操作。
因此,有必要提供一种方法解决上述问题。
发明内容
有鉴于此,本申请实施例提供了一种后台应用程序的关闭方法、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;以及能够使得电子设备自学习用户行为习惯,并根据自学习得到的结果自动判断是否关闭应用程序,无需用户手动操作,也无需用户人工判断,全智能化。
第一方面,本申请实施例提供的一种后台应用程序的关闭方法,包括:
采集应用程序在预设时间段内的特征信息;
对所述应用程序对应的特征信息进行训练,生成对应的时间序列分析模型;
当接收到后台应用清理指令时,获取后台应用程序列表;
获取所述应用程序列表中的应用程序对应的时间序列分析模型及当前特征信息;
利用应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果,并根据所述预测结果确定是否关闭所述应用程序。
第二方面,本申请实施例提供的一种后台应用程序的关闭装置,包括:
特征信息采集模块,用于采集应用程序在预设时间段内的特征信息;
模型生成模块,用于对所述应用程序对应的特征信息进行训练,生成对应的时间序列分析模型;
列表获取模块,用于当接收到后台应用清理指令时,获取后台应用程序列表;
模型及当前特征获取模块,用于获取所述应用程序列表中的应用程序对应的时间序列分析模型及当前特征信息;
确定模块,用于利用应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果,并根据所述预测结果确定是否关闭所述应用程序。
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实施例第一方面所述的后台应用程序的关闭方法。
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,其特征在于,所述处理器通过调用所述计算机程序,用于执行如本申请实施例第一方面所述的后台应用程序的关闭方法。
本申请实施例中,通过采集应用程序在预设时间段内的特征信息;对所述应用程序对应的特征信息进行训练,生成对应的时间序列分析模型;当接收到后台应用清理指令时,获取后台应用程序列表;获取所述应用程序列表中的应用程序对应的时间序列分析模型及当前特征信息;利用应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果,并根据所述预测结果确定是否关闭所述应用程序。以此实现了后台应用程序的自动清理,提高了电子设备的运行流畅度,降低了功耗;以及能够使得电子设备自学习用户行为习惯,并根据自学习得到的结果自动判断是否关闭应用程序,无需用户手动操作,也无需用户人工判断,全智能化。
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后台应用程序的关闭方法的应用场景示意图。
图2是本申请实施例提供的后台应用程序的关闭方法的一个流程示意图。
图3是本申请实施例提供的后台应用程序的关闭方法的另一流程示意图。
图4是本申请实施例提供的后台应用程序的关闭装置的一个结构示意图。
图5是本申请实施例提供的后台应用程序的关闭装置的另一结构示意图。
图6是本申请实施例提供的电子设备的一个结构示意图。
图7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后台应用程序的关闭方法,该后台应用程序的关闭方法的执行主体可以是本申请实施例提供的后台应用程序的关闭装置,或者集成了该后台应用程序的关闭装置的电子设备,其中该后台应用程序的关闭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后台应用程序的关闭方法的应用场景示意图,以后台应用程序的关闭装置为电子设备为例,电子设备可以采集应用程序在预设时间段内的特征信息;对所述应用程序对应的特征信息进行训练,生成对应的时间序列分析模型;当接收到后台应用清理指令时,获取后台应用程序列表;获取所述应用程序列表中的应用程序对应的时间序列分析模型及当前特征信息;利用应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果,并根据所述预测结果确定是否关闭所述应用程序。
具体地,例如图1所示,以判断后台运行的应用程序a(如QQ应用、邮箱应用等)是否可以关闭,如采集应用程序a在一个月内的特征信息(如在前台的运行时长和进入前台的时间点,以及在后台的运行时长和进入后台的时间点等),对所述应用程序a对应的特征信息进行训练,得到时间序列分析模型,该时间序列分析模型包括:应用程序a在时间区间对应的使用状态,如在9:00-10:00应用程序a未使用,在12:00-13:00应用程序a正在使用。当接收到后台应用清理指令时,获取后台应用程序列表,该列表中包括应用程序a,那么,先获取应用程序a对应的时间序列分析模型为:应用程序a在时间区间对应的使用状态,如在9:00-10:00应用程序a未使用,在12:00-13:00应用程序a正在使用。并且获取应用程序a的当前系统时间,在后台的运行时长和进入后台的时间点;将该获取的应用程序a的当前系统时间9:31,在后台的运行时长和进入后台的时间点等特征信息输入到时间序列分析模型中进行分析,以得到应用程序a在9:31-10:00应用程序a是不需要使用的,因此,关闭应用程序a。
本申请实施例将从后台应用程序的关闭装置的角度,描述本申请实施例提供后台应用程序的关闭方法,该后台应用程序的关闭装置具体可以集成在电子设备中。该后台应用程序的关闭方法包括:采集应用程序在预设时间段内的特征信息;对所述应用程序对应的特征信息进行训练,生成对应的时间序列分析模型;当接收到后台应用清理指令时,获取后台应用程序列表;获取所述应用程序列表中的应用程序对应的时间序列分析模型及当前特征信息;利用应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果,并根据所述预测结果确定是否关闭所述应用程序。
请参阅图2,图2为本申请实施例提供的后台应用程序的关闭方法的流程示意图。本申请实施例提供的后台应用程序的关闭方法的具体流程可以如下:
步骤S101、采集应用程序在预设时间段内的特征信息;
本实施例所提及的应用程序,可以是电子设备上安装的任何一个应用,例如办公应用(如邮箱应用等)、通信应用(微信应用、QQ应用等)、游戏应用、购物应用等。
该特征信息可以包括应用程序自身相关的特征信息,例如:在前台的运行时长和进入前台的时间点;在后台的运行时长和进入后台的时间点;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:电子设备的系统当前时间、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。
在本实施例中,预设时间段内例如可以是10天、15天、或一个月为例。但并不限于此。
在本实施例中,采集电子设备中的所有应用程序在预设时间段内的特征信息;然而,可以理解的是,也可以只采集用户指定的应用程序在预设时间段内的特征信息。对于未指定的应用程序,那么不采用本实施例提供的后台应用程序的关闭方法进行处理。
步骤S102、对所述应用程序对应的特征信息进行训练,生成对应的时间序列分析模型;
在本实施例中,对所述应用程序对应的特征信息进行求交集,以得到时间点区间;根据所述时间点区间以及所述时间点区间对应的应用程序使用状态,生成对应的时间序列分析模型。
如,同一应用程序以一天采集的特征信息作为一个样本,若预设时间段内例如以10天为例,那么会得到10个样本。此时,对采集的10个样本进行训练,即对这采集的10个样本进行求交集,以得到时间点区间。
如,第1个样本为:应用程序a在24:00-7:00应用程序a未使用,在7:00-9:00应用程序a正在使用,在9:00-12:00应用程序a未使用,在12:00-13:00应用程序a正在使用,在13:00-18:00应用程序a未使用,在18:00-24:00应用程序a正在使用。
第2个样本为:应用程序a在24:00-00:30应用程序a正在使用,00:30-7:00应用程序a未使用,在7:00-9:00应用程序a正在使用,在9:00-12:00应用程序a未使用,在12:00-13:00应用程序a正在使用,在13:00-18:00应用程序a未使用,在18:00-24:00应用程序a正在使用。
第3个样本为:应用程序a在24:00-7:30应用程序a未使用,在7:30-9:00应用程序a正在使用,在9:00-12:00应用程序a未使用,在12:00-13:00应用程序a正在使用,在13:00-18:00应用程序a未使用,在18:00-24:00应用程序a正在使用。
、、、、、、
第10个样本为:应用程序a在24:00-7:30应用程序a未使用,在7:30-9:00应用程序a正在使用,在9:00-12:00应用程序a未使用,在12:00-14:00应用程序a正在使用,在14:00-18:00应用程序a未使用,在18:00-24:00应用程序a正在使用。
那么,对这采集的10个样本进行求交集,以得到时间点区间为00:30-7:00应用程序a未使用,7:30-9:00应用程序a正在使用,在9:00-12:00应用程序a未使用,在12:00-13:00应用程序a正在使用,在14:00-18:00应用程序a未使用,在18:00-24:00应用程序a正在使用。
由于本实施要实现的是预测应用是否可以关闭,因此,所标记的时间点区间标签包括“可关闭”和“不可关闭”。具体可根据用户对应用的历史使用习惯进行标记,例如:历史数据的时间点区间是用户未使用该应用,那么则标记为“可关闭”;再例如,历史数据的时间点区间是用户正在使用该应用,那么则标记为“不可关闭”。具体地,可以用数值“1”表示“可关闭”,用数值“0”表示“不可关闭”,反之亦可。
那么可得到,对应用程序a采集的特征信息进行训练,得到的时间序列分析模型为:时间点区间为00:30-7:00应用程序a未使用,7:30-9:00应用程序a正在使用,在9:00-12:00应用程序a未使用,在12:00-13:00应用程序a正在使用,在14:00-18:00应用程序a未使用,在18:00-24:00应用程序a正在使用。
在一些实施例中,所述对所述应用程序对应的特征信息进行训练,生成对应的时间序列分析模型的步骤,包括:
根据采集的所述应用程序对应的特征信息,生成相关图,进行相关分析,求自相关函数;根据所述自相关函数,对采集的所述应用程序对应的特征信息进行曲线拟合,生成时间序列分析模型。
在一些实施例中,对采集的所述应用程序对应的特征信息进行曲线拟合,生成时间序列分析模型的步骤,包括:
获取适合所述自相关函数的随机模型;利用所述随机模型,对采集的所述应用程序对应的特征信息进行曲线拟合,生成时间序列分析模型。
步骤S103、当接收到后台应用清理指令时,获取后台应用程序列表;
在本实施例中,当用户开启了后台应用清理功能后,那么电子设备会自动获取后台应用程序列表。
在一些实施例中,当应用程序进入后台时,那么生成获取指令,所述获取指令用于获取该应用程序对应的时间序列分析模型及该应用程序的当前特征信息,从而使得利用该时间序列分析模型对所述当前特征信息进行预测,以生成预测结果,并根据所述预测结果确定是否关闭该应用程序。
步骤S104、获取所述应用程序列表中的应用程序对应的时间序列分析模型及当前特征信息;
步骤S105、利用应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果,并根据所述预测结果确定是否关闭所述应用程序。
在本实施例中,步骤S105,包括:
将所述当前特征信息输入至所述应用程序对应的时间序列分析模型中;
确定所述当前特征信息在所述应用程序对应的时间序列分析模型中的时间点区间;
确定所述时间点区间对应的应用程序使用状态,以生成预测结果;其中,所述预测结果为应用程序正在使用或应用程序未使用;
当所述预测结果为应用程序未使用,则关闭所述应用程序。
当所述预测结果为应用程序正在使用,则对该应用程序不做任何处理。
如,应用程序a的时间序列分析模型为:时间点区间为00:30-7:00应用程序a未使用,7:30-9:00应用程序a正在使用,在9:00-12:00应用程序a未使用,在12:00-13:00应用程序a正在使用,在14:00-18:00应用程序a未使用,在18:00-24:00应用程序a正在使用。
如,应用程序a当前特征信息包括:系统当前时间为10:20,在后台的运行时长和进入后台的时间点。那么将该当前特征信息输入至应用程序a的时间序列分析模型中,从而分析出当前时间为10:20落在9:00-12:00的时间点区间内,根据该9:00-12:00的时间点区间对应的是应用程序a未使用,那么关闭所述应用程序a。
在一些实施例中,在关闭应用程序之后,还包括:只有当接收到开启该应用程序的开启指令时,那么才启动该应用程序,以使该应用程序在前台执行。
在另一些实施例中,在关闭应用程序之后,还包括:根据时间序列分析模型中的应用程序正在使用的时间点区间,确定在关闭后的下一个使用时间点,当系统时间到达下一个使用时间点时,那么电子设备自动开启该应用程序,以使该应用程序在前台执行。即可以根据用户行为习惯来预测用户使用应用程序的状态,智能化操作。
在一些实施例中,当获取的当前特征信息包括:关联应用程序时;所述方法还包括:
获取所述关联应用程序对应的时间序列分析模型及当前特征信息;
利用所述关联应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果;
当所述关联应用程序的预测结果为应用程序未使用,关闭所述关联应用程序。
在一些实施例中,当当前特征信息不在时间序列分析模型中的时间点区间中时,那么,所述方法还包括:
分析所述当前特征信息对应的应用程序使用状态在样本集中的比值;
若比值小于预设值,那么关闭该应用程序;
若比值大于或等于预设值,那么对该应用程序不做任何处理。
例如:当前特征信息为系统当前时间为00:30时,那么分析出其在样本集中的比值为1/4,因此,比值为1/4小于预设值2/3,那么关闭该应用程序。
在一些实施例中,在生成预测结果之后,在根据所述预测结果确定是否关闭所述应用程序之前,还包括:
在生成预测结果之后,接收到应用程序的开启指令;
判断所述开启指令对应的应用程序是否为正在分析的应用程序;
若是,则根据所述开启指令,将该应用程序从后台调至前台操作,并直至在指定时间段内用户没有操作该应用程序,那么才关闭该应用程序。
由上可知,本申请实施例中,通过采集应用程序在预设时间段内的特征信息;对所述应用程序对应的特征信息进行训练,生成对应的时间序列分析模型;当接收到后台应用清理指令时,获取后台应用程序列表;获取所述应用程序列表中的应用程序对应的时间序列分析模型及当前特征信息;利用应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果,并根据所述预测结果确定是否关闭所述应用程序。以此实现了后台应用程序的自动清理,提高了电子设备的运行流畅度,降低了功耗;以及能够使得电子设备自学习用户行为习惯,并根据自学习得到的结果自动判断是否关闭应用程序,无需用户手动操作,也无需用户人工判断,全智能化。
下面将在上述实施例描述的方法基础上,对本申请的后台应用程序的关闭方法做进一步介绍。参考图3,本实施例的方法包括:
在步骤S201中,采集应用程序在预设时间段内的特征信息;
本实施例所提及的应用程序,可以是电子设备上安装的任何一个应用,例如办公应用(如邮箱应用等)、通信应用(微信应用、QQ应用等)、游戏应用、购物应用等。
该特征信息可以包括应用程序自身相关的特征信息,例如:在前台的运行时长和进入前台的时间点;在后台的运行时长和进入后台的时间点;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:电子设备的系统当前时间、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。
在本实施例中,预设时间段内例如可以是10天、15天、或一个月为例。但并不限于此。
在本实施例中,采集电子设备中的所有应用程序在预设时间段内的特征信息;然而,可以理解的是,也可以只采集用户指定的应用程序在预设时间段内的特征信息。对于未指定的应用程序,那么不采用本实施例提供的后台应用程序的关闭方法进行处理。
在步骤S202中,对所述应用程序对应的特征信息进行求交集,以得到时间点区间;
如,同一应用程序以一天采集的特征信息作为一个样本,若预设时间段内例如以10天为例,那么会得到10个样本。此时,对这采集的10个样本进行求交集,以得到时间点区间。
如,第1个样本为:应用程序a在24:00-7:00应用程序a未使用,在7:00-9:00应用程序a正在使用,在9:00-12:00应用程序a未使用,在12:00-13:00应用程序a正在使用,在13:00-18:00应用程序a未使用,在18:00-24:00应用程序a正在使用。
第2个样本为:应用程序a在24:00-00:30应用程序a正在使用,00:30-7:00应用程序a未使用,在7:00-9:00应用程序a正在使用,在9:00-12:00应用程序a未使用,在12:00-13:00应用程序a正在使用,在13:00-18:00应用程序a未使用,在18:00-24:00应用程序a正在使用。
第3个样本为:应用程序a在24:00-7:30应用程序a未使用,在7:30-9:00应用程序a正在使用,在9:00-12:00应用程序a未使用,在12:00-13:00应用程序a正在使用,在13:00-18:00应用程序a未使用,在18:00-24:00应用程序a正在使用。
、、、、、、
第10个样本为:应用程序a在24:00-7:30应用程序a未使用,在7:30-9:00应用程序a正在使用,在9:00-12:00应用程序a未使用,在12:00-14:00应用程序a正在使用,在14:00-18:00应用程序a未使用,在18:00-24:00应用程序a正在使用。
那么,对这采集的10个样本进行求交集,以得到时间点区间为00:30-7:00应用程序a未使用,7:30-9:00应用程序a正在使用,在9:00-12:00应用程序a未使用,在12:00-13:00应用程序a正在使用,在14:00-18:00应用程序a未使用,在18:00-24:00应用程序a正在使用。
在步骤S203中,根据所述时间点区间以及所述时间点区间对应的应用程序使用状态,生成对应的时间序列分析模型。
由于本实施要实现的是预测应用是否可以关闭,因此,所标记的时间点区间标签包括“可关闭”和“不可关闭”。具体可根据用户对应用的历史使用习惯进行标记,例如:历史数据的时间点区间是用户未使用该应用,那么则标记为“可关闭”;再例如,历史数据的时间点区间是用户正在使用该应用,那么则标记为“不可关闭”。具体地,可以用数值“1”表示“可关闭”,用数值“0”表示“不可关闭”,反之亦可。
那么可得到,对应用程序a采集的特征信息进行求交集,得到的时间序列分析模型为:时间点区间为00:30-7:00应用程序a未使用,7:30-9:00应用程序a正在使用,在9:00-12:00应用程序a未使用,在12:00-13:00应用程序a正在使用,在14:00-18:00应用程序a未使用,在18:00-24:00应用程序a正在使用。
交集之外的时间点区间为24:00-00:30应用程序a正在使用,13:00-14:00应用程序a正在使用。7:00-7:30应用程序a未使用。
对于交集之外的时间点区间,那么采用该交集之外的时间点区间对应的应用程序使用状态在样本集中的比值;
若比值小于预设值,那么关闭该应用程序;
若比值大于或等于预设值,那么对该应用程序不做任何处理。
例如:当前特征信息为系统当前时间为00:30时,那么分析出其在样本集中的比值为1/4,因此,比值为1/4小于预设值2/3,那么关闭该应用程序。
在步骤S204中,当接收到后台应用清理指令时,获取后台应用程序列表;
在本实施例中,当用户开启了后台应用清理功能后,那么电子设备会自动获取后台应用程序列表。
在步骤S205中,获取所述应用程序列表中的应用程序对应的时间序列分析模型及当前特征信息;
在步骤S206中,将所述当前特征信息输入至所述应用程序对应的时间序列分析模型中;
在步骤S207中,确定所述当前特征信息在所述应用程序对应的时间序列分析模型中的时间点区间;
在步骤S208中,确定所述时间点区间对应的应用程序使用状态,以生成预测结果;其中,所述预测结果为应用程序正在使用或应用程序未使用;
在步骤S209中,当所述预测结果为应用程序未使用,则关闭所述应用程序。
如,应用程序a的时间序列分析模型为:时间点区间为00:30-7:00应用程序a未使用,7:30-9:00应用程序a正在使用,在9:00-12:00应用程序a未使用,在12:00-13:00应用程序a正在使用,在14:00-18:00应用程序a未使用,在18:00-24:00应用程序a正在使用。
如,应用程序a当前特征信息包括:系统当前时间为10:20,在后台的运行时长和进入后台的时间点。那么将该当前特征信息输入至应用程序a的时间序列分析模型中,从而分析出当前时间为10:20落在9:00-12:00的时间点区间内,根据该9:00-12:00的时间点区间对应的是应用程序a未使用,那么关闭所述应用程序a。
由上可知,本申请实施例中,通过采集应用程序在预设时间段内的特征信息;对所述应用程序对应的特征信息进行求交集,以得到时间点区间;根据所述时间点区间以及所述时间点区间对应的应用程序使用状态,生成对应的时间序列分析模型;当接收到后台应用清理指令时,获取后台应用程序列表;获取所述应用程序列表中的应用程序对应的时间序列分析模型及当前特征信息;利用应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果,并根据所述预测结果确定是否关闭所述应用程序。以此实现了后台应用程序的自动清理,提高了电子设备的运行流畅度,降低了功耗;以及能够使得电子设备自学习用户行为习惯,并根据自学习得到的结果自动判断是否关闭应用程序,无需用户手动操作,也无需用户人工判断,全智能化。
请参阅图4及图5,图4及图5为本申请实施例提供的后台应用程序的关闭装置的结构示意图。其中该后台应用程序的关闭装置应用于电子设备,该后台应用程序的关闭装置包括:特征信息采集模块301、模型生成模块302、列表获取模块303、模型及当前特征获取模块304、确定模块305。其中,所述后台应用程序的关闭装置可以为内置于电子设备中的软件单元、硬件单元或者是软硬件结合的单元。
特征信息采集模块301,用于采集应用程序在预设时间段内的特征信息;
模型生成模块302,用于对所述应用程序对应的特征信息进行训练,生成对应的时间序列分析模型;
列表获取模块303,用于当接收到后台应用清理指令时,获取后台应用程序列表;
模型及当前特征获取模块304,用于获取所述应用程序列表中的应用程序对应的时间序列分析模型及当前特征信息;
确定模块305,用于利用应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果,并根据所述预测结果确定是否关闭所述应用程序。
在一些实施例中,所述模型生成模块302,包括:
相关图生成模块3021,用于根据采集的所述应用程序对应的特征信息,生成相关图,进行相关分析,求自相关函数;
曲线拟合模块3022,用于根据所述自相关函数,对采集的所述应用程序对应的特征信息进行曲线拟合,以生成时间序列分析模型。
在一些实施例中,所述确定模块305,包括:
输入模块3051,用于将所述当前特征信息输入至所述应用程序对应的时间序列分析模型中;
区间确定模块3052,用于确定所述当前特征信息在所述应用程序对应的时间序列分析模型中的时间点区间;
使用状态确定模块3053,用于确定所述时间点区间对应的应用程序使用状态,以生成预测结果;其中,所述预测结果为应用程序正在使用或应用程序未使用;
关闭模块3054,用于当所述预测结果为应用程序未使用,则关闭所述应用程序。
在一些实施例中,当获取的当前特征信息包括:关联应用程序时;所述装置还包括:
关联获取模块306,用于获取所述关联应用程序对应的时间序列分析模型及当前特征信息;
预测结果生成模块307,用于利用所述关联应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果;
关联关闭模块308,用于当所述关联应用程序的预测结果为应用程序未使用,关闭所述关联应用程序。
在一些实施例中,所述曲线拟合模块3022,包括:
随机模型获取模块,用于获取适合所述自相关函数的随机模型;
时间序列分析模型生成模块,用于利用所述随机模型,对采集的所述应用程序对应的特征信息进行曲线拟合,生成时间序列分析模型。
在一些实施例中,所述模型生成模块302,包括:
交集计算模块501,用于对所述应用程序对应的特征信息进行求交集,以得到时间点区间;
生成模块502,用于根据所述时间点区间以及所述时间点区间对应的应用程序使用状态,生成对应的时间序列分析模型。
由上可知,本实施例采用在电子设备中,由特征信息采集模块301采集应用程序在预设时间段内的特征信息;模型生成模块302对所述应用程序对应的特征信息进行训练,生成对应的时间序列分析模型;当接收到后台应用清理指令时,列表获取模块303获取后台应用程序列表;模型及当前特征获取模块304获取所述应用程序列表中的应用程序对应的时间序列分析模型及当前特征信息;确定模块305利用应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果,并根据所述预测结果确定是否关闭所述应用程序。以此实现了后台应用程序的自动清理,提高了电子设备的运行流畅度,降低了功耗;以及能够使得电子设备自学习用户行为习惯,并根据自学习得到的结果自动判断是否关闭应用程序,无需用户手动操作,也无需用户人工判断,全智能化。
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,以上各个模块的具体实施可参见前面的方法实施例,在此不再赘述。
本申请实施例还提供一种电子设备。请参阅图6,电子设备600包括处理器601以及存储器602。其中,处理器601与存储器602电性连接。
所述处理器600是电子设备600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602内的计算机程序,以及调用存储在存储器602内的数据,执行电子设备600的各种功能并处理数据,从而对电子设备600进行整体监控。
所述存储器602可用于存储软件程序以及模块,处理器601通过运行存储在存储器602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602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602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602还可以包括存储器控制器,以提供处理器601对存储器602的访问。
在本申请实施例中,电子设备600中的处理器601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602中,并由处理器601运行存储在存储器602中的计算机程序,从而实现各种功能,如下:
采集应用程序在预设时间段内的特征信息;
对所述应用程序对应的特征信息进行训练,生成对应的时间序列分析模型;
当接收到后台应用清理指令时,获取后台应用程序列表;
获取所述应用程序列表中的应用程序对应的时间序列分析模型及当前特征信息;
利用应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果,并根据所述预测结果确定是否关闭所述应用程序。
在一些实施例中,所述对所述应用程序对应的特征信息进行训练,生成对应的时间序列分析模型的步骤,包括:
根据采集的所述应用程序对应的特征信息,生成相关图,进行相关分析,求自相关函数;
根据所述自相关函数,对采集的所述应用程序对应的特征信息进行曲线拟合,生成时间序列分析模型。
在一些实施例中,所述利用应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果,并根据所述预测结果确定是否关闭所述应用程序的步骤,包括:
将所述当前特征信息输入至所述应用程序对应的时间序列分析模型中;
确定所述当前特征信息在所述应用程序对应的时间序列分析模型中的时间点区间;
确定所述时间点区间对应的应用程序使用状态,以生成预测结果;其中,所述预测结果为应用程序正在使用或应用程序未使用;
当所述预测结果为应用程序未使用,则关闭所述应用程序。
在一些实施例中,当获取的当前特征信息包括:关联应用程序时;所述方法还包括:
获取所述关联应用程序对应的时间序列分析模型及当前特征信息;
利用所述关联应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果;
当所述关联应用程序的预测结果为应用程序未使用,关闭所述关联应用程序。
在一些实施例中,所述对所述应用程序对应的特征信息进行训练,生成对应的时间序列分析模型的步骤,包括:
对所述应用程序对应的特征信息进行求交集,以得到时间点区间;
根据所述时间点区间以及所述时间点区间对应的应用程序使用状态,生成对应的时间序列分析模型。
在一些实施例中,对采集的所述应用程序对应的特征信息进行曲线拟合,生成时间序列分析模型的步骤,包括:
获取适合所述自相关函数的随机模型;
利用所述随机模型,对采集的所述应用程序对应的特征信息进行曲线拟合,生成时间序列分析模型。
由上述可知,本申请实施例的电子设备,通过采集应用程序在预设时间段内的特征信息;对所述应用程序对应的特征信息进行训练,生成对应的时间序列分析模型;当接收到后台应用清理指令时,获取后台应用程序列表;获取所述应用程序列表中的应用程序对应的时间序列分析模型及当前特征信息;利用应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果,并根据所述预测结果确定是否关闭所述应用程序。以此实现了后台应用程序的自动清理,提高了电子设备的运行流畅度,降低了功耗;以及能够使得电子设备自学习用户行为习惯,并根据自学习得到的结果自动判断是否关闭应用程序,无需用户手动操作,也无需用户人工判断,全智能化。
请一并参阅图7,在某些实施方式中,电子设备600还可以包括:显示器603、射频电路604、音频电路605以及电源606。其中,其中,显示器603、射频电路604、音频电路605以及电源606分别与处理器601电性连接。
所述显示器603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603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604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605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606可以用于给电子设备600的各个部件供电。在一些实施例中,电源606可以通过电源管理系统与处理器601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7中未示出,电子设备600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后台应用程序的关闭方法,比如:采集应用程序在预设时间段内的特征信息;对所述应用程序对应的特征信息进行训练,生成对应的时间序列分析模型;当接收到后台应用清理指令时,获取后台应用程序列表;获取所述应用程序列表中的应用程序对应的时间序列分析模型及当前特征信息;利用应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果,并根据所述预测结果确定是否关闭所述应用程序。
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,对本申请实施例的后台应用程序的关闭方法而言,本领域普通决策人员可以理解实现本申请实施例的后台应用程序的关闭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后台应用程序的关闭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。
对本申请实施例的后台应用程序的关闭装置而言,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后台应用程序的关闭方法、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 (10)
1.一种后台应用程序的关闭方法,其特征在于,包括:
采集应用程序在预设时间段内的特征信息;
对所述应用程序对应的特征信息进行求交集训练,以得到时间点区间;生成相关图,进行相关分析,求自相关函数;根据所述时间点区间以及所述时间点区间对应的应用程序使用状态和所述自相关函数,对采集的所述应用程序对应的特征信息进行曲线拟合,生成对应的时间序列分析模型;
当应用程序进入后台时,生成获取指令,所述获取指令用于获取所述应用程序对应的时间序列分析模型及所述应用程序的当前特征信息;
利用应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果,并根据所述预测结果确定是否关闭所述应用程序;
在关闭应用程序之后,根据时间序列分析模型中的应用程序正在使用的时间点区间,确定在关闭后的下一个使用时间点,当系统时间到达下一个使用时间点时,电子设备自动开启所述应用程序,以使所述应用程序在前台执行。
2.根据权利要求1所述的后台应用程序的关闭方法,其特征在于,所述利用应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果,并根据所述预测结果确定是否关闭所述应用程序的步骤,包括:
将所述当前特征信息输入至所述应用程序对应的时间序列分析模型中;
确定所述当前特征信息在所述应用程序对应的时间序列分析模型中的时间点区间;
确定所述时间点区间对应的应用程序使用状态,以生成预测结果;其中,所述预测结果为应用程序正在使用或应用程序未使用;
当所述预测结果为应用程序未使用,则关闭所述应用程序。
3.根据权利要求2所述的后台应用程序的关闭方法,其特征在于,当获取的当前特征信息包括:关联应用程序时;所述方法还包括:
获取所述关联应用程序对应的时间序列分析模型及当前特征信息;
利用所述关联应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果;
当所述关联应用程序的预测结果为应用程序未使用,关闭所述关联应用程序。
4.根据权利要求1所述的后台应用程序的关闭方法,其特征在于,对采集的所述应用程序对应的特征信息进行曲线拟合,生成时间序列分析模型的步骤,包括:
获取适合所述自相关函数的随机模型;
利用所述随机模型,对采集的所述应用程序对应的特征信息进行曲线拟合,生成时间序列分析模型。
5.一种后台应用程序的关闭装置,其特征在于,包括:
特征信息采集模块,用于采集应用程序在预设时间段内的特征信息;
模型生成模块,用于对所述应用程序对应的特征信息进行求交集训练,生成对应的时间序列分析模型;
模型及当前特征获取模块,用于当应用程序进入后台时,生成获取指令,所述获取指令用于获取所述应用程序对应的时间序列分析模型及所述应用程序的当前特征信息;
确定模块,用于利用应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果,并根据所述预测结果确定是否关闭所述应用程序;
开启模块,用于在关闭应用程序之后,根据时间序列分析模型中的应用程序正在使用的时间点区间,确定在关闭后的下一个使用时间点,当系统时间到达下一个使用时间点时,电子设备自动开启所述应用程序,以使所述应用程序在前台执行;
其中,所述模型生成模块,包括:
相关图生成模块,用于对所述应用程序对应的特征信息进行求交集训练,以得到时间点区间;生成相关图,进行相关分析,求自相关函数;
曲线拟合模块,用于根据所述时间点区间以及所述时间点区间对应的应用程序使用状态和所述自相关函数,对采集的所述应用程序对应的特征信息进行曲线拟合,生成对应的时间序列分析模型。
6.根据权利要求5所述的后台应用程序的关闭装置,其特征在于,所述确定模块,包括:
输入模块,用于将所述当前特征信息输入至所述应用程序对应的时间序列分析模型中;
区间确定模块,用于确定所述当前特征信息在所述应用程序对应的时间序列分析模型中的时间点区间;
使用状态确定模块,用于确定所述时间点区间对应的应用程序使用状态,以生成预测结果;其中,所述预测结果为应用程序正在使用或应用程序未使用;
关闭模块,用于当所述预测结果为应用程序未使用,则关闭所述应用程序。
7.根据权利要求6所述的后台应用程序的关闭装置,其特征在于,当获取的当前特征信息包括:关联应用程序时;所述装置还包括:
关联获取模块,用于获取所述关联应用程序对应的时间序列分析模型及当前特征信息;
预测结果生成模块,用于利用所述关联应用程序对应的时间序列分析模型对所述当前特征信息进行预测,以生成预测结果;
关联关闭模块,用于当所述关联应用程序的预测结果为应用程序未使用,关闭所述关联应用程序。
8.根据权利要求5所述的后台应用程序的关闭装置,其特征在于,所述曲线拟合模块,包括:
随机模型获取模块,用于获取适合所述自相关函数的随机模型;
时间序列分析模型生成模块,用于利用所述随机模型,对采集的所述应用程序对应的特征信息进行曲线拟合,生成时间序列分析模型。
9.一种存储介质,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4任一项所述的后台应用程序的关闭方法。
10.一种电子设备,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4任一项所述的后台应用程序的关闭方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711122495.5A CN107943534B (zh) | 2017-11-14 | 2017-11-14 | 后台应用程序的关闭方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711122495.5A CN107943534B (zh) | 2017-11-14 | 2017-11-14 | 后台应用程序的关闭方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107943534A CN107943534A (zh) | 2018-04-20 |
CN107943534B true CN107943534B (zh) | 2021-02-02 |
Family
ID=61934068
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711122495.5A Active CN107943534B (zh) | 2017-11-14 | 2017-11-14 | 后台应用程序的关闭方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107943534B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932140A (zh) * | 2018-07-13 | 2018-12-04 | 重庆邮电大学 | 基于安卓用户行为习惯的清理后台应用程序的方法 |
CN111050385A (zh) * | 2018-10-15 | 2020-04-21 | 中兴通讯股份有限公司 | 一种应用清理方法、装置、设备及可读存储介质 |
CN109753316A (zh) * | 2018-11-22 | 2019-05-14 | 惠州Tcl移动通信有限公司 | 智能终端及其控制方法、具有存储功能的装置 |
CN112997149B (zh) * | 2018-12-29 | 2023-06-13 | 深圳市欢太科技有限公司 | 应用程序的管理方法、装置、存储介质及电子设备 |
WO2020133414A1 (zh) * | 2018-12-29 | 2020-07-02 | 深圳市欢太科技有限公司 | 应用程序的管理方法、装置、存储介质及电子设备 |
CN113439253B (zh) * | 2019-04-12 | 2023-08-22 | 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 |
CN113412474A (zh) * | 2019-04-12 | 2021-09-17 | 深圳市欢太科技有限公司 | 应用程序的管理方法、装置、存储介质及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103092685A (zh) * | 2012-12-21 | 2013-05-08 | 广东欧珀移动通信有限公司 | 一种关闭应用程序的方法及装置 |
WO2013086960A1 (zh) * | 2011-12-14 | 2013-06-20 | 华为终端有限公司 | 一种处理应用程序的方法及无线手持设备 |
CN104834675A (zh) * | 2015-04-02 | 2015-08-12 | 浪潮集团有限公司 | 一种基于用户行为分析的查询性能优化方法 |
CN105446776A (zh) * | 2015-11-20 | 2016-03-30 | 北京金山安全软件有限公司 | 一种应用程序关闭方法、装置及电子设备 |
CN105487635A (zh) * | 2015-11-25 | 2016-04-13 | 北京奇虎科技有限公司 | 后台运行应用的管理方法及终端 |
CN106227844A (zh) * | 2016-07-27 | 2016-12-14 | 深圳市金立通信设备有限公司 | 一种应用推荐的方法以及终端 |
CN106572250A (zh) * | 2016-10-31 | 2017-04-19 | 努比亚技术有限公司 | 清理移动终端后台应用程序的方法及装置 |
CN107092520A (zh) * | 2017-04-18 | 2017-08-25 | 广东欧珀移动通信有限公司 | 应用程序的推荐方法、装置、存储介质及移动终端 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8510743B2 (en) * | 2007-10-31 | 2013-08-13 | Google Inc. | Terminating computer applications |
-
2017
- 2017-11-14 CN CN201711122495.5A patent/CN107943534B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013086960A1 (zh) * | 2011-12-14 | 2013-06-20 | 华为终端有限公司 | 一种处理应用程序的方法及无线手持设备 |
CN103092685A (zh) * | 2012-12-21 | 2013-05-08 | 广东欧珀移动通信有限公司 | 一种关闭应用程序的方法及装置 |
CN104834675A (zh) * | 2015-04-02 | 2015-08-12 | 浪潮集团有限公司 | 一种基于用户行为分析的查询性能优化方法 |
CN105446776A (zh) * | 2015-11-20 | 2016-03-30 | 北京金山安全软件有限公司 | 一种应用程序关闭方法、装置及电子设备 |
CN105487635A (zh) * | 2015-11-25 | 2016-04-13 | 北京奇虎科技有限公司 | 后台运行应用的管理方法及终端 |
CN106227844A (zh) * | 2016-07-27 | 2016-12-14 | 深圳市金立通信设备有限公司 | 一种应用推荐的方法以及终端 |
CN106572250A (zh) * | 2016-10-31 | 2017-04-19 | 努比亚技术有限公司 | 清理移动终端后台应用程序的方法及装置 |
CN107092520A (zh) * | 2017-04-18 | 2017-08-25 | 广东欧珀移动通信有限公司 | 应用程序的推荐方法、装置、存储介质及移动终端 |
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 |
---|---|
CN107943534A (zh) | 2018-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107943534B (zh) | 后台应用程序的关闭方法、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 | |
CN107678803B (zh) | 应用管控方法、装置、存储介质及电子设备 | |
CN107809542B (zh) | 应用程序控制方法、装置、存储介质和电子设备 | |
CN107835311B (zh) | 应用管理方法、装置、存储介质及电子设备 | |
KR102076892B1 (ko) | 백그라운드 애플리케이션 관리 방법 및 장치 | |
WO2019072200A1 (zh) | 资源管理的方法及终端设备 | |
CN107678800B (zh) | 后台应用清理方法、装置、存储介质及电子设备 | |
WO2019062413A1 (zh) | 应用程序管控方法、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 | |
WO2019024642A1 (zh) | 进程控制方法、装置、存储介质以及电子设备 | |
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 | |
CN107870810B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN107967358A (zh) | 目标地点的推荐方法、装置、存储介质及移动终端 | |
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 | |
CN108536357A (zh) | 应用显示方法、装置、存储介质及电子设备 | |
CN108932093A (zh) | 分屏应用切换方法、装置、存储介质和电子设备 | |
CN107943570B (zh) | 应用管理方法、装置、存储介质及电子设备 | |
CN109144447A (zh) | 分屏窗口调节方法、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 | |
CN107797832B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN108038050B (zh) | 性能调整方法、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 | ||
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 |