CN107943583B - 应用程序的处理方法、装置、存储介质及电子设备 - Google Patents

应用程序的处理方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN107943583B
CN107943583B CN201711123633.1A CN201711123633A CN107943583B CN 107943583 B CN107943583 B CN 107943583B CN 201711123633 A CN201711123633 A CN 201711123633A CN 107943583 B CN107943583 B CN 107943583B
Authority
CN
China
Prior art keywords
time period
application program
sampling
duration
sample
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
Application number
CN201711123633.1A
Other languages
English (en)
Other versions
CN107943583A (zh
Inventor
梁昆
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 CN201711123633.1A priority Critical patent/CN107943583B/zh
Publication of CN107943583A publication Critical patent/CN107943583A/zh
Application granted granted Critical
Publication of CN107943583B publication Critical patent/CN107943583B/zh
Active 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
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
    • G06F9/5022—Mechanisms to release resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Abstract

本申请实施例公开了一种应用程序的处理方法、装置、存储介质及电子设备。该应用程序的处理方法，通过获取历史时间段内每一采样时间点样本应用程序的第一使用信息，从第一使用信息中获取处于目标历史时间段内的第二使用信息，根据采样时间点、第一使用信息以及第二使用信息生成训练样本，根据训练样本对预设的算法模型进行训练，并基于训练后的算法模型对后台应用程序进行处理。该方案优化了算法模型，可降低电子设备终资源的占用，提升了电子设备的运行流畅度，减少了电子设备的功耗。

Description

应用程序的处理方法、装置、存储介质及电子设备
技术领域
本申请涉及电子设备技术领域，尤其涉及一种应用程序的处理方法、装置、存储介质及电子设备。
背景技术
随着互联网的发展和移动通信网络的发展，同时也伴随着电子设备的处理能力和存储能力的迅猛发展，海量的应用得到了迅速传播和使用；常用的应用在方便用户工作和生活的同时，不乏新开发的应用也进入到用户的日常生活，提高了用户的生活质量、使用终端的频率以及使用中的娱乐感。
当电子设备开启有多个应用程序时，在后台运行的应用程序会严重地占用电子设备的资源，降低电子设备的运行流畅度，同时还会导致电子设备的功耗较大。
发明内容
本申请实施例提供一种应用程序的处理方法、装置、存储介质及电子设备，可以智能地管控应用程序，降低电子设备功耗。
第一方面，本申请实施例提供一种应用程序的处理方法，应用于电子设备，所述方法包括：
获取历史时间段内每一采样时间点样本应用程序的第一使用信息；
从所述第一使用信息中获取处于目标历史时间段内的第二使用信息；
根据所述采样时间点、第一使用信息以及第二使用信息生成训练样本；
根据所述训练样本对预设的算法模型进行训练；
基于训练后的算法模型对所述电子设备中的后台应用程序进行处理。
第二方面，本申请实施例提供了一种应用程序的处理装置，应用于电子设备，所述装置包括：
第一获取模块，用于获取历史时间段内每一采样时间点样本应用程序的第一使用信息；
第二获取模块，用于从所述第一使用信息中获取处于目标历史时间段内的第二使用信息；
生成模块，用于根据所述采样时间点、第一使用信息以及第二使用信息生成训练样本；
训练模块，用于根据所述训练样本对预设的算法模型进行训练；
处理模块，用于基于训练后的算法模型对所述电子设备中的后台应用程序进行处理。
第三方面，本申请实施例还提供了一种存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行上述的应用程序的处理方法。
第四方面，本申请实施例还提供了一种电子设备，包括处理器及存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据；处理器用于执行上述的应用程序的处理方法。
本申请实施例公开了一种应用程序的处理方法、装置、存储介质及电子设备。该应用程序的处理方法，通过获取历史时间段内每一采样时间点样本应用程序的第一使用信息，从第一使用信息中获取处于目标历史时间段内的第二使用信息，根据采样时间点、第一使用信息以及第二使用信息生成训练样本，根据训练样本对预设的算法模型进行训练，并基于训练后的算法模型对后台应用程序进行处理。该方案优化了算法模型，可降低电子设备终资源的占用，提升了电子设备的运行流畅度，减少了电子设备的功耗。
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应用程序的处理方法的场景架构示意图。
图2是本申请实施例提供的应用程序的处理方法的一种流程示意图。
图3是本申请实施例提供的应用程序的处理方法的另一种流程示意图。
图4是本申请实施例提供的一种算法模型的示意图。
图5是本申请实施例提供的一种算法模型的示意图。
图6是本申请实施例提供的应用程序的处理装置的一种结构示意图。
图7是本申请实施例提供的应用程序的处理装置的另一种结构示意图。
图8是本申请实施例提供的应用程序的处理装置的又一种结构示意图。
图9是本申请实施例提供的电子设备的一种结构示意图。
图10是本申请实施例提供的电子设备的另一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供一种应用程序的处理方法、装置、存储介质及电子设备。以下将分别进行详细说明。
请参阅图1，图1为本申请实施例提供的应用程序的处理方法的场景架构示意图。
如图，以对后台运行的应用程序为A～E进行处理为例。首先进行数据采集，记录电子设备在各应用程序的第一使用信息，如记录一个月内打开各应用程序的时间。然后，从所记录的第一使用信息中选取处于某一目标时间段(如最近一周)内的使用信息，作为第二使用信息。对第一使用信息以及第二使用信息进行加权处理，得到处理后的新的数据。根据处理后的新的数据统计出各应用程序在不同时间的使用概率，并将使用时间及对应的使用概率作为训练样本，对预设的算法模型(如高斯模型)进行训练，根据所输入的样本调整该算法模型中的参数信息，以得到每一应用程序所对应的训练后的算法模型。基于各应用程序对应的训练后的算法模型，对后台应用程序在时间T下的使用概率进行计算，从多个后台应用程序A～E中确定出使用概率低于预设概率P的目标后台应用程序，并关闭目标后台应用程序。从而基于用户的使用习惯实现对后台应用程序的管控，减少应用程序对电子设备资源的占用。
其中，电子设备可以为移动终端，如手机、平板电脑、笔记本电脑等，本申请实施例对此不进行限定。
在一实施例中，提供一种应用程序的处理方法，应用于电子设备，该电子设备可以为智能手机、平板电脑、笔记本电脑等移动终端。如图2所示，流程可以如下：
101、获取历史时间段内每一采样时间点样本应用程序的第一使用信息。
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程序，例如办公应用、社交应用、游戏应用、购物应用等。
其中，样本应用程序可为电子设备中多个或所有已安装的应用程序。应用程序的使用信息可以为应用程序的使用记录，如各应用程序的开启时间记录。采样时间点则可根据实际需求进行设定，若想得到精确度较高的结果，则可将采集时间点设置地密集一些，如每隔1min为一采样时间点；若想节省电子设备的资源而对结果的精确度不做要求，则可将采样时间点设置地松散一些，如每隔10min为一采样时间点。
在一些实施例中，自应用程序安装，则可记录每一已安装应用程序的使用信息，转换成相应的数据存储到预设的存储区域中。当需要使用某一或某些应用程序的使用信息时，则可以从该存储区域中调取与该某一或某些应用程序对应的数据，对获取的数据进行解析得到相应的信息，以作为该某一或某些应用程序的使用信息，而该某一或某些应用程序则作为样本应用程序，从获取的使用信息中选取出所需时间段内的使用信息即可。
在一些实施例中，为减少电子设备的功耗，节省电子设备的终端资源，可直接设定所需记录的时间段，然后在该时间段内对每一采样时间点样本应用程序的使用信息进行记录即可，以便后续使用。
102、从第一使用信息中获取处于目标历史时间段内的第二使用信息
在本申请实施例中，目标历史时间段包含于上述历史时间段内。比如，假设上述历史时间段为“2017年10月1日～2017年10月31日”，则该目标历史时间段可以为“2017年10月1日～2017年10月7日”、“2017年10月25日～2017年10月31日”等等。在一些实施例中，历史时间段为最近一个月，则目标历史时间段可为最近一星期。
本申请实施例中，确定目标历史时间段的方式可以由多种。在一些实施例中，可以根据上述历史时间段的时长以及预设的截取比例获取目标历史时间段。如，上述历史时间段为最近28天，预设的截取比例为25％，则目标历史时间段为最近7天。在确定目标历史时间段后，获取该历史时间段内对应的第一使用信息，将该目标历史时间段内的第一使用信息作为第二使用信息即可。
103、根据该采样时间点、第一使用信息以及第二使用信息生成训练样本。
具体地，可对所获取到的样本应用程序的第一使用信息、第二使用信息进行预处理，将第二使用信息作用于第一使用信息，通过相关算法得到合成处理后的使用信息。然后，根据合成处理后的使用信息计算出每一样本应用程序在不同采样时间点的使用概率。进一步得到每一样本应用程序的使用随时间变化的概率分布，将采样时间点与使用概率一一对应生成训练样本。
104、根据训练样本对预设的算法模型进行训练。
具体地，将上述生成的训练样本输入至预设的算法模型中，根据所输入的训练样本不断地修正预设的算法模型中的相关参数，以使得训练后的算法模型可适用于所有训练样本，最后对每一个样本应用程序都训练出一个算法模型。
105、基于训练后的算法模型对电子设备中的后台应用程序进行处理。
在本申请实施例中，若样本应用程序的个数有N个，则相应的有N个训练后的算法模型。获取每一后台应用的身份信息(如应用名称、应用标识等等)，并根据后台应用程序的身份信息，从N个训练后的算法模型中选取目标算法模型(即针对该后台应用程序训练出的算法模型)，并基于该目标算法模型对该后台应用程序进行冻结、关闭等处理。
在一些实施例中，可基于不同后台应用程序各自所对应训练后的算法模型，结合当前的时间，对各后台应用程序在该时间下的使用概率进行计算。根据计算到的各个应用程序各自对应的使用概率，对使用概率满足一定条件的后台应用程序进行清理或关闭操作，以减少应用程序对电子设备资源的占用。
由上可知，本申请是实施例提供的应用程序的处理方法，通过获取历史时间段内每一采样时间点样本应用程序的第一使用信息，从第一使用信息中获取处于目标历史时间段内的第二使用信息，根据采样时间点、第一使用信息以及第二使用信息生成训练样本，根据训练样本对预设的算法模型进行训练，并基于训练后的算法模型对后台应用程序进行处理。该方案优化了算法模型，可降低电子设备终资源的占用，提升了电子设备的运行流畅度，减少了电子设备的功耗。
在一实施例中，还提供另一种应用程序的处理方法，应用于电子设备，该电子设备可以为智能手机、平板电脑、笔记本电脑等移动终端。如图3所示，流程可以如下：
201、获取历史时间段内每一采样时间点样本应用程序的第一使用时长，其中，该历史时间段包括多个时间周期，每一时间周期划分为多个采样时段。
在本申请实施例中，每一时间周期内采样时间点与采样时段一一对应。历史时间段包括多个时间周期，如历史时间段为过去一个月，则时间周期则可以为过去一个月中的每一天。每一时间周期可划分为多个采样时段，如一天中的每一分钟。
具体地，样本应用程序可为电子设备中多个或所有已安装的应用程序。采样时间点可根据实际需求进行设定，若想得到精确度较高的结果，可将采集时间点设置地密集一些，如每隔1min为一采样时间点；若想节省电子设备的资源而对结果的精确度不做要求，则可将采样时间点设置地松散一些，如每隔10min为一采样时间点。第一使用时长则为在每一时间段内各应用程序的使用时长(如应用程序在前台运行默认为被用户使用，则第一使用时长则为每一采样时段内样本应用程序在前台运行的时长)。
比如，历史时间段可以是过去一个月，每一采样时间点可以为当前时间的时间戳。第一使用时长可以是从数据库中提取出来的，该数据库内可以存储有过去一个月电子设备中应用程序的使用记录，如下表1所示：
应用程序包名 使用此应用程序的时间戳
com.tencent.mobileqq 1457550655465
com.android.settings 1457605107522
... ...
表1
之后，可对这些应用程序的使用记录进行数据处理，根据处理后的数据提取出各样本应用程序在每一采样时间点的使用时长。
202、从第一使用时长中获取处于目标历史时间段内的第二使用时长。
在本申请实施例中，目标历史时间段包含于上述历史时间段内。则显而易见地，目标历史时间段包括多个时间周期，且每一时间周期划分为多个采样时段，每一时间周期内采样时间点与采样时段一一对应。
在一些实施例中，可以根据上述历史时间段的时长以及预设的截取比例获取目标历史时间段。在确定目标历史时间段后，获取该历史时间段内对应的第一使用时长，将该目标历史时间段内的第一使用时长作为第二使用时长即可。如，上述历史时间段为最近28天，预设的截取比例为25％，则目标历史时间段为最近7天。
实际应用中，目标历史时间段可以为目标历史时间段中靠近当前时间点的部分。
203、获取第一使用时长和第二使用时长对应的加权信息。
具体地，为了提升最终算法模型的准确性，可对使用记录中的部分采样数据进行优化处理，提升该部分数据的影响程度。在一些实施例中，可预先设置第一使用时长和第二使用时长各自对应的权重，然后，在具体实施过程中获取第一使用时长和第二使用时长对应的加权信息，以便后续对采样数据进行处理。
204、根据加权信息对第一使用时长、第二使用时长进行处理，得到第一加权时长和第二加权时长。
具体地，假设加权信息中第一使用时长S1对应的权重为y，第二使用时长S2对应的权重为z，其中，y+z＝1，且y<z，则第一加权时长为S1*y，第二加权时长为S2*z。
205、根据采样时间点、第一加权时长、以及第二加权时长生成训练样本。
在一些实施例中，步骤“根据采样时间点、第一加权时长、以及第二加权时长生成训练样本”可以包括以下流程：
确定每一采样时间点对应的时间周期和采样时段，其中，每一时间周期内采样时间点与采样时段一一对应；
将不同时间周期中处于相同采样时段对应的第一加权时长、第二加权时长进行处理，得到样本应用程序在每一采样时段对应的样本使用概率；
基于该采样时段以及对应的样本使用概率生成训练样本。
具体地，可基于采样时间点对应的时间戳，确定其所属的时间周期以及具体的采样时段，如可为xx月xx日xx分。以10月1日481分为例，10月为历史时间段，1日为时间周期，481分为采样时段。
在一些实施例中，步骤“将不同时间周期中处于相同采样时段对应的第一加权时长、第二加权时长进行处理，得到样本应用程序在每一采样时段对应的样本使用概率”可以包括以下流程：
获取每一样本应用在相同采样时段中对应的第一加权时长和/或第二加权时长的总和，得到加权总时长；
获取相同采样时段的总和，得到采样总时长；
根据加权总时长和采样总时长，计算每一样本应用程序在每一采样时段对应的样本使用概率。
其中，样本应用程序的运行状态为在前台运行，即意味着当前用户正在使用该样本应用程序。那么对于这N个样本应用程序，分别统计每个样本应用程序在过去一个月内每一天中相同时间段(如一天可包括1440分钟，则10月1日的第481分钟和10月31日的第481分钟为相同时间段；10月1日的第1440分钟和10月31日的第1440分钟为相同时间段)中的加权时长(即第一加权时长和/或第二加权时长)总和，记为X＝[x1，x2，x3…xi…，xn]，其中xi表示10月份每天的第i分钟时间该应用程序对应的加权总时长。
比如，以应用程序APP1在2017年10月1日、2017年10月2日的每一采样时间段的使用时长为例，假设该时间段为1min，且2017年10月1日处于目标历史时间段内，2017年10月2日不处于目标历史时间段内，则该用户的应用程序APP1、APP2的采样数据统计结果分别如下表2、表3所示：
APP1 x<sub>1</sub> ... x<sub>481</sub> ... x<sub>490</sub> ... x<sub>1440</sub>
第一使用时长 0 1 0.5 0 1 0 0
第二使用时长 0 1 0.5 0 1 0 0
表2
如表2可知，APP1在10月1日采样时间点x481对应的使用时长为S1+S2＝1min。
APP1 x<sub>1</sub> ... x<sub>481</sub> ... x<sub>490</sub> ... x<sub>1440</sub>
第一使用时长 0 1 0.7 0 0.5 0 0
第二使用时长 0 0 0 0 0 0 0
表3
如表3可知，APP1在10月2日采样时间点x481对应的使用时长为S1+S2＝0.7min。
其中，由于2017年10月2日不处于目标历史时间段内，无论第一使用时长则数据如何，第二使用时长的数据皆为0(实际上不存在数据)。
则APP1在采样时间点x481对应的使用总时长为1min+0.7min＝1.7min。
假设第一使用时长对应的权重为40％，第二使用时长对应的权重为60％，那么加权处理后，APP1和APP2的采样数据统计结果分别如下表4、表5所示：
APP1 x<sub>1</sub> ... x<sub>481</sub> ... x<sub>490</sub> ... x<sub>1440</sub>
第一加权时长 0 0.4 0.2 0 0.4 0 0
第二加权时长 0 0.6 0.3 0 0.6 0 0
表4
由表4可知，则APP1在2017年10月1日采样时间点x481对应的使用时长为S1*40％+S2*60％＝0.5min。
APP1 x<sub>1</sub> ... x<sub>481</sub> ... x<sub>490</sub> ... x<sub>1440</sub>
第一加权时长 0 0.4 0.28 0 0.2 0 0
第二加权时长 0 0 0 0 0 0 0
表5
由表5可知，则APP1在2017年10月2日采样时间点x481对应的使用时长为S1*40％+S2*60％＝0.28min。
则加权处理后，APP1在采样时间点x481对应的使用总时长为0.5min+0.28min＝0.78min。
在本申请实施例中，可将每一样本应用程序在每一采样时段对应的样本使用概率的概率定义为Pi，则概率Pi的具体的算法可参考以下公式：
Figure GDA0003180657570000101
其中，xj与xi示定义相同，都表示在一天中的第i或j分钟时间应用程序对应的加权时长。n为大于1的正整数。比如，采样时间点x481对应的样本使用概率P481＝0.78min/3min＝0.26。基于上述数据以及概率算法，可得到每一样本应用程序在每一采样时段对应的样本使用概率的概率分布，可如下表4所示：
应用程序 P<sub>1</sub> ... P<sub>481</sub> ... P<sub>490</sub> ... P<sub>1440</sub>
APP1 0 0 0.26 0 0.23 0 0
APP2 ... ... ... ... ... ... ...
APP3 ... ... ... ... ... ... ...
… ... ... ... ... ... ... ...
表4
具体地，获取每一样本应用程序的样本使用概率随时间变化的概率分布，将采样时间点与样本使用概率一一对应生成训练样本。
在一些实施方式中，若将采样时段记为t，则采样时段包括[t1,t2…tm]，将样本使用概率记为P，样本使用概率包括[P1,P2…Pm]。则具体可将生成的训练样本记为(tm,Pm)，如第481分钟对应的训练样本为(481,0.1)。
206、将训练样本输入至第一预设公式中，以对第一预设公式进行训练，得到多个训练后的子算法模型。
在本申请实施例中，第一预设公式可为混合高斯模型的概率谱密度函数，具体如下所示:
Figure GDA0003180657570000102
其中，Ai表示样本应用程序i，t表示采样时段，k表示子算法模型数量，μk表示数学期望，σk表示方差，ωk表示权值，N(t|μk,σk)表示随机变量t服从一个数学期望为μk、方差为σk的正态分布，P(t|Ai)则可表示样本应用程序i的运行状态为前台运行时采样时段为t的概率。
Figure GDA0003180657570000111
是高斯分布概率模型。
参考图4，可作为所构建的一个初始化的混合高斯模型。然后，基于所输入的采样时段、样本使用概率，对第一预设公式进行训练，得到多个训练后的子高斯模型。具体地，可在读取第1分钟对应的训练样本时进行混合高斯模型建模；接着读取第2分钟对应的训练样本，更新混合高斯模型参数；再读取第3分钟对应的训练样本，继续更新混合高斯模型参数……以此类推，直到所有训练样本都被读取后，更新混合高斯模型参数得到最终训练后的算法模型。
实际应用中，混合高斯模型一般使用3～5个子高斯模型构成。建模过程中，需要对算法模型中的方差σk、数学期望μk、权值ωk等一些参数初始化，并通过这些参数求出建模所需的数据。在初始化过程中，可将方差设置的尽量大些，而权值(即ωk)则尽量小些(如0.001)。这样设置是由于初始化的算法模型是一个并不准确的模型，需要不停地缩小他的范围，更新他的参数值，从而得到最可能的算法模型。将方差设置大些，就是为了将尽可能多的像素包含到一个模型里面，找出参数k、对应的所有的权值ωk，以及所有子算法模型中各自对应的参数μk和σk。
在一些实施方式中，可采用最大似然估计法来确定ωk、μk和σk等这些模型参数。其中，算法模型的似然函数为：
Figure GDA0003180657570000112
采用期望最大化(EM)算法，使(μk,σk)的似然函数极大化。则极大值对应的ωk、μk和σk就是我们的估计。最终得到[(ω1,μ1,σ1)，(ω1,μ1,σ1)，…(ωk,μk,σk)]。
207、将多个训练后的子算法模型叠加，以得到训练后的算法模型。
具体地，按所估计出的权值ωk对每一子算法模型加权处理后，将加权后的k个子算法模型叠加处理，以得到训练后的算法模型。参考图5，所得到的混合高斯模型由4个子高斯模型构成。
假设用户有N个样本应用程序，则有N个算法模型，即[P(t|A1)，P(t|A2)，…P(t|AN)]。
208、确定电子设备中的后台应用程序。
在一些实施例中，可在电子设备的中央处理器(CPU，central processing unit)占用较大、运行内存资源占用较大和/或电子设备剩余电量不足时，可以触发应用程序处理指令。电子设备获取该应用程序处理指令，然后，根据该应用程序处理指令确定处于后台运行的后台应用程序，以便后续对后台应用程序进行处理。
209、基于每一应用程序所对应训练后的算法模型，利用第二预设公式计算每一后台应用程序在目标时间的使用概率。
在本申请实施例中，每一应用程序对应有唯一训练后的算法模型。基于训练后的算法模型，可以精确地估计出应用程序在不同时间对应的使用概率。而第二预设公式为：
Figure GDA0003180657570000121
其中，T表示时间，T具体可以为一天中的每一分钟，即T∈[1,2,3,…1440]；N表示训练后的算法模型的数量；P(Ai|T)表示采样时段为T时前台运行的应用程序为应用程序i的概率；P(T|Ai)表示样本应用程序i的运行状态为前台运行时采样时段为T的概率；P(T|Aj)表示应用程序j的运行状态为前台运行时采样时段为T的概率。
具体地，首先基于训练后的算法模型，估计出不同应用程序各自在目标时间下对应的初始使用概率，然后利用第二预设公式，计算出目标后台应用程序对应的初始使用概率占所有应用程序的初始使用概率总和的占用率，将该概率占用率作为应用程序在目标时间下对应的使用概率，以提升使用概率的精确度。
210、关闭使用概率小于预设阈值的后台应用程序。
在一些实施例中，可通过设定概率阈值来作为对应用进行处理的基准。其中，该预设阈值可以由本领域技术人员或产品生产厂商进行设定。比如，设定预设阈值为0.5，那么若在未来一时段T打开后台应用程序Ai的概率P(T|Ai)小于0.5，则清理该后台应用程序Ai，若不小于0.5，则保持该后台应用程序Ai继续在后台运行。
由上可知，本申请实施例提供的应用程序的处理方法，通过获取历史时间段内每一采样时间点样本应用程序的第一使用时长，然后确从第一使用时长中获取处于目标历史时间段内的第二使用时长，再对第一使用时长和第二使用时长进行加权处理，基于处理后的数据以及对应的采样时间点生成训练样本。将训练样本输入到预设的算法模型中进行模型训练，得到有多个训练后的子算法模型组成的新的算法模型。最后，利用新的算法模型估计每个后台应用在目标时间下的使用概率，并根据得到的概率对相应的后台应用程序进行处理。该方案优化了算法模型，提升了算法模型参数计算的准确性，优化了算法模型，可降低电子设备终资源的占用，提升了电子设备的运行流畅度，减少了电子设备的功耗。
在本申请又一实施例中，还提供一种应用程序的处理装置，该应用程序的处理装置可以软件或硬件的形式集成在电子设备中，该电子设备具体可以包括手机、平板电脑、笔记本电脑等设备。如图6所示，该应用程序的处理装置30可以包括第一获取模块31、第二获取模块32、生成模块33、训练模块34以及处理模块35，其中：
第一获取模块31，用于获取历史时间段内每一采样时间点样本应用程序的第一使用信息；
第二获取模块32，用于从该第一使用信息中获取处于目标历史时间段内的第二使用信息；
生成模块33，用于根据该采样时间点、第一使用信息以及第二使用信息生成训练样本；
训练模块34，用于根据该训练样本对预设的算法模型进行训练；
处理模块35，用于基于训练后的算法模型对该电子设备中的后台应用程序进行处理。
在一些实施例中，第一使用信息包括第一使用时长，第二使用信息包括第二使用时长；参考图7，该生成模块33可以包括：
获取子模块331，用于获取第一使用时长和第二使用时长对应的加权信息；
处理子模块332，用于根据该加权信息对第一使用时长、第二使用时长进行处理，得到第一加权时长和第二加权时长；
生成子模块333，用于根据该采样时间点、第一加权时长、以及第二加权时长生成训练样本。
在一些实施例中，该历史时间段、目标历史时间段包括多个时间周期，每一时间周期划分为多个采样时段；
生成子模块333可以用于：
确定每一采样时间点对应的时间周期和采样时段，其中，每一时间周期内采样时间点与采样时段一一对应；
将不同时间周期中处于相同采样时段对应的第一加权时长、第二加权时长进行处理，得到样本应用程序在每一采样时段对应的样本使用概率；
基于该采样时段以及对应的样本使用概率生成训练样本。
在一些实施例中，采样时段包括[t1,t2…tm]，样本使用概率包括[P1,P2…Pm]；参考图8，训练模块33可以包括：
输入子模块331，用于将采样时段及对应的样本使用概率输入至第一预设公式中，第一预设公式为:
Figure GDA0003180657570000141
其中，Ai表示样本应用程序i，t表示采样时段，k表示子算法模型数量，μk表示数学期望，σk表示方差，ωk表示权值，N(t|μk,σk)表示随机变量t服从一个数学期望为μk、方差为σk的正态分布，P(t|Ai)表示样本应用程序i的运行状态为前台运行时采样时段为t的概率；
训练子模块332，用于基于所输入的采样时段、样本使用概率，对第一预设公式进行训练，得到多个训练后的子算法模型；
叠加子模块333，用于将多个训练后的子算法模型叠加，以得到训练后的算法模型。
由上可知，本申请实施例提供的应用程序的处理装置，通过获取历史时间段内每一采样时间点样本应用程序的第一使用信息，从第一使用信息中获取处于目标历史时间段内的第二使用信息，根据采样时间点、第一使用信息以及第二使用信息生成训练样本，根据训练样本对预设的算法模型进行训练，并基于训练后的算法模型对后台应用程序进行处理。该方案优化了算法模型，可降低电子设备终资源的占用，提升了电子设备的运行流畅度，减少了电子设备的功耗。
在本申请又一实施例中还提供一种电子设备，该电子设备可以是智能手机、平板电脑等设备。如图9所示，电子设备400包括处理器401及存储器402。其中，处理器401与存储器402电性连接。
处理器401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内的应用，以及调用存储在存储器402内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。
在本实施例中，电子设备400中的处理器401会按照如下的步骤，将一个或一个以上的应用的进程对应的指令加载到存储器402中，并由处理器401来运行存储在存储器402中的应用，从而实现各种功能：
获取历史时间段内每一采样时间点样本应用程序的第一使用信息；
从该第一使用信息中获取处于目标历史时间段内的第二使用信息；
根据该采样时间点、第一使用信息以及第二使用信息生成训练样本；
根据该训练样本对预设的算法模型进行训练；
基于训练后的算法模型对该电子设备中的后台应用程序进行处理。
在一些实施例中，第一使用信息包括第一使用时长，第二使用信息包括第二使用时长；处理器402进一步可以用于：
根据该采样时间点、第一使用信息以及第二使用信息生成训练样本的步骤，包括：
获取第一使用时长和第二使用时长对应的加权信息；
根据该加权信息对第一使用时长、第二使用时长进行处理，得到第一加权时长和第二加权时长；
根据该采样时间点、第一加权时长、以及第二加权时长生成训练样本。
在一些实施例中，该历史时间段、目标历史时间段包括多个时间周期，每一时间周期划分为多个采样时段；处理器402进一步可以用于：
根据该采样时间点、第一加权时长、以及第二加权时长生成训练样本的步骤，包括：
确定每一采样时间点对应的时间周期和采样时段，其中，每一时间周期内采样时间点与采样时段一一对应；
将不同时间周期中处于相同采样时段对应的第一加权时长、第二加权时长进行处理，得到样本应用程序在每一采样时段对应的样本使用概率；
基于该采样时段以及对应的样本使用概率生成训练样本。
在一些实施例中，处理器402进一步可以用于：
获取每一样本应用在相同采样时段中对应的第一加权时长和/或第二加权时长的总和，得到加权总时长；
获取该相同采样时段的总和，得到采样总时长；
根据该加权总时长和该采样总时长，计算每一样本应用程序在每一采样时段对应的样本使用概率。
在一些实施例中，该采样时段包括[t1,t2…tm]，该样本使用概率包括[P1,P2…Pm]；处理器402进一步可以用于：
根据该训练样本对预设的算法模型进行训练的步骤，包括：
将该采样时段及对应的样本使用概率输入至第一公式中，该第一预设公式为:
Figure GDA0003180657570000161
其中，Ai表示样本应用程序i，t表示采样时段，k表示子算法模型数量，μk表示数学期望，σk表示方差，ωk表示权值，N(t|μk,σk)表示随机变量t服从一个数学期望为μk、方差为σk的正态分布，P(t|Ai)表示样本应用程序i的运行状态为前台运行时采样时段为t的概率；
基于所输入的采样时段、样本使用概率，对该第一预设公式进行训练，得到多个训练后的子算法模型；
将多个训练后的子算法模型叠加，以得到训练后的算法模型。
在一些实施例中，处理器402进一步可以用于：
确定该电子设备中的后台应用程序；
基于每一应用程序所对应训练后的算法模型，利用第二预设公式计算每一后台应用程序在目标时间的使用概率，该第二预设公式为：
Figure GDA0003180657570000171
其中，T表示时间，N表示训练后的算法模型的数量，P(Ai|T)表示采样时段为T时前台运行的应用程序为应用程序i的概率，P(T|Ai)表示样本应用程序i的运行状态为前台运行时采样时段为T的概率，P(T|Aj)表示应用程序j的运行状态为前台运行时采样时段为T的概率；
关闭该使用概率小于预设阈值的后台应用程序。
存储器402可用于存储应用和数据。存储器402存储的应用中包含有可在处理器中执行的指令。应用可以组成各种功能模块。处理器401通过运行存储在存储器402的应用，从而执行各种功能应用以及数据处理。
在一些实施例中，如图10所示，电子设备400还包括：显示屏403、控制电路404、射频电路405、输入单元406、音频电路407、传感器408以及电源409。其中，处理器401分别与显示屏403、控制电路404、射频电路405、输入单元406、音频电路407、传感器408以及电源409电性连接。
显示屏403可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口，这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路404与显示屏403电性连接，用于控制显示屏403显示信息。
射频电路405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。
输入单元406可用于接收输入的数字、字符信息或用户特征信息(例如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中，输入单元406可以包括指纹识别模组。
音频电路407可通过扬声器、传声器提供用户与电子设备之间的音频接口。
传感器408用于采集外部环境信息。传感器408可以包括环境亮度传感器、加速度传感器、光传感器、运动传感器、以及其他传感器。
电源409用于给电子设备400的各个部件供电。在一些实施例中，电源409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10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。
由上可知，本申请实施例提供的电子设备，通过获取历史时间段内每一采样时间点样本应用程序的第一使用信息，从第一使用信息中获取处于目标历史时间段内的第二使用信息，根据采样时间点、第一使用信息以及第二使用信息生成训练样本，根据训练样本对预设的算法模型进行训练，并基于训练后的算法模型对后台应用程序进行处理。该方案优化了算法模型，可降低电子设备终资源的占用，提升了电子设备的运行流畅度，减少了电子设备的功耗。
在一些实施例中，还提供了一种存储介质，该存储介质中存储有多条指令，该指令适于由处理器加载以执行上述任一应用程序的处理方法。
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。
在描述本申请的概念的过程中使用了术语“一”和“所述”以及类似的词语(尤其是在所附的权利要求书中)，应该将这些术语解释为既涵盖单数又涵盖复数。此外，除非本文中另有说明，否则在本文中叙述数值范围时仅仅是通过快捷方法来指代属于相关范围的每个独立的值，而每个独立的值都并入本说明书中，就像这些值在本文中单独进行了陈述一样。另外，除非本文中另有指明或上下文有明确的相反提示，否则本文中所述的所有方法的步骤都可以按任何适当次序加以执行。本申请的改变并不限于描述的步骤顺序。除非另外主张，否则使用本文中所提供的任何以及所有实例或示例性语言(例如，“例如”)都仅仅为了更好地说明本申请的概念，而并非对本申请的概念的范围加以限制。在不脱离精神和范围的情况下，所属领域的技术人员将易于明白多种修改和适应。
以上对本申请实施例所提供的应用程序的处理方法、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 (6)

1.一种应用程序的处理方法，应用于电子设备，其特征在于，所述方法包括：
获取历史时间段内每一采样时间点样本应用程序的第一使用信息，所述第一使用信息包括第一使用时长，所述历史时间段、目标历史时间段包括多个时间周期，每一时间周期划分为多个采样时段；
从所述第一使用信息中获取处于目标历史时间段内的第二使用信息，所述第二使用信息包括第二使用时长；
获取第一使用时长和第二使用时长对应的加权信息；
根据所述加权信息对第一使用时长、第二使用时长进行处理，得到第一加权时长和第二加权时长；
确定每一采样时间点对应的时间周期和采样时段，其中，每一时间周期内采样时间点与采样时段一一对应；
将不同时间周期中处于相同采样时段对应的第一加权时长、第二加权时长进行处理，得到样本应用程序在每一采样时段对应的样本使用概率；
基于所述采样时段以及对应的样本使用概率生成训练样本，所述采样时段包括[t1,t2…tm]，所述样本使用概率包括[P1,P2…Pm]；
将所述采样时段及对应的样本使用概率输入至第一预设公式中，所述第一预设公式为:
Figure FDA0003387096910000011
其中，Ai表示样本应用程序i，t表示采样时段，k表示子算法模型数量，μk表示数学期望，σk表示方差，ωk表示权值，N(t|μk,σk)表示随机变量t服从一个数学期望为μk、方差为σk的正态分布，P(t|Ai)表示样本应用程序i的运行状态为前台运行时采样时段为t的概率；
基于所输入的采样时段、样本使用概率，对所述第一预设公式进行训练，得到多个训练后的子算法模型；
将多个训练后的子算法模型叠加，以得到训练后的算法模型；
基于训练后的算法模型对所述电子设备中的后台应用程序进行处理。
2.如权利要求1所述的应用程序的处理方法，其特征在于，将不同时间周期中处于相同采样时段对应的第一加权时长、第二加权时长进行处理，得到样本应用程序在每一采样时段对应的样本使用概率的步骤，包括：
获取每一样本应用在相同采样时段中对应的第一加权时长和第二加权时长的总和，得到加权总时长；
获取所述相同采样时段的总和，得到采样总时长；
根据所述加权总时长和所述采样总时长，计算每一样本应用程序在每一采样时段对应的样本使用概率。
3.如权利要求1所述的应用程序的处理方法，其特征在于，基于训练后的算法模型对所述电子设备中的后台应用程序进行处理的步骤，包括：
确定所述电子设备中的后台应用程序；
基于每一应用程序所对应训练后的算法模型，利用第二预设公式计算每一后台应用程序在目标时间的使用概率，所述第二预设公式为：
Figure FDA0003387096910000021
其中，T表示时间，N表示训练后的算法模型的数量，P(Ai|T)表示采样时段为T时前台运行的应用程序为应用程序i的概率，P(T|Ai)表示样本应用程序i的运行状态为前台运行时采样时段为T的概率，P(T|Aj)表示应用程序j的运行状态为前台运行时采样时段为T的概率；
关闭所述使用概率小于预设阈值的后台应用程序。
4.一种应用程序的处理装置，其特征在于，所述装置包括：
第一获取模块，用于获取历史时间段内每一采样时间点样本应用程序的第一使用信息，所述第一使用信息包括第一使用时长，所述历史时间段、目标历史时间段包括多个时间周期，每一时间周期划分为多个采样时段；
第二获取模块，用于从所述第一使用信息中获取处于目标历史时间段内的第二使用信息，所述第二使用信息包括第二使用时长；
获取子模块，用于获取第一使用时长和第二使用时长对应的加权信息；
处理子模块，用于根据所述加权信息对第一使用时长、第二使用时长生进行处理，得到第一加权时长和第二加权时长；
生成子模块，用于确定每一采样时间点对应的时间周期和采样时段，其中，每一时间周期内采样时间点与采样时段一一对应；
将不同时间周期中处于相同采样时段对应的第一加权时长、第二加权时长进行处理，得到样本应用程序在每一采样时段对应的样本使用概率；
基于所述采样时段以及对应的样本使用概率生成训练样本，所述采样时段包括[t1,t2…tm]，所述样本使用概率包括[P1,P2…Pm]；
输入子模块，用于将所述采样时段及对应的样本使用概率输入至第一预设公式中，所述第一预设公式为:
Figure FDA0003387096910000031
其中，Ai表示样本应用程序i，t表示采样时段，k表示子算法模型数量，μk表示数学期望，σk表示方差，ωk表示权值，N(t|μk,σk)表示随机变量t服从一个数学期望为μk、方差为σk的正态分布，P(t|Ai)表示样本应用程序i的运行状态为前台运行时采样时段为t的概率；
训练子模块，用于基于所输入的采样时段、样本使用概率，对所述第一预设公式进行训练，得到多个训练后的子算法模型；
叠加子模块，用于将多个训练后的子算法模型叠加，以得到训练后的算法模型；
处理模块，用于基于训练后的算法模型对电子设备中的后台应用程序进行处理。
5.一种存储介质，其特征在于，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行如权利要求1-3中任一项所述的应用程序的处理方法。
6.一种电子设备，其特征在于，包括处理器及存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据；所述处理器用于执行如权利要求1-3中任一项所述的应用程序的处理方法。
CN201711123633.1A 2017-11-14 2017-11-14 应用程序的处理方法、装置、存储介质及电子设备 Active CN107943583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711123633.1A CN107943583B (zh) 2017-11-14 2017-11-14 应用程序的处理方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711123633.1A CN107943583B (zh) 2017-11-14 2017-11-14 应用程序的处理方法、装置、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN107943583A CN107943583A (zh) 2018-04-20
CN107943583B true CN107943583B (zh) 2022-02-22

Family

ID=61931987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711123633.1A Active CN107943583B (zh) 2017-11-14 2017-11-14 应用程序的处理方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN107943583B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107728772B (zh) * 2017-09-30 2020-05-12 Oppo广东移动通信有限公司 应用程序的处理方法、装置、存储介质及电子设备
CN109325402B (zh) * 2018-08-06 2022-04-15 高维度（深圳）生物信息智能应用有限公司 一种信号处理方法、系统及计算机存储介质
CN109461231B (zh) * 2018-10-15 2021-07-23 珠海格力电器股份有限公司 一种门锁控制方法、装置、控制设备及可读存储介质
CN109597687B (zh) * 2018-10-31 2020-11-13 东软集团股份有限公司 数据同步的资源分配方法、装置、存储介质和电子设备
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
WO2020206690A1 (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
CN111861092A (zh) * 2020-05-21 2020-10-30 北京骑胜科技有限公司 一种停放区域风险识别方法、装置、电子设备及存储介质
CN112256354B (zh) * 2020-11-25 2023-05-16 Oppo（重庆）智能科技有限公司 应用启动方法、装置、存储介质及电子设备
CN115942429B (zh) * 2022-11-30 2023-10-03 深圳市鑫宇鹏电子科技有限公司 公用家电控制方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521041A (zh) * 2011-12-14 2012-06-27 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
CN104166696A (zh) * 2014-08-01 2014-11-26 小米科技有限责任公司 应用程序推送方法及装置
CN105335648A (zh) * 2015-09-29 2016-02-17 深圳天珑无线科技有限公司 移动终端及其后台应用管理方法
CN106126013A (zh) * 2016-06-15 2016-11-16 维沃移动通信有限公司 一种应用程序管理方法和移动终端
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
CN107273011A (zh) * 2017-06-26 2017-10-20 努比亚技术有限公司 应用程序快速切换方法及移动终端

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8429665B2 (en) * 2010-03-19 2013-04-23 Vmware, Inc. Cache performance prediction, partitioning and scheduling based on cache pressure of threads

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102521041A (zh) * 2011-12-14 2012-06-27 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
CN104166696A (zh) * 2014-08-01 2014-11-26 小米科技有限责任公司 应用程序推送方法及装置
CN105335648A (zh) * 2015-09-29 2016-02-17 深圳天珑无线科技有限公司 移动终端及其后台应用管理方法
CN106126013A (zh) * 2016-06-15 2016-11-16 维沃移动通信有限公司 一种应用程序管理方法和移动终端
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
CN107273011A (zh) * 2017-06-26 2017-10-20 努比亚技术有限公司 应用程序快速切换方法及移动终端

Also Published As

Publication number Publication date
CN107943583A (zh) 2018-04-20

Similar Documents

Publication Publication Date Title
CN107943583B (zh) 应用程序的处理方法、装置、存储介质及电子设备
CN103650035B (zh) 经由社交图谱、语音模型和用户情境识别接近移动装置用户的人
CN107678845B (zh) 应用程序管控方法、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
WO2019062405A1 (zh) 应用程序的处理方法、装置、存储介质及电子设备
CN110097066B (zh) 一种用户分类方法、装置及电子设备
CN107577522B (zh) 应用控制方法、装置、存储介质以及电子设备
CN108076224A (zh) 应用程序控制方法、装置及存储介质和移动终端
CN107678800B (zh) 后台应用清理方法、装置、存储介质及电子设备
CN107832132B (zh) 应用控制方法、装置、存储介质及电子设备
CN107729081B (zh) 应用管理方法、装置、存储介质及电子设备
CN110741387B (zh) 人脸识别方法、装置、存储介质及电子设备
CN107728772B (zh) 应用程序的处理方法、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
CN109509010A (zh) 一种多媒体信息处理方法、终端及存储介质
CN114662645A (zh) 促进持续学习的方法和装置
CN105844107B (zh) 数据处理方法和装置
CN107704876B (zh) 应用控制方法、装置、存储介质以及电子设备
CN110276404B (zh) 模型训练方法、装置及存储介质
CN107729144B (zh) 应用控制方法、装置、存储介质及电子设备
CN111984803B (zh) 多媒体资源处理方法、装置、计算机设备及存储介质
CN112767028A (zh) 一种活跃用户数量的预测方法、计算机设备及存储介质
CN114286999A (zh) 推送内容的处理方法、装置、电子设备以及存储介质
CN112948763B (zh) 件量预测方法、装置、电子设备及存储介质
CN113947418A (zh) 反馈信息的获取方法、装置、电子设备及存储介质

Legal Events

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

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.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant