CN107943571A - 后台应用管控方法、装置、存储介质及电子设备 - Google Patents
后台应用管控方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN107943571A CN107943571A CN201711124619.3A CN201711124619A CN107943571A CN 107943571 A CN107943571 A CN 107943571A CN 201711124619 A CN201711124619 A CN 201711124619A CN 107943571 A CN107943571 A CN 107943571A
- Authority
- CN
- China
- Prior art keywords
- parameter
- characteristic parameter
- target signature
- prediction result
- characteristic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 73
- 241000208340 Araliaceae Species 0.000 claims description 18
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 18
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 18
- 235000008434 ginseng Nutrition 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 235000013399 edible fruits Nutrition 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 7
- 230000005611 electricity Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000060 site-specific infrared dichroism spectroscopy Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
Abstract
本申请公开了一种后台应用管控方法、装置、存储介质及电子设备,所述方法包括:将各个特征参数组中的多个特征参数组合作为训练数据,分别输入算法模型,得到训练预测结果;若训练预测结果正确,则获取相应的目标特征参数组合;获取多个目标特征参数组合中各个特征参数的出现概率;从特征参数中选取出现概率高于预设概率阈值的目标特征参数;将预设后台应用当前的多个特征参数输入算法模型,在算法模型中,提高多个特征参数中目标特征参数的权重进行预测,得到目标预测结果;根据目标预测结果对预设后台应用进行管控。可以提高对预设后台应用进行预测的准确性,从而提升对进入后台的应用程序进行管控的准确性。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种后台应用管控方法、装置、存储介质及电子设备。
背景技术
清理后台应用是一种常用且有效的减少内存占用、降低功耗的方法。但后台应用不能随意清理,若接下来即将使用该后台应用,但却被清理,则需要重新启动,启动时间长,功耗也相应增加。因此,需要准确判别后台应用是否可清理具有重要意义。传统判断后台应用可清理的方法为基于统计的方法,比如保留最常用的应用,清理不常用的应用。但是该清理方法存在预测精度不够的问题。
发明内容
本申请提供一种后台应用管控方法、装置、存储介质及电子设备,能够提升对应用程序进行管控的准确性。
第一方面,本申请实施例提供一种后台应用管控方法,应用于电子设备,包括步骤:
将各个特征参数组中的多个特征参数组合作为训练数据分别输入算法模型,得到训练预测结果;
若所述训练预测结果正确,则获取相应的目标特征参数组合;
获取多个所述目标特征参数组合中各个特征参数的出现概率;
从所述特征参数中选取出现概率高于预设概率阈值的目标特征参数;
将预设后台应用当前的多个特征参数输入所述算法模型,在所述算法模型中,提高所述多个特征参数中所述目标特征参数的权重进行预测,得到目标预测结果;
根据所述目标预测结果对所述预设后台应用进行管控。
第二方面,本申请实施例提供一种后台应用管控装置,应用于电子设备,包括:
第一预测单元,用于将各个特征参数组中的多个特征参数组合分别输入算法模型,得到预测结果;
第一获取单元,用于若所述预测结果正确,则获取相应的目标特征参数组合;
出现概率获取单元,用于获取多个所述目标特征参数组合中各个特征参数的出现概率;
目标特征参数获取单元,用于从所述特征参数中选取出现概率高于预设概率阈值的目标特征参数;
第二预测单元,将预设后台应用当前的多个特征参数输入所述算法模型,在所述算法模型中,提高所述多个特征参数中所述目标特征参数的权重进行预测,得到目标预测结果;
控制单元,用于根据所述目标预测结果对所述预设后台应用进行管控。
第三方面,本申请实施例提供一种存储介质,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上述的后台应用管控方法。
第四方面,本申请实施例提供一种电子设备,包括处理器和存储器,所述存储器有计算机程序,所述处理器通过调用所述计算机程序,用于执行上述的后台应用管控方法。
本申请实施例提供的后台应用管控方法、装置、存储介质及电子设备,通过将各个特征参数组中的多个特征参数组合作为训练数据,分别输入算法模型,得到训练预测结果;若训练预测结果正确,则获取相应的目标特征参数组合;获取多个目标特征参数组合中各个特征参数的出现概率;从特征参数中选取出现概率高于预设概率阈值的目标特征参数;将预设后台应用当前的多个特征参数输入算法模型,在算法模型中,提高多个特征参数中目标特征参数的权重进行预测,得到目标预测结果;根据目标预测结果对预设后台应用进行管控。可以提高对预设后台应用进行预测的准确性,从而提升对进入后台的应用程序进行管控的准确性。
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为本申请实施例提供的后台应用管控装置的系统示意图;
图2为本申请实施例提供的后台应用管控装置的应用场景示意图;
图3为本申请实施例提供的后台应用管控方法的流程示意图;
图4为本申请实施例提供的选取目标特征参数的流程示意图;
图5为本申请实施例提供的选取目标特征参数的另一流程示意图;
图6为本申请实施例提供的后台应用管控方法的另一流程示意图;
图7为本申请实施例提供的后台应用管控方法的又一流程示意图;
图8为本申请实施例提供的后台应用管控装置的第一种结构示意图;
图9为本申请实施例提供的后台应用管控装置的第二种结构示意图;
图10为本申请实施例提供的后台应用管控装置的第三种结构示意图;
图11为本申请实施例提供的后台应用管控装置的第四种结构示意图;
图12为本申请实施例提供的后台应用管控装置的第五种结构示意图;
图13为本申请实施例提供的电子设备的结构示意图;
图14为本申请实施例提供的电子设备的另一结构示意图。
具体实施方式
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。
请参阅图1,图1为本申请实施例提供的后台应用管控装置的系统示意图。该后台应用管控装置主要用于:将各个特征参数组中的多个特征参数组合作为训练数据分别输入算法模型,得到训练预测结果;若训练预测结果正确,则获取相应的目标特征参数组合;从多个目标特征参数组合中,选取至少一个特征参数为目标特征参数;将预设后台应用当前的多个特征参数输入算法模型,在算法模型中,提高多个特征参数中目标特征参数的权重进行预测,得到目标预测结果;根据目标预测结果对预设后台应用进行管控,例如关闭、或者冻结等。
具体的,请参阅图2,图2为本申请实施例提供的后台应用管控装置的应用场景示意图。比如,后台应用管控装置在接收到管控请求时,检测到在电子设备的后台运行的应用程序包括预设后台应用a、预设后台应用b以及预设后台应用c;然后获取对应预设后台应用a、预设后台应用b以及预设后台应用c的多个特征参数,将多个特征参数输入算法模型;分别得到概率a’、概率b’和概率c’;根据概率a’、概率b’以及概率c’分别对后台运行的预设后台应用a、预设后台应用b以及预设后台应用c进行管控,例如将概率最低的预设后台应用b关闭。
本申请实施例提供一种后台应用管控方法,该后台应用管控方法的执行主体可以是本申请实施例提供的后台应用管控装置,或者集成了该后台应用管控装置的电子设备,其中该后台应用管控装置可以采用硬件或者软件的方式实现。
本申请实施例将从后台应用管控装置的角度进行描述,该后台应用管控装置具体可以集成在电子设备中。该后台应用管控方法包括:将各个特征参数组中的多个特征参数组合作为训练数据分别输入算法模型,得到训练预测结果;若训练预测结果正确,则获取相应的目标特征参数组合;从多个目标特征参数组合中,选取至少一个特征参数为目标特征参数;将预设后台应用当前的多个特征参数输入算法模型,在算法模型中,提高多个特征参数中目标特征参数的权重进行预测,得到目标预测结果;根据目标预测结果对预设后台应用进行管控。
请参阅图3,图3为本申请实施例提供的后台应用管控方法的流程示意图。本申请实施例提供的后台应用管控方法应用于电子设备,具体流程可以如下:
步骤101,将各个特征参数组中的多个特征参数组合作为训练数据,分别输入算法模型,得到训练预测结果。
特征参数组为对应后台应用的多个维度的特征参数集合,为预先获取的训练样本,特征参数组内的特征参数对应后台应用的运行参数,一个具体的特征参数组可以如下表1所示,包括多个维度的特征信息,需要说明的是,表1所示的特征参数仅为举例,实际中,一个特征参数组所包含的特征参数的数量,可以多于比表1所示特征参数的数量,也可以少于表1所示特征参数的数量,所取的具体特征参数也可以与表1所示不同,此处不作具体限定。
表1
特征参数组合为从其中一个特征参数组中选取部分特征参数形成的,如表2所示,一个特征参数组合为从特征参数组中选取10个特征参数。
维度 | 特征参数 |
1 | 切入到后台期间,电子设备的灭屏时长 |
2 | 每天处于前台的时间 |
3 | 应用的类型,包括一级(常用应用),二级(其他应用) |
4 | 电子设备的亮屏时间 |
5 | 电子设备的当前电量 |
6 | 当前无线网状态 |
7 | 应用每次在前台被使用的时长 |
8 | 当前前台应用进入到后台到目标应用进入前台的平均时间间隔 |
9 | 当前前台应用进入到后台到目标应用进入前台期间的平均灭屏时间 |
10 | 应用在后台停留时间的直方图中的每个预设区间的次数占比 |
表2
需要说明的是,表2中的维度仅是对一个特征参数组合中特征参数的举例,并不表示对特征参数的维度进行限定。在某些实施方式中,可以根据实际需要选择特征参数。
训练样本包括多个特征参数组,每个特征参数组内包括的特征参数不同,每个特征参数组包括多个特征参数组合,每个特征参数组合从对应的特征参数组中提取不同的特征参数,然后将这些特征参数组合作为训练数据分别输入到算法模型内,算法模型根据这些特征参数组合得到对应的训练预测结果。
需要说明的是,同一个特征参数组合,也对应多个特征参数值组合,同一个特征参数组合内的特征参数可以对应不同的特征参数值。一个特征参数的特征参数值如表3所示。
Wifi状态变化 | SSID | BSSID | 时间戳 |
连接wifi | ... | ... | 1457605111510 |
断开wifi | ... | ... | 1457605131286 |
... | ... |
表3:Wifi记录
步骤102,若训练预测结果正确,则获取相应的目标特征参数组合。
训练预测结果为算法模型根据输入数据计算得出的,对应后台应用,包括两种结果,如0表示可以清理,1表示不可以清理。训练样本数据里面包括了样本预测结果,然后将算法模型计算出来的训练预测结果与样本预测结果进行比较。
若训练预测结果正确,即训练预测结果与样本预测结果一致,则获取相应的目标特征参数组合。
步骤103,获取多个目标特征参数组合中各个特征参数的出现概率;
只要训练结果正确的特征参数组合即为目标特征参数组合,如此就获取了多个目标特征参数组合。将多个目标特征参数组合中的特征参数进行统计,因为每个目标特征参数组合中的特征参数都不同,所以需要计算各个特征参数出现概率,即任意一个特征参数出现在目标特征参数组合中的概率,如总共有100个目标特征参数组合,里面有50个目标特征参数组合包括一个特征参数X,则特征参数X的出现概率则为50%。
步骤104,从特征参数中选取出现概率高于预设概率阈值的目标特征参数;
统计得到目标特征参数组合各个特征参数的出现概率后,从中选取出现概率高于预设概率阈值的特征参数为目标特征参数。
具体的,可以预先设置一个预设概率阈值,如60%,则只要出现概率高于预设概率阈值的特征参数即为目标特征参数。
也可以根据出现概率的大小排序,得到一个列表,然后选取其中一个出现概率为预设概率阈值,如排名第3的出现概率为预设概率阈值,则排名第1和第二的出现概率对应的特征参数为目标特征参数。
请一并参阅图4,图4为本申请实施例提供的选取目标特征参数的流程示意图。在本实施方式中,从特征参数中选取出现概率高于预设概率阈值的目标特征参数的步骤,具体流程可以如下:
步骤1041,从特征参数中选取出现概率高于预设概率阈值的待选特征参数。
统计得到目标特征参数组合各个特征参数的出现概率后,从中选取出现概率高于预设概率阈值的特征参数为待选特征参数。
具体的,可以预先设置一个预设概率阈值,如60%,则只要出现概率高于预设概率阈值的特征参数即为待选特征参数。
也可以根据出现概率的大小排序,得到一个列表,然后选取其中一个出现概率为预设概率阈值,如排名第3的出现概率为预设概率阈值,则排名第1和第二的出现概率对应的特征参数为待选特征参数。
步骤1042,将降低相应待选特征参数权重的目标特征参数组合输入算法模型,得到第一预测结果。
得到待选特征参数后,获取包含待选特征参数的目标特征参数组合,然后降低待选特征参数的权重后,输入算法模型进行预测,得到第一预测结果。
其中降低待选特征参数的权重可以降低的权重可以到零,即去掉该待选特征参数。如此可以得到该待选特征参数对预测结果的影响。
步骤1043,若第一预测结果错误,则确定该待选特征参数为目标特征参数。
若第一预测结果错误,即预测结果从正确变成错误,则确定待选特征参数为目标特征参数。挑选对预测结果的影响非常大待选特征参数为目标特征参数。若第一预测结果正确,则不断调整该待选特征参数的权重,如果对应的预测结果一直正确,则说明该待选特征参数对应预测结果的正确性影响不大,则该待选特征参数不为目标特征参数。
需要说明的是每一个待选特征参数可以单独降低权重,也可以其中两个或多个待选特征参数组合降低权重。
请一并参阅图5,图5为本申请实施例提供的选取目标特征参数的另一流程示意图。在本实施方式中,从特征参数中选取出现概率高于预设概率阈值的目标特征参数的方法,可以包括如下步骤:
步骤1044,从目标特征参数组合选取任意两个特征参数作为一个特征参数对。
特征参数对为两个特征参数的组合。
步骤1045,获取各个特征参数对在多个目标特征参数组合中的出现次数。
获取各个特征参数对在各个特征参数组合中出现的次数。
步骤1046,从多个特征参数对中选取出现次数高于预设次数阈值的待选特征参数对。
统计得到目标特征参数对的出现次数,从中选取出现次数高于预设次数阈值的特征参数为待选特征参数。
具体的,可以预先设置一个预设次数阈值,如30次,则只要出现概率高于预设次数阈值的特征参数对即为待选特征参数对。
也可以根据出现次数的多少排序,得到一个列表,然后选取其中一个出现次数为预设次数阈值,如排名第5的出现次数为预设次数阈值,则排名前4的出现次数对应的特征参数对为待选特征参数对。
步骤1047,将降低相应待选特征参数对权重的目标特征参数组合输入算法模型,得到第四预测结果。
得到待选特征参数对后,获取包含待选特征参数对的目标特征参数组合,然后降低待选特征参数对的权重后,输入算法模型进行预测,得到第四预测结果。
步骤1048,若第四预测结果错误,则确定待选特征参数对中的特征参数为目标特征参数。
若第四预测结果错误,即预测结果从正确变成错误,则确定待选特征参数对的特征参数为目标特征参数,且两个要成对出现才是目标特征参数。
步骤105,将预设后台应用当前的多个特征参数输入算法模型,在算法模型中,提高多个特征参数中目标特征参数的权重进行预测,得到目标预测结果。
在对预设后台应用进行预测前,先获取预设后台应用当前的多个特征参数,该多个特征参数与之前实施方式中获取过的一组特征参数组合的特征参数相同,并且该多个特征参数中至少包括一个目标特征参数。
将该多个特征参数输入算法模型中,算法模型提高目标特征参数在多个特征参数中的权重,然后进行预测得到目标预测结果。例如,将10个特征参数输入算法模型中,如果10个特征参数的权重一样,每个特征参数对应一个输出概率值,然后每个输出概率值乘以权重0.1,然后全部相加得到目标预测结果,此时将其中一个特征参数X提高权重,其他特征参数的权重为0.09,特征参数X的权重为0.19,则特征参数X对应的输出概率值乘以0.19,其他特征参数对应的输出概率值乘以0.09,然后全部相加得到目标预测结果。需要说明的是,本示例仅是为了理解进行的举例,并不对本申请进行限制,本申请还可以用其他方式提供权重。
步骤106,根据目标预测结果对预设后台应用进行管控。
目标预测结果可以为清理该预设后台应用的一个概率值,和/或不清理该后台应用的一个概率值,然后根据目标预测结果对该预设后台应用进行管控,如关闭或保持该后台应用。
需要说明的是,算法模型可以采用卷积神经网络算法模型、循环神经网络算法模型等算法模型。
本实施方式是将训练样本输入算法模型进行训练学习,得到对预测结果影响比较大的目标特征参数,然后提高目标特征参数的权重。训练学习完成后,将算法模型移植到电子设备端如智能手机、平板电脑等,电子设备端获取其预设后台应用当前的多个特征参数,然后输入优化后的算法模型,算法模型提高目标特征参数的权重,进行预测,得到预测结果。需要说明的是,算法模型进行训练学习的过程中,也可以对其各个参数进行优化,如对算法模型中的公式系数的优化。
请参阅图6,图6为本申请实施例提供的后台应用管控方法的另一流程示意图。在本实施方式中,后台应用管控方法还包括如下步骤:
步骤201,将各个特征参数组中的多个特征参数组合作为训练数据,分别输入算法模型,得到训练预测结果,并判断预测结果是否正确。
步骤202,若训练预测结果错误,则获取相应的第二特征参数组合。
训练预测结果为算法模型根据输入数据计算得出的,对应后台应用,包括两种结果,如0表示可以清理,1表示不可以清理。训练样本里面包括了样本预测结果,然后将算法模型计算出来的训练预测结果与样本预测结果进行比较。
若训练预测结果错误,即训练预测结果与样本预测结果不一致,则获取相应的第二特征参数组合。
步骤203,若训练预测结果正确,则获取相应的目标特征参数组合;
若训练预测结果正确,即训练预测结果与样本预测结果一致,则获取相应的目标特征参数组合。
步骤204,获取多个目标特征参数组合中各个特征参数的出现概率。
将多个目标特征参数组合中的特征参数进行统计,因为每个目标特征参数组合中的特征参数都不同,所以需要计算各个特征参数出现概率,即任意一个特征参数出现在目标特征参数组合中的概率,如总共有100个目标特征参数组合,里面有50个目标特征参数组合包括一个特征参数X,则特征参数X的出现概率则为50%。
步骤205,从特征参数中选取出现概率高于预设概率阈值的待选特征参数。
统计得到目标特征参数组合各个特征参数的出现概率后,从中选取出现概率高于预设概率阈值的特征参数为待选特征参数。
具体的,可以预先设置一个预设概率阈值,如60%,则只要出现概率高于预设概率阈值的特征参数即为待选特征参数。
也可以根据出现概率的大小排序,得到一个列表,然后选取其中一个出现概率为预设概率阈值,如排名第3的出现概率为预设概率阈值,则排名第1和第二的出现概率对应的特征参数为待选特征参数。
步骤206,若第二特征参数组合中包含待选特征参数,则将提高相应待选特征参数权重的第二特征参数组合输入算法模块,得到第二预测结果。
从多个第二特征参数组合中筛选出包含待选特征参数的第二特征组合,然后提高相应待选特征参数的权重后,重新输入算法模型进行预测,得到第二预测结果。
步骤207,若第二预测结果正确,则确定待选特征参数为目标特征参数。
若第二预测结果正确,即预测结果从错误变成正确,则确定待选特征参数为目标特征参数。挑选对预测结果的影响非常大待选特征参数为目标特征参数,因为提高了该待选特征参数权重,对应的特征参数组合预测的结果从错误变成了正确,说明该待续特征参数对预测结果的准确性有很大的影响,则确定待选特征参数为目标特征参数。
步骤208,将预设后台应用当前的多个特征参数输入算法模型,在算法模型中,提高多个特征参数中目标特征参数的权重进行预测,得到目标预测结果。
在对预设后台应用进行预测前,先获取预设后台应用当前的多个特征参数,该多个特征参数与之前实施方式中获取过的一组特征参数组合的特征参数相同,并且该多个特征参数中至少包括一个目标特征参数。
将该多个特征参数输入算法模型中,算法模型提高目标特征参数在多个特征参数中的权重,然后进行预测得到目标预测结果。
步骤209,根据目标预测结果对预设后台应用进行管控。
目标预测结果可以为清理该预设后台应用的一个概率值,和/或不清理该后台应用的一个概率值,然后根据目标预测结果对该预设后台应用进行管控,如关闭或保持该后台应用。
请参阅图7,图7为本申请实施例提供的后台应用管控方法的又一流程示意图。在本实施方式中,后台应用管控方法还包括如下步骤:
步骤210,若第二特征参数组合中不包含待选特征参数,则将第二特征参数组合以及待选特征参数输入算法模块,得到第三预测结果。
从多个第二特征参数组合中筛选出不包含待选特征参数的第二特征组合,然后增加相应待选特征参数后,重新输入算法模型进行预测,得到第三预测结果。
步骤211,若第三预测结果正确,则确定待选特征参数为目标特征参数。
若第三预测结果正确,即预测结果从错误变成正确,则确定待选特征参数为目标特征参数。挑选对预测结果的影响非常大待选特征参数为目标特征参数,因为增加了待选特征参数,对应的特征参数组合预测的结果从错误变成了正确,说明该待续特征参数对预测结果的准确性有很大的影响,则确定待选特征参数为目标特征参数。
需要说明的是,算法模型的训练过程可以在服务器端也可以在电子设备端完成。当算法模型的训练过程、实际预测过程都在服务器端完成时,需要使用优化后的算法模型时,可以将预设后台应用当前时间前的多个时间段的使用状态输入到服务器,服务器实际预测完成后,将预测结果发送至电子设备端,电子设备再根据预测结果管控该预设后台应用。
当算法模型的训练过程、实际预测过程都在电子设备端完成时,需要使用优化后的算法模型时,可以将预设后台应用当前时间前的多个时间段的使用状态输入到电子设备,电子设备实际预测完成后,电子设备根据预测结果管控该预设后台应用。
当算法模型的训练过程在服务器端完成,算法模型的实际预测过程在电子设备端完成时,需要使用优化后的算法模型时,可以将预设后台应用当前时间前的多个时间段的使用状态输入到电子设备,电子设备实际预测完成后,电子设备根据预测结果管控该预设后台应用。可选的,可以将训练好的算法模型文件(model文件)移植到智能设备上,若需要判断当前后台应用是否可清理,则获取预设后台应用当前时间前的多个时间段的使用状态,输入到训练好的算法模型文件(model文件),计算即可得到预测值。
上述所有的技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
由上可知,本申请实施例提供的后台应用管控方法,通过将各个特征参数组中的多个特征参数组合作为训练数据,分别输入算法模型,得到训练预测结果;若训练预测结果正确,则获取相应的目标特征参数组合;根据多个目标特征参数组合,获取目标特征参数;将预设后台应用当前的多个特征参数输入算法模型,在算法模型中,提高多个特征参数中目标特征参数的权重进行预测,得到目标预测结果;根据目标预测结果对预设后台应用进行管控。可以提高对预设后台应用进行预测的准确性,从而提升对进入后台的应用程序进行管控的准确性。
请参阅图8,图8为本申请实施例提供的后台应用管控装置的第一种结构示意图。其中该后台应用管控装置300应用于电子设备,该后台应用管控装置300包括第一预测单元301、第一获取单元302、出现概率获取单元303、目标特征参数获取单元304、第二预测单元305和控制单元306。其中:
第一预测单元301,用于将各个特征参数组中的多个特征参数组合分别输入算法模型,得到预测结果。
特征参数组为对应后台应用的多个维度的特征参数集合,为预先获取的训练样本,特征参数组内的特征参数对应后台应用的运行参数。
特征参数组合为从其中一个特征参数组中选取部分特征参数形成的。
训练样本包括多个特征参数组,每个特征参数组内包括的特征参数不同,每个特征参数组包括多个特征参数组合,每个特征参数组合从对应的特征参数组中提取不同的特征参数,然后将这些特征参数组合作为训练数据分别输入到算法模型内,算法模型根据这些特征参数组合得到对应的训练预测结果。
需要说明的是,同一个特征参数组合,也对应多个特征参数值组合,同一个特征参数组合内的特征参数可以对应不同的特征参数值。
第一获取单元302,用于若预测结果正确,则获取相应的目标特征参数组合。
训练预测结果为算法模型根据输入数据计算得出的,对应后台应用,包括两种结果,如0表示可以清理,1表示不可以清理。训练样本数据里面包括了样本预测结果,然后将算法模型计算出来的训练预测结果与样本预测结果进行比较。
若训练预测结果正确,即训练预测结果与样本预测结果一致,则获取相应的目标特征参数组合。
只要训练结果正确的特征参数组合即为目标特征参数组合,如此就获取了多个目标特征参数组合。从多个目标特征参数组合中,选取至少一个特征参数为目标特征参数,该目标特征参数对训练预测结果的正确性有很大的影响。
出现概率获取单元303,用于获取多个目标特征参数组合中各个特征参数的出现概率。
将多个目标特征参数组合中的特征参数进行统计,因为每个目标特征参数组合中的特征参数都不同,所以需要计算各个特征参数出现概率,即任意一个特征参数出现在目标特征参数组合中的概率,如总共有100个目标特征参数组合,里面有50个目标特征参数组合包括一个特征参数X,则特征参数X的出现概率则为50%。
目标特征参数获取单元304,用于从特征参数中选取出现概率高于预设概率阈值的目标特征参数。用于从特征参数中选取出现概率高于预设概率阈值的目标特征参数。
统计得到目标特征参数组合各个特征参数的出现概率后,从中选取出现概率高于预设概率阈值的特征参数为目标特征参数。
具体的,可以预先设置一个预设概率阈值,如60%,则只要出现概率高于预设概率阈值的特征参数即为目标特征参数。
也可以根据出现概率的大小排序,得到一个列表,然后选取其中一个出现概率为预设概率阈值,如排名第3的出现概率为预设概率阈值,则排名第1和第二的出现概率对应的特征参数为目标特征参数。
请一并参阅图9,图9为本申请实施例提供的后台应用管控装置的第二种结构示意图。在本实施方式中,目标特征参数获取单元304包括待选特征参数获取子单元3041、第一预测结果获取子单元3042和目标特征参数确定子单元3043。其中:
待选特征参数获取子单元3041,用于从特征参数中选取出现概率高于预设概率阈值的待选特征参数。
统计得到目标特征参数组合各个特征参数的出现概率后,从中选取出现概率高于预设概率阈值的特征参数为待选特征参数。
具体的,可以预先设置一个预设概率阈值,如60%,则只要出现概率高于预设概率阈值的特征参数即为待选特征参数。
也可以根据出现概率的大小排序,得到一个列表,然后选取其中一个出现概率为预设概率阈值,如排名第3的出现概率为预设概率阈值,则排名第1和第二的出现概率对应的特征参数为待选特征参数。
第一预测结果获取子单元3042,用于将降低相应待选特征参数权重的目标特征参数组合输入算法模型,得到第一预测结果。
得到待选特征参数后,获取包含待选特征参数的目标特征参数组合,然后降低待选特征参数的权重后,输入算法模型进行预测,得到第一预测结果。
其中降低待选特征参数的权重可以降低的权重可以到零,即去掉该待选特征参数。如此可以得到该待选特征参数对预测结果的影响。
目标特征参数确定子单元3043,还用于若第一预测结果错误,则确定待选特征参数为目标特征参数。
若第一预测结果错误,即预测结果从正确变成错误,则确定待选特征参数为目标特征参数。挑选对预测结果的影响非常大待选特征参数为目标特征参数。若第一预测结果正确,则不断调整该待选特征参数的权重,如果对应的预测结果一直正确,则说明该待选特征参数对应预测结果的正确性影响不大,则该待选特征参数不为目标特征参数。
需要说明的是每一个待选特征参数可以单独降低权重,也可以其中两个或多个待选特征参数组合降低权重。
请一并参阅图10,图10为本申请实施例提供的后台应用管控装置的第三种结构示意图。在本实施方式中,目标特征参数获取单元304包括:
特征参数对获取子单元3044,用于从目标特征参数组合选取任意两个特征参数作为一个特征参数对。
特征参数对为两个特征参数的组合。
出现次数获取子单元3045,获取各个特征参数对在多个目标特征参数组合中的出现次数。
获取各个特征参数对在各个特征参数组合中出现的次数。
待选特征参数对确定子单元3046,从多个特征参数对中选取出现次数高于预设次数阈值的待选特征参数对。
统计得到目标特征参数对的出现次数,从中选取出现次数高于预设次数阈值的特征参数为待选特征参数。
具体的,可以预先设置一个预设次数阈值,如30次,则只要出现概率高于预设次数阈值的特征参数对即为待选特征参数对。
也可以根据出现次数的多少排序,得到一个列表,然后选取其中一个出现次数为预设次数阈值,如排名第5的出现次数为预设次数阈值,则排名前4的出现次数对应的特征参数对为待选特征参数对。
第四预测结果获取子单元3047,用于将降低相应待选特征参数对权重的目标特征参数组合输入算法模型,得到第四预测结果。
得到待选特征参数对后,获取包含待选特征参数对的目标特征参数组合,然后降低待选特征参数对的权重后,输入算法模型进行预测,得到第四预测结果。
目标特征参数确定子单元3043,还用于若第四预测结果错误,则确定待选特征参数对中的特征参数为目标特征参数。
若第四预测结果错误,即预测结果从正确变成错误,则确定待选特征参数对的特征参数为目标特征参数,且两个要成对出现才是目标特征参数。
第二预测单元305,将预设后台应用当前的多个特征参数输入算法模型,在算法模型中,提高多个特征参数中目标特征参数的权重进行预测,得到目标预测结果。
在对预设后台应用进行预测前,先获取预设后台应用当前的多个特征参数,该多个特征参数与之前实施方式中获取过的一组特征参数组合的特征参数相同,并且该多个特征参数中至少包括一个目标特征参数。
将该多个特征参数输入算法模型中,算法模型提高目标特征参数在多个特征参数中的权重,然后进行预测得到目标预测结果。
控制单元306,用于根据目标预测结果对预设后台应用进行管控。
目标预测结果可以为清理该预设后台应用的一个概率值,和/或不清理该后台应用的一个概率值,然后根据目标预测结果对该预设后台应用进行管控,如关闭或保持该后台应用。
需要说明的是,算法模型可以采用卷积神经网络算法模型、循环神经网络算法模型等算法模型。
本实施方式是将训练样本输入算法模型进行训练学习,得到对预测结果影响比较大的目标特征参数,然后提高目标特征参数的权重。训练学习完成后,将算法模型移植到电子设备端如智能手机、平板电脑等,电子设备端获取其预设后台应用当前的多个特征参数,然后输入优化后的算法模型,算法模型提高目标特征参数的权重,进行预测,得到预测结果。需要说明的是,算法模型进行训练学习的过程中,也可以对其各个参数进行优化,如对算法模型中的公式系数的优化。
请参阅图11,图11为本申请实施例提供的后台应用管控装置的第四种结构示意图。在本实施方式中,该后台应用管控装置300还包括第二获取单元307。
第二获取单元307,用于若训练预测结果错误,则获取相应的第二特征参数组合。
训练预测结果为算法模型根据输入数据计算得出的,对应后台应用,包括两种结果,如0表示可以清理,1表示不可以清理。训练样本里面包括了样本预测结果,然后将算法模型计算出来的训练预测结果与样本预测结果进行比较。
若训练预测结果错误,即训练预测结果与样本预测结果不一致,则获取相应的第二特征参数组合。
目标特征参数获取单元304还包括第二预测结果获取子单元3048。
第二预测结果获取子单元3048,用于若第二特征参数组合中包含待选特征参数,则将提高相应待选特征参数权重的第二特征参数组合输入算法模块,得到第二预测结果。
从多个第二特征参数组合中筛选出包含待选特征参数的第二特征组合,然后提高相应待选特征参数的权重后,重新输入算法模型进行预测,得到第二预测结果。
目标特征参数子确定单元3032,还用于若第二预测结果正确,则确定待选特征参数为目标特征参数。
若第二预测结果正确,即预测结果从错误变成正确,则确定待选特征参数为目标特征参数。挑选对预测结果的影响非常大待选特征参数为目标特征参数,因为提高了该待选特征参数权重,对应的特征参数组合预测的结果从错误变成了正确,说明该待续特征参数对预测结果的准确性有很大的影响,则确定待选特征参数为目标特征参数。
请参阅图12,图12为本申请实施例提供的后台应用管控装置的第五种结构示意图。在本实施方式中,目标特征参数获取单元303还包括第三预测结果获取子单元3049。
第三预测结果获取子单元3049,用于若第二特征参数组合中不包含待选特征参数,则将第二特征参数组合以及待选特征参数输入算法模块,得到第三预测结果。
从多个第二特征参数组合中筛选出不包含待选特征参数的第二特征组合,然后增加相应待选特征参数后,重新输入算法模型进行预测,得到第三预测结果。
目标特征参数确定子单元3032,还用于若第三预测结果正确,则确定待选特征参数为目标特征参数。
若第三预测结果正确,即预测结果从错误变成正确,则确定待选特征参数为目标特征参数。挑选对预测结果的影响非常大待选特征参数为目标特征参数,因为增加了待选特征参数,对应的特征参数组合预测的结果从错误变成了正确,说明该待续特征参数对预测结果的准确性有很大的影响,则确定待选特征参数为目标特征参数。
由上可知,本申请实施例提供的后台应用管控装置,通过将各个特征参数组中的多个特征参数组合作为训练数据,分别输入算法模型,得到训练预测结果;若训练预测结果正确,则获取相应的目标特征参数组合;根据多个目标特征参数组合,获取目标特征参数;将预设后台应用当前的多个特征参数输入算法模型,在算法模型中,提高多个特征参数中目标特征参数的权重进行预测,得到目标预测结果;根据目标预测结果对预设后台应用进行管控。可以提高对预设后台应用进行预测的准确性,从而提升对进入后台的应用程序进行管控的准确性。
本申请实施例中,后台应用管控装置与上文实施例中的后台应用管控方法属于同一构思,在后台应用管控装置上可以运行后台应用管控方法实施例中提供的任一方法,其具体实现过程详见后台应用管控方法的实施例,此处不再赘述。
本申请实施例还提供一种电子设备。请参阅图13,电子设备400包括处理器401以及存储器402。其中,处理器401与存储器402电性连接。
处理器400是电子设备400的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或加载存储在存储器402内的计算机程序,以及调用存储在存储器402内的数据,执行电子设备400的各种功能并处理数据,从而对电子设备400进行整体监控。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402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402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402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402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
在本申请实施例中,电子设备400中的处理器401会按照如下的步骤,将一个或一个以上的计算机程序的进程对应的指令加载到存储器402中,并由处理器401运行存储在存储器402中的计算机程序,从而实现各种功能,如下:
将各个特征参数组中的多个特征参数组合作为训练数据,分别输入算法模型,得到训练预测结果;
若训练预测结果正确,则获取相应的目标特征参数组合;
获取多个目标特征参数组合中各个特征参数的出现概率;
从特征参数中选取出现概率高于预设概率阈值的目标特征参数;将预设后台应用当前的多个特征参数输入算法模型,在算法模型中,提高多个特征参数中目标特征参数的权重进行预测,得到目标预测结果;
根据目标预测结果对预设后台应用进行管控。
在一些实施方式中,处理器401还用于执行以下步骤:
从特征参数中选取出现概率高于预设概率阈值的待选特征参数;
将降低相应待选特征参数权重的目标特征参数组合输入算法模型,得到第一预测结果;
若第一预测结果错误,则确定待选特征参数为目标特征参数。
在一些实施方式中,处理器401还用于执行以下步骤:
若训练预测结果错误,则获取相应的第二特征参数组合;
获取多个目标特征参数组合中各个特征参数的出现概率;
从特征参数中选取出现概率高于预设概率阈值的待选特征参数;
若第二特征参数组合中包含待选特征参数,则将提高相应待选特征参数权重的第二特征参数组合输入算法模块,得到第二预测结果;
若第二预测结果正确,则确定待选特征参数为目标特征参数。
在一些实施方式中,处理器401还用于执行以下步骤:
若第二特征参数组合中不包含待选特征参数,则将第二特征参数组合以及待选特征参数输入算法模块,得到第三预测结果;
若第三预测结果正确,则确定待选特征参数为目标特征参数。
在一些实施方式中,处理器401还用于执行以下步骤:
从目标特征参数组合选取任意两个特征参数作为一个特征参数对;
获取各个特征参数对在多个目标特征参数组合中的出现次数;
从多个特征参数对中选取出现次数高于预设次数阈值的待选特征参数对;
将降低相应待选特征参数对权重的目标特征参数组合输入算法模型,得到第四预测结果;
若第四预测结果错误,则确定待选特征参数对中的特征参数为目标特征参数。
由上述可知,本申请实施例提供的电子设备,通过将各个特征参数组中的多个特征参数组合作为训练数据,分别输入算法模型,得到训练预测结果;若训练预测结果正确,则获取相应的目标特征参数组合;获取多个目标特征参数组合中各个特征参数的出现概率;从特征参数中选取出现概率高于预设概率阈值的目标特征参数;将预设后台应用当前的多个特征参数输入算法模型,在算法模型中,提高多个特征参数中目标特征参数的权重进行预测,得到目标预测结果;根据目标预测结果对预设后台应用进行管控。可以提高对预设后台应用进行预测的准确性,从而提升对进入后台的应用程序进行管控的准确性。
请一并参阅图14,在一些实施方式中,电子设备400还可以包括:显示器403、射频电路404、音频电路405以及电源406。其中,其中,显示器403、射频电路404、音频电路405以及电源406分别与处理器401电性连接。
显示器403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403可以包括显示面板,在一些实施方式中,可以采用液晶显示器(Liquid Crystal Display,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。
射频电路404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。
音频电路405可以用于通过扬声器、传声器提供用户与电子设备之间的音频接口。
电源406可以用于给电子设备400的各个部件供电。在一些实施方式中,电源406可以通过电源管理系统与处理器401逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图14中未示出,电子设备400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,存储介质存储有计算机程序,当计算机程序在计算机上运行时,使得计算机执行上述任一实施例中的应用程序管控方法,比如:通过将各个特征参数组中的多个特征参数组合作为训练数据,分别输入算法模型,得到训练预测结果;若训练预测结果正确,则获取相应的目标特征参数组合;获取多个目标特征参数组合中各个特征参数的出现概率;从特征参数中选取出现概率高于预设概率阈值的目标特征参数;将预设后台应用当前的多个特征参数输入算法模型,在算法模型中,提高多个特征参数中目标特征参数的权重进行预测,得到目标预测结果;根据目标预测结果对预设后台应用进行管控。
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管控方法而言,本领域普通测试人员可以理解实现本申请实施例后台应用管控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,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管控方法的实施例的流程。其中,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管控装置而言,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。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,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管控方法、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)
1.一种后台应用管控方法,应用于电子设备,其特征在于,包括步骤:
将各个特征参数组中的多个特征参数组合作为训练数据,分别输入算法模型,得到训练预测结果;
若所述训练预测结果正确,则获取相应的目标特征参数组合;
获取多个所述目标特征参数组合中各个特征参数的出现概率;
从所述特征参数中选取出现概率高于预设概率阈值的目标特征参数;
将预设后台应用当前的多个特征参数输入所述算法模型,在所述算法模型中,提高所述多个特征参数中所述目标特征参数的权重进行预测,得到目标预测结果;
根据所述目标预测结果对所述预设后台应用进行管控。
2.根据权利要求1所述的后台应用管控方法,其特征在于,所述从所述特征参数中选取出现概率高于预设概率阈值的目标特征参数步骤,包括:
从所述特征参数中选取出现概率高于预设概率阈值的待选特征参数;
将降低相应所述待选特征参数权重的目标特征参数组合输入算法模型,得到第一预测结果;
若所述第一预测结果错误,则确定所述待选特征参数为目标特征参数。
3.根据权利要求2所述的后台应用管控方法,其特征在于,所述方法还包括:
若所述训练预测结果错误,则获取相应的第二特征参数组合;
所述从所述特征参数中选取出现概率高于预设概率阈值的目标特征参数的步骤,包括:
从所述特征参数中选取出现概率高于预设概率阈值的待选特征参数;
若所述第二特征参数组合中包含所述待选特征参数,则将提高相应所述待选特征参数权重的第二特征参数组合输入算法模块,得到第二预测结果;
若所述第二预测结果正确,则确定所述待选特征参数为目标特征参数。
4.根据权利要求3所述的后台应用管控方法,其特征在于,所述从所述特征参数中选取出现概率高于预设概率阈值的目标特征参数的步骤,还包括:
若所述第二特征参数组合中不包含所述待选特征参数,则将所述第二特征参数组合以及所述待选特征参数输入算法模块,得到第三预测结果;
若所述第三预测结果正确,则确定所述待选特征参数为目标特征参数。
5.根据权利要求1所述的后台应用管控方法,其特征在于,所述从所述特征参数中选取出现概率高于预设概率阈值的目标特征参数的步骤,包括:
从所述目标特征参数组合选取任意两个特征参数作为一个特征参数对;
获取各个所述特征参数对在多个所述目标特征参数组合中的出现次数;
从多个所述特征参数对中选取出现次数高于预设次数阈值的待选特征参数对;
将降低相应所述待选特征参数对权重的目标特征参数组合输入算法模型,得到第四预测结果;
若所述第四预测结果错误,则确定所述待选特征参数对中的特征参数为目标特征参数。
6.一种后台应用管控装置,应用于电子设备,其特征在于,所述装置包括:
第一预测单元,用于将各个特征参数组中的多个特征参数组合分别输入算法模型,得到预测结果;
第一获取单元,用于若所述预测结果正确,则获取相应的目标特征参数组合;
出现概率获取单元,用于获取多个所述目标特征参数组合中各个特征参数的出现概率;
目标特征参数获取单元,用于从所述特征参数中选取出现概率高于预设概率阈值的目标特征参数;
第二预测单元,将预设后台应用当前的多个特征参数输入所述算法模型,在所述算法模型中,提高所述多个特征参数中所述目标特征参数的权重进行预测,得到目标预测结果;
控制单元,用于根据所述目标预测结果对所述预设后台应用进行管控。
7.根据权利要求6所述的后台应用管控装置,其特征在于,所述目标特征参数获取单元包括:
待选特征参数获取子单元,用于从所述特征参数中选取出现概率高于预设概率阈值的待选特征参数;
第一预测结果获取子单元,用于将降低相应所述待选特征参数权重的目标特征参数组合输入算法模型,得到第一预测结果;
目标特征参数确定子单元,用于若所述第一预测结果错误,则确定所述待选特征参数为目标特征参数。
8.根据权利要求7所述的后台应用管控装置,其特征在于,所述装置还包括:
第二获取单元,用于若所述训练预测结果错误,则获取相应的第二特征参数组合;
所述目标特征参数获取单元还包括:
第二预测结果获取子单元,用于若所述第二特征参数组合中包含所述待选特征参数,则将提高相应所述待选特征参数权重的第二特征参数组合输入算法模块,得到第二预测结果;
所述目标特征参数确定子单元,还用于若所述第二预测结果正确,则确定所述待选特征参数为目标特征参数。
9.根据权利要求8所述的后台应用管控装置,其特征在于,所述目标特征参数获取单元还包括:
第三预测结果获取子单元,用于若所述第二特征参数组合中不包含所述待选特征参数,则将所述第二特征参数组合以及所述待选特征参数输入算法模块,得到第三预测结果;
所述目标特征参数确定子单元,还用于若所述第三预测结果正确,则确定所述待选特征参数为目标特征参数。
10.根据权利要求6所述的后台应用管控装置,其特征在于,所述目标特征参数获取单元还包括:
特征参数对获取子单元,用于从所述目标特征参数组合选取任意两个特征参数作为一个特征参数对;
出现次数获取子单元,获取各个所述特征参数对在多个所述目标特征参数组合中的出现次数;
待选特征参数对确定子单元,从多个所述特征参数对中选取出现次数高于预设次数阈值的待选特征参数对;
第四预测结果获取子单元,用于将降低相应所述待选特征参数对权重的目标特征参数组合输入算法模型,得到第四预测结果;
所述目标特征参数确定子单元,还用于若所述第四预测结果错误,则确定所述待选特征参数对中的特征参数为目标特征参数。
11.一种存储介质,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5任一项所述的后台应用管控方法。
12.一种电子设备,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5任一项所述的后台应用管控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711124619.3A CN107943571B (zh) | 2017-11-14 | 2017-11-14 | 后台应用管控方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711124619.3A CN107943571B (zh) | 2017-11-14 | 2017-11-14 | 后台应用管控方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107943571A true CN107943571A (zh) | 2018-04-20 |
CN107943571B CN107943571B (zh) | 2020-03-10 |
Family
ID=61932093
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711124619.3A Expired - Fee Related CN107943571B (zh) | 2017-11-14 | 2017-11-14 | 后台应用管控方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107943571B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109388487A (zh) * | 2018-10-16 | 2019-02-26 | Oppo广东移动通信有限公司 | 应用程序处理方法和装置、电子设备、计算机可读存储介质 |
CN111373436A (zh) * | 2018-12-18 | 2020-07-03 | 深圳市大疆创新科技有限公司 | 图像处理方法、终端设备及存储介质 |
CN111813307A (zh) * | 2020-06-23 | 2020-10-23 | 维沃移动通信有限公司 | 应用程序显示方法、装置及电子设备 |
CN113777965A (zh) * | 2020-05-21 | 2021-12-10 | 广东博智林机器人有限公司 | 喷涂质量控制方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107040397A (zh) * | 2016-02-03 | 2017-08-11 | 腾讯科技(深圳)有限公司 | 一种业务参数获取方法及装置 |
CN107133805A (zh) * | 2017-05-09 | 2017-09-05 | 北京小度信息科技有限公司 | 用户作弊种类预测模型中参数的调整方法、装置及设备 |
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
- 2017-11-14 CN CN201711124619.3A patent/CN107943571B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107040397A (zh) * | 2016-02-03 | 2017-08-11 | 腾讯科技(深圳)有限公司 | 一种业务参数获取方法及装置 |
CN107133805A (zh) * | 2017-05-09 | 2017-09-05 | 北京小度信息科技有限公司 | 用户作弊种类预测模型中参数的调整方法、装置及设备 |
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 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109388487A (zh) * | 2018-10-16 | 2019-02-26 | Oppo广东移动通信有限公司 | 应用程序处理方法和装置、电子设备、计算机可读存储介质 |
CN111373436A (zh) * | 2018-12-18 | 2020-07-03 | 深圳市大疆创新科技有限公司 | 图像处理方法、终端设备及存储介质 |
CN113777965A (zh) * | 2020-05-21 | 2021-12-10 | 广东博智林机器人有限公司 | 喷涂质量控制方法、装置、计算机设备及存储介质 |
CN111813307A (zh) * | 2020-06-23 | 2020-10-23 | 维沃移动通信有限公司 | 应用程序显示方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107943571B (zh) | 2020-03-10 |
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 | |
CN107943571A (zh) | 后台应用管控方法、装置、存储介质及电子设备 | |
CN105045819B (zh) | 一种训练数据的模型训练方法及装置 | |
CN107678800A (zh) | 后台应用清理方法、装置、存储介质及电子设备 | |
CN107402809A (zh) | 应用程序的管控方法、装置、存储介质及电子设备 | |
CN107219976A (zh) | 应用显示方法及相关产品 | |
CN107704070A (zh) | 应用清理方法、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 | |
CN107800651A (zh) | 应用程序关闭方法、装置、存储介质和电子设备 | |
CN109062467A (zh) | 分屏应用切换方法、装置、存储介质和电子设备 | |
CN107894827A (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN105447583A (zh) | 一种预测用户离网的方法及装置 | |
CN107423127A (zh) | 应用程序的管控方法、装置、存储介质及电子设备 | |
CN107729216A (zh) | 应用程序管控方法、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 | |
CN106022071A (zh) | 一种指纹解锁的方法及终端 | |
CN107807730B (zh) | 应用清理方法、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 | |
CN107704289A (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN109062468A (zh) | 分屏显示方法、装置、存储介质和电子设备 | |
CN107678531A (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 | |
CN107797832A (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN107704364A (zh) | 后台应用程序管控方法、装置、存储介质及电子设备 | |
CN108234758A (zh) | 应用的显示方法、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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200310 |