CN108829457B - 应用程序预测模型更新方法、装置、存储介质及终端 - Google Patents

应用程序预测模型更新方法、装置、存储介质及终端 Download PDF

Info

Publication number
CN108829457B
CN108829457B CN201810532749.9A CN201810532749A CN108829457B CN 108829457 B CN108829457 B CN 108829457B CN 201810532749 A CN201810532749 A CN 201810532749A CN 108829457 B CN108829457 B CN 108829457B
Authority
CN
China
Prior art keywords
application program
application
sample data
training sample
preloaded
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
CN201810532749.9A
Other languages
English (en)
Other versions
CN108829457A (zh
Inventor
陈岩
刘耀勇
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 CN201810532749.9A priority Critical patent/CN108829457B/zh
Publication of CN108829457A publication Critical patent/CN108829457A/zh
Priority to US16/260,716 priority patent/US20190370657A1/en
Priority to PCT/CN2019/076755 priority patent/WO2019227994A1/en
Priority to EP19162115.0A priority patent/EP3575961B1/en
Application granted granted Critical
Publication of CN108829457B publication Critical patent/CN108829457B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • 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
    • 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
    • G06F11/3466—Performance evaluation by tracing or monitoring
    • G06F11/3476—Data logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/61—Installation
    • G06F8/62—Uninstallation
    • 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
    • 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
    • G06F9/44568—Immediately runnable code
    • G06F9/44578—Preparing or optimising for loading
    • 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
    • G06F9/54—Interprogram communication
    • G06F9/542—Event management; Broadcasting; Multicasting; Notifications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models

Abstract

本申请实施例公开了应用程序预测模型更新方法、装置、存储介质及终端。该方法包括：检测到应用程序卸载事件被触发，确定所卸载的第一应用程序；当应用程序预测模型对应的训练样本数据中包含与所述第一应用程序对应的数据记录时，从所述训练样本数据中删除与所述第一应用程序对应的数据记录，生成目标训练样本数据；基于所述目标训练样本数据更新所述应用程序预测模型。本申请通过采用上述技术方案，可解决应用程序被卸载时，应用程序预测模型对应的训练样本数据中包含的应用程序相关的数据记录，与实际安装的应用程序不符的情况，可有效提高利用应用程序预测模型对待启动应用程序预测的准确性。

Description

应用程序预测模型更新方法、装置、存储介质及终端
技术领域
本申请实施例涉及应用程序预加载技术领域，尤其涉及应用程序预测模型更新方法、装置、存储介质及终端。
背景技术
目前，诸如智能手机、平板电脑、笔记本电脑以及智能家电等终端已成为人们日常生活中必不可少的电子设备。随着终端设备不断地智能化，多数终端设备中都装载有操作系统，使得终端设备能够安装丰富多样的应用程序，满足用户不同的需求。
随着终端设备的配置不断提升，多数终端设备中可以安装几十甚至上百个应用程序，而随着应用程序的功能日益丰富，应用程序运行时所需加载的资源也越来越多。当用户选择启动一个应用程序时，终端会对该应用程序启动所需的资源进行加载，待加载完毕后，进入应用程序的初始界面，整个过程通常要花费数秒甚至十几秒的时间，导致应用程序的启动效率较低，亟需改进。
发明内容
本申请实施例提供应用程序预测模型更新方法、装置、存储介质及终端，可以优化终端中应用程序的预加载方案。
第一方面，本申请实施例提供了一种应用程序预测模型更新方法，包括：
检测到应用程序卸载事件被触发，确定所卸载的第一应用程序；
当应用程序预测模型对应的训练样本数据中包含与所述第一应用程序对应的数据记录时，从所述训练样本数据中删除与所述第一应用程序对应的数据记录，生成目标训练样本数据；
基于所述目标训练样本数据更新所述应用程序预测模型。
第二方面，本申请实施例提供了一种应用程序预测模型更新装置，包括：
应用确定模块，用于检测到应用程序卸载事件被触发，确定所卸载的第一应用程序；
样本数据生成模块，用于当应用程序预测模型对应的训练样本数据中包含与所述第一应用程序对应的数据记录时，从所述训练样本数据中删除与所述第一应用程序对应的数据记录，生成目标训练样本数据；
预测模型更新模块，用于基于所述目标训练样本数据更新所述应用程序预测模型。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请实施例第一方面所述的应用程序预测模型更新方法。
第四方面，本申请实施例提供了一种终端，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例第一方面所述的应用程序预测模型更新方法。
本申请实施例中提供的应用程序预测模型更新方案，检测到应用程序卸载事件被触发，确定所卸载的第一应用程序，并当应用程序预测模型对应的训练样本数据中包含与第一应用程序对应的数据记录时，从训练样本数据中删除与第一应用程序对应的数据记录，生成目标训练样本数据，然后基于目标训练样本数据更新应用程序预测模型。通过采用上述技术方案，可解决应用程序被卸载时，应用程序预测模型对应的训练样本数据中包含的应用程序相关的数据记录，与实际安装的应用程序不符的情况，可有效提高利用应用程序预测模型对待启动应用程序预测的准确性。
附图说明
图1为本申请实施例提供的一种应用程序预测模型更新方法的流程示意图；
图2为本申请实施例提供的一种预加载活动窗口堆栈与显示屏幕显示区域的相对位置关系示意图；
图3为本申请实施例提供的又一种预加载活动窗口堆栈与显示屏幕显示区域的相对位置关系示意图；
图4为本申请实施例提供的一种应用界面迁移示意图；
图5为本申请实施例提供的另一种应用程序预测模型更新方法的流程示意图；
图6为本申请实施例提供的又一种应用程序预测模型更新方法的流程示意图；
图7为本申请实施例提供的一种应用程序预测模型更新装置的结构示意图；
图8为本申请实施例提供的一种终端的结构示意图；
图9为本申请实施例提供的另一种终端的结构示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本申请的技术方案。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1为本申请实施例提供的应用程序预测模型更新方法的流程示意图，该方法可以由应用程序预测模型更新装置执行，其中该装置可由软件和/或硬件实现，一般可集成在终端中。如图1所示，该方法包括：
步骤101、检测到应用程序卸载事件被触发，确定所卸载的第一应用程序。
示例性的，本申请实施例中的终端可包括手机、平板电脑、笔记本电脑以及智能家电等终端设备。终端中装载有操作系统。
在本申请实施例中，当检测到应用程序卸载事件被触发时，也即当检测到终端中应用程序被卸载时，获取当前被卸载的应用程序，并将当前被卸载的应用程序作为第一应用程序。其中，对应用程序卸载事件的触发条件不做限定。例如，当检测到用户在设置应用中执行对某应用程序的卸载操作时，触发应用程序卸载事件；或者，当检测到用户在软件管家应用程序中执行对某应用程序的卸载操作时，触发应用程序卸载事件；又或者，检测到用户长按移动终端中某应用程序对应的应用图标，并执行删除操作时，触发应用程序卸载事件。
步骤102、当应用程序预测模型对应的训练样本数据中包含与所述第一应用程序对应的数据记录时，从所述训练样本数据中删除与所述第一应用程序对应的数据记录，生成目标训练样本数据。
在本申请实施例中，应用程序预测模型可以理解为预先训练好的能够预测出待预加载的应用程序的学习模型。应用程序预测模型可以是基于采集的样本训练数据对预设机器学习模型进行训练生成的。所采用的算法可以包括循环神经网络(Recurrent neuralnetworks,RNN)、长短期记忆(Long Short-Term Memory,LSTM)网络、门限循环单元、简单循环单元、自动编码器、决策树、随机森林、特征均值分类、分类回归树、隐马尔科夫、K最近邻(k-NearestNeighbor，KNN)算法、逻辑回归模型、贝叶斯模型、高斯模型以及KL散度(Kullback–Leibler divergence)等等。
可选的，可在用户使用终端的过程中，采集训练样本作为样本训练数据，利用所述样本训练数据对预设机器学习模型进行训练，最终得到用于预测待预加载应用程序的应用程序预测模型。示例性的，样本训练数据中包含的元素可包括应用程序被打开的时间序列或次序序列；可包括应用程序被打开的时间、地点以及频次等；可包括终端的运行状态，如移动数据网络的开关状态、无线热点的连接状态、所连接的无线热点的身份信息、当前运行的应用程序、上一个前景应用程序、当前应用程序在后台停留的时长、当前应用程序最近一次被切换至后台的时间、耳机插孔的插拔状态、充电状态、电池电量信息以及屏幕显示时长等等；还可包括终端中集成的传感器采集到的数据，如运动传感器、光线传感器、温度传感器以及湿度传感器等等。
在本申请实施例中，当检测到应用程序卸载事件被触发时，即检测某应用程序被卸载时，若预先训练的应用程序预测模型对应的训练样本数据中包含与被卸载的应用程序相关的数据记录，容易恶化应用程序预测模型对待预加载应用程预测的准确性。另外，如果在应用预加载事件被触发时，继续基于所述应用程序预测模型确定待预加载应用程序(该应用程序预测模型对应的训练样本数据中包含与被卸载的应用程序相关的数据记录)，容易使确定的待预加载应用程序中包含已卸载的应用程序。因此，当应用程序预测模型对应的训练样本数据中包含与所卸载的第一应用程序对应的数据记录时，从所述训练样本数据中删除与第一应用程序对应的数据记录，生成目标训练样本数据，以方便后续根据更新后的训练样本数据重新训练新的应用程序预测模型，即根据更新后的训练样本数据更新应用程序预测模型。
可选的，当应用程序预测模型对应的训练样本数据包括多组应用时序关联序列时，可将训练样本数据中包含第一应用程序的应用时序关联序列删除。可选的，当训练样本数据包括由样本采集时刻对应的状态特征信息和所述状态特征信息对应的样本标记构成的样本数据时，可删除以第一应用程序为样本标记的样本数据，其中，所述样本标记包括在样本采集时刻之后的预设时间段内被启动的应用程序。本申请实施例对样本数据包含的具体内容不做限定。
步骤103、基于所述目标训练样本数据更新所述应用程序预测模型。
在本申请实施例中，基于所述目标训练样本数据更新所述应用程序预测模型，即基于目标训练样本数据重新对预设机器学习模型进行训练，在训练的过程中，会自动调整预设机器学习模型的网络参数，生成新的应用程序预测模型。
本申请实施例提供的应用程序预测模型更新方法，检测到应用程序卸载事件被触发，确定所卸载的第一应用程序；当应用程序预测模型对应的训练样本数据中包含与第一应用程序对应的数据记录时，从训练样本数据中删除与第一应用程序对应的数据记录，生成目标训练样本数据；基于目标训练样本数据更新应用程序预测模型。通过采用上述技术方案，可解决应用程序被卸载时，应用程序预测模型对应的训练样本数据中包含的应用程序相关的数据记录，与实际安装的应用程序不符的情况，可有效提高利用应用程序预测模型对待启动应用程序预测的准确性。
在一些实施例中，所述从所述训练样本数据中删除与所述第一应用程序对应的数据记录，生成目标训练样本数据，包括：从所述训练样本数据中删除与预设应用程序使用序列对应的数据记录，生成目标训练样本数据；其中，所述预设应用程序使用序列包括：包含了与所述第一应用程序相邻的第二应用程序和所述第一应用程序的应用序列。这样设置的好处在于，可删除包含被卸载的第一应用程序的应用序列，能够进一步提高利用应用程序预测模型对待启动应用程序预测的准确性。
在本申请实施例中，获取预设时间段内应用程序使用时序关联序列，按照时序关系对所述应用程序使用时序关联序列进行分组，得到多组使用时序关联子序列，每组使用时序关联子序列中包含至少两个应用程序相关的应用序列，可将各个使用时序关联子序列作为应用程序预测模型对应的训练样本数据。示例性的，获取一天内应用程序使用时序关联序列为：应用程序A-应用程序B-应用程序C-应用程序D-应用程序A-应用程序E-应用程序F，所卸载的第一应用程序为应用程序C。若对该应用程序使用时序关联序列进行分组，得到的多组使用时序关联子序列为：应用程序A-应用程序B，应用程序B-应用程序C，应用程序C-应用程序D，应用程序D-应用程序A，应用程序A-应用程序E及应用程序E-应用程序F。显然，在训练样本数据中与应用程序C相邻的第二应用程序包括应用程序B和应用程序D，则删除“应用程序B-应用程序C”和“应用程序C-应用程序D”。又如，若对该应用程序使用时序关联序列进行分组，得到的多组使用时序关联子序列为：应用程序A-应用程序B-应用程序C，应用程序B-应用程序C-应用程序D，应用程序C-应用程序D-应用程序A，应用程序D-应用程序A-应用程序E及应用程序A-应用程序E-应用程序F，则可删除“应用程序A-应用程序B-应用程序C”，“应用程序B-应用程序C-应用程序D”，以及“应用程序C-应用程序D-应用程序A”。
在一些实施例中，所述训练样本数据包括：由样本采集时刻对应的状态特征信息和所述状态特征信息对应的样本标记构成的样本数据；其中，所述样本标记包括在样本采集时刻之后的预设时间段内被启动的应用程序；相应的，所述从所述训练样本数据中删除与所述第一应用程序对应的数据记录，生成目标训练样本数据，包括：从所述训练样本数据中删除以所述第一应用程序为样本标记的样本数据，生成目标训练样本数据。这样设置的好处在于，可进一步提高利用应用程序预测模型对待启动应用程序预测的准确性。
在本申请实施例中，在预设采集周期内对各个样本采集时刻对应的状态特征信息，作为训练样本，并监控样本采集时刻之后的预设时间段内被启动的应用程序，可将监控结果作为所述训练样本的样本标记，将标记有样本标记的训练样本作为应用程序预测模型对应的训练样本数据。示例性的，预设采集周期为两周时间，则在这两周时间内，每隔1小时采集一次状态特征信息，预设时间段设置为10分钟。例如，8：00进行第一次状态特征信息采集，并监控8：00-8：10这段时间内被启动的应用程序，如为应用程序A，则将应用程序A作为当前状态特征信息对应的样本标记；9：00进行第二次状态特征信息采集，并监控9：00-9：10这段时间内被启动的应用程序，如为应用程序B，则将应用程序B作为当前状态特征信息对应的样本标记，…，依次类推。需要说明的是，本申请实施例对预设时间段的长短不做限定。其中，状态特征信息可以包括以下至少一项：时间信息、日期类别、移动数据网络的开关状态、无线热点的连接状态、所连接的无线热点的身份信息、上一个前台应用程序、耳机插孔的插拔状态、充电状态、电池电量信息、屏幕显示时长、终端的运动状态、位置信息、蓝牙连接状态和上一次屏幕熄灭时长。
示例性的，被卸载的第一应用程序为应用程序B，则从训练样本数据中删除以应用程序B为样本标记的样本数据。例如，训练样本数据中共包含5000条样本数据，其中以应用程序B为样本标记的样本数据有100条，则从训练样本数据中删除以应用程序B为样本标记的样本数据后，生成的目标训练样本数据中共包含4900条样本数据。
在一些实施例中，所述从所述训练样本数据中删除与所述第一应用程序对应的数据记录，生成目标训练样本数据，包括：确定与所述第一应用程序的应用类型相同的第三应用程序；用与所述第三应用程序对应的数据记录，替换所述训练样本数据中与所述第一应用程序对应的数据记录，生成目标训练样本数据。这样设置的好处在于，可以用与被卸载的第一应用程序应用类型相同的其他应用程序来替换第一应用程序对应的数据记录，可提高对用户真实启动的应用程序进行预加载的命中率。
可以理解的是，用户卸载了第一应用程序，可能会使用与第一应用程序的应用类型相同的其他应用程序，如终端中包括百度地图和高德地图，用户卸载了百度地图，可能会用高德地图来代替百度地图的使用地位，如果直接将与卸载的第一应用程序对应的所有数据记录删除，容易无法预测出用户真实启动的应用程序。而且，当与第一应用程序对应的数据记录在所有的训练样本数据中占的比例较大时，会影响应用程序预测模型训练的精度。因此，可确定与所述第一应用程序的应用类型相同的第三应用程序，用与所述第三应用程序对应的数据记录，替换所述训练样本数据中与所述第一应用程序对应的数据记录，生成目标训练样本数据。
本申请实施例中，对应用类型的划分规则不做限定，例如，可按照与其他应用程序间的关联关系进行分类(如支付宝和微信均为与购物类应用程序强关联的应用程序，可将支付宝和微信视作支付类应用程序)，也可按照应用商店中的默认分类(如分为社交类、办公类、游戏类、摄影与录像类以及教育类等等)对应用程序进行分类等。示例性的，所卸载的第一应用程序为淘宝，淘宝属于购物类应用程序，京东商城也属于购物类应用程序，因此，可将京东商场作为与淘宝的应用类型相同的第三应用程序，并用与京东商城对应的数据记录，替换训练样本数据中与淘宝对应的数据记录，生成目标训练样本数据。
示例性的，训练样本数据包括多组应用程序使用时序关联序列，分别为：淘宝-支付宝，支付宝-QQ，QQ-微信，微信-美团外卖，美团外卖-淘宝，淘宝-酷狗音乐，则用与京东商城对应的数据记录，替换训练样本数据中与淘宝对应的数据记录，生成的目标训练样本数据为：京东商城-支付宝，支付宝-QQ，QQ-微信，微信-美团外卖，美团外卖-京东商城，京东商城-酷狗音乐。又示例性的，所述训练样本数据包括：由样本采集时刻对应的状态特征信息和所述状态特征信息对应的样本标记构成的样本数据；其中，所述样本标记包括在样本采集时刻之后的预设时间段内被启动的应用程序。在所述训练样本数据中包含10条以淘宝为样本标记的样本数据，则将这10条以淘宝为样本标记的样本数据，替换为以京东商城为样本标记的样本数据。可以理解的是，替换后的样本数据中对应的状态特征信息不做改变。
在一些实施例中，在所述基于所述目标训练样本数据更新所述应用程序预测模型的过程中，还包括：检测到应用预加载事件被触发时，基于所述应用程序预测模型预测出第一待预加载应用程序；对所述第一待预加载应用程序进行预加载。这样设置的好处在于，可通过应用程序预测模型快速预测出待预加载应用程序。
可选的，在所述基于所述目标训练样本数据更新所述应用程序预测模型之后，还包括：检测到应用预加载事件被触发时，基于更新后的应用程序预测模型预测出第二待预加载应用程序；对所述第二待预加载应用程序进行预加载。这样设置的好处，可基于更新后的应用程序预测模型预测快速、准确地预测出待预加载应用程序，并可避免预测出的待预加载应用程序中依然包含已卸载的应用程序的情况发生。
示例性的，应用预加载事件的触发条件可以根据实际情况设置，本申请实施例不作具体限定。例如，可以在检测到用户的动作满足预设条件(如拿起终端、输入屏幕解锁操作或输入终端解锁操作等)时，触发应用预加载事件；或者可以在检测到前台应用程序发生变更时，触发应用预加载事件；或者可以在预加载应用的预测流程结束后，立即(或经过预设时长后)触发应用预加载事件；或者可以定时间隔触发等等。当应用预加载事件被触发后，系统可以通过读取标志位或接收触发指令等方式检测到应用预加载事件已被触发，具体的检测方式本申请实施例也不做限定。
示例性的，待预加载的应用程序可以理解为用户可能即将打开的应用程序，可以是预先设置好的固定的应用程序，也可以是采用一定的方式预测出来的应用程序等。待预加载的应用程序可以包括一个或多个。
下面以第二待预加载应用程序为例进行解释说明。
本申请实施例中，确定第二待预加载应用程序可以包括根据更新后的应用程序预测模型之前的输出结果确定第二待预加载应用程序，也可以包括利用更新后的应用程序预测模型进行预测，根据更新后的应用程序预测模型的当前输出结果确定第二待预加载应用程序。
本申请实施例中，当第二待预加载应用程序为多个(N个)时，更新后的应用程序预测模型可以输出候选应用程序集合中每个候选应用集合的启动概率，将启动概率较高的候选应用确定为第二待预加载应用程序。可选的，所述确定第二待预加载应用程序，包括：预测候选应用程序的启动概率；将启动概率较高的预设数值个候选应用程序确定为第二待预加载应用程序。示例性的，候选应用程序可包括终端中安装的所有应用程序，也可包括部分应用程序。部分应用程序可以不包含系统应用程序，还可以不包含用户很少使用的应用程序。本申请实施例对候选应用程序的确定方式以及数量不做限定。可选的，可根据当前时刻之前的预设时段内各应用程序的使用次数和/或使用时长确定候选应用程序，预设时段例如是1个月，当使用次数和/或使用时长超过相应的阈值时，将所对应的应用程序确定为候选应用程序，或者，按照使用次数和/或使用时长对各应用程序进行排序，将排名靠前的应用程序确定为候选应用程序。
示例性的，可采用上文所述的更新后的应用程序预测模型来确定各候选应用程序的启动概率。例如，按照更新后的应用程序预测模型训练时的训练样本数据，采集当前样本，将当前样本输入至更新后的应用程序预测模型中，得到各候选应用程序的启动概率。可对启动概率进行由高到低的排序，将排在前N(N为预设数值)的候选应用程序确定为待加载应用程序。这样设置的好处在于，能够对多个应用程序进行预加载，且这多个应用程序是根据启动概率来确定的，可以提高预测的准确性。
本申请实施例中对预加载的具体过程以及所加载的资源不做限定，以对第二待预加载应用程序进行预加载为例进行说明。例如可为第二待预加载应用程序分配相应的硬件资源，并基于分配的硬件资源加载启动所需的相关数据。示例性的，可包括应用进程启动、应用服务启动、内存分配、文件内容读取、网络数据获取以及界面渲染等。此外，预加载的资源可根据第二待预加载应用程序的具体类型来确定。例如，若第二待预加载应用程序为一个社交软件，可以预加载该第二待预加载应用程序中的启动画面、联系人列表以及近期的消息记录等；若第二待预加载应用程序为一个游戏，可以预加载该第二待预加载应用程序中的游戏背景相关数据等。
在一些实施例中，在对所述第一待预加载应用程序进行预加载之前，还包括：判断所述第一待预加载应用程序中是否包含所述第一应用程序；当所述第一待预加载应用程序中包含所述第一应用程序时，从所述第一待预加载应用程序中删除所述第一应用程序；相应的，对所述第一待预加载应用程序进行预加载，包括：对已删除所述第一应用程序后的所述第一待预加载应用程序进行预加载。可以理解的是，在所述基于所述目标训练样本数据更新所述应用程序预测模型的过程中，也即应用程序预测模型未更新完或未开始更新时，检测到应用预加载事件被触发时，可直接基于预先训练的应用程序预测模型预测出的第一待预加载应用程序，但在第一待预加载应用程序中可能包含已卸载的第一应用程序。因此，可在确定第一待预加载应用程序中包含所述第一应用程序时，从第一待预加载应用程序中删除第一应用程序，对已删除第一应用程序后的所述第一待预加载应用程序进行预加载，可节省系统资源。
在一些实施例中，对所述第一待预加载应用程序进行预加载，包括：基于预先创建的预加载活动窗口堆栈预加载所述第一待预加载应用程序对应的应用界面，其中，所述预加载活动窗口堆栈对应的边界坐标位于显示屏幕的坐标范围之外；或者对所述第二待预加载应用程序进行预加载，包括：基于预先创建的预加载活动窗口堆栈预加载所述第二待预加载应用程序对应的应用界面，其中，所述预加载活动窗口堆栈对应的边界坐标位于显示屏幕的坐标范围之外。
下面以对第二待预加载应用程序进行预加载为例进行下面的说明。
本申请实施例中，活动窗口可理解为一个独立的直接面向用户提供交互和操作的界面，在不同的操作系统中可能采用不同的名词来命名该界面。为了便于理解，下面以安卓(Android)操作系统为例进行下面的说明。
在Android系统中，活动窗口被称为Activity。Activity是一个负责与用户交互的组件，其提供一个屏幕(可以理解为屏幕界面，而非实体的显示屏幕)，以供用户交互完成某项任务。在一个android应用程序中，一个Activity通常就是一个单独的屏幕，它上面可以显示一些控件也可以监听并处理用户的事件。在对Activity进行管理中，有这样两个概念：Task(任务栈)和Stack(活动窗口堆栈)。Task对应一个应用程序，Task用于存放Activity，一个Task中可以存放一个或多个Activity，且这些Activity遵循“先进后出，后进先出”的原则。而Stack又用于对Task进行管理，通常，一个Stack对一个屏幕所需展示的各Activity所属的Task进行管理，一个Stack可以管理一个或多个Task，当然，Stack也同样遵循堆栈的基本管理原则。这里所述的屏幕并不一定是完整独立的显示屏，以“两个屏幕”为例，这两个屏幕可能只是一个完整显示屏中两个独立显示各自显示内容的区域。当然，如果终端具备两个甚至是两个以上的独立显示屏，则“两个屏幕”也可以是两个独立的显示屏。
在Android系统中，支持多窗口模式，可包括分屏模式、画中画模式以及自由模式(FreeForm)。在多窗口模式下，应用程序所在的Stack可以有自己的尺寸(size)，可以包括以终端屏幕左上角为原点的坐标系中的上下左右坐标。例如，(a，b，c，d)，一般描述的是一个矩形的边界，可采用矩形左上角的坐标和右下角的坐标进行表示，即矩形的左上角坐标为(a，b)，右下角坐标为(c，d)，这样的矩形区域就对应Stack的size。Stack中的应用内布局是以Stack的size为准的，也就是说Activity对应的应用界面是在size的边界范围内进行显示的。
在多窗口模式下，可以允许多个应用程序处于可见状态，包括系统和用户均可见和仅系统可见。系统和用户均可见指的是在显示屏幕上进行显示，且用户能够看到；仅系统可见指的是操作系统可见，而用户不可见，可能被前台的应用遮挡或者如本申请所要实现的在显示屏幕外显示。
本申请实施例中，在显示屏幕外对第二待预加载应用程序的应用界面进行预加载，可以基于操作系统的多窗口机制来实现，通过多窗口机制将应用程序对应的size设在显示屏幕外而达到对用户不可见的目的，从而不会影响到前台应用程序的显示内容在显示屏幕上的显示。
一般的，多窗口模式下，可以存在多种类型的Stack，如Home Stack表示桌面应用显示的Stack，App Stack表示第三方应用显示，还可以有其他分屏Stack等。本申请实施例中，新增了预加载活动窗口堆栈(预加载Stack)，用于表示预加载应用显示的Stack，并设置预加载Stack的边界坐标位于显示屏幕的坐标范围之外，待预加载的应用程序可以显示在该Stack。对于Android系统来说，可以基于Android系统的多窗口机制，新建一个专门用于显示预加载应用的Stack。本申请实施例中，新建Stack是因为可以让新建的预加载Stack拥有自己的size以及可见性，从而实现在显示屏幕外预加载的目的。
本申请实施例中，对预加载Stack的创建时机不做限定，可以是在终端出厂前默认设置预加载Stack处于常驻状态，即预加载Stack一直存在；也可以在终端开机时或终端解锁成功后创建；还可以在应用预加载事件被触发后(可以在确定第二待预加载应用程序之前)创建等等。可选的，所述基于预先创建的预加载活动窗口堆栈预加载所述第二待预加载应用程序对应的应用界面，包括：判断是否存在预先创建的预加载活动窗口堆栈；若不存在，则按照预设规则创建预加载活动窗口堆栈；基于所创建的预加载活动窗口堆栈预加载所述第二待预加载应用程序对应的应用界面。这样设置的好处在于，在确定待预加载的第二待预加载应用程序之后，判断预加载Stack是否存在，若存在，则无需新建，若不存在，则进行创建，可以节省系统资源。可以理解的是，当第二待预加载应用程序包含多个时，也即需要在短时间内连续预加载多个应用程序时，在第一个第二待预加载应用程序开始加载前，预加载Stack已创建完毕，那么第二个第二待预加载应用程序开始加载前，预加载Stack是存在的，可以不必进行上述判断。
本申请实施例中，对基于预加载Stack预加载第二待预加载应用程序对应的应用界面的具体过程不做限定，例如可以基于预加载Stack的size进行应用界面的绘制并显示等。
在一些实施例中，所述基于预先创建的预加载活动窗口堆栈预加载所述第二待预加载应用程序对应的应用界面，包括：创建所述第二待预加载应用程序对应的目标进程；在预先创建的预加载活动窗口堆栈中创建所述第二待预加载应用程序对应的任务栈；基于所述目标进程在所述任务栈中启动所述第二待预加载应用程序对应的活动窗口；基于所启动的活动窗口绘制并显示所述第二待预加载应用程序对应的应用界面。这样设置的好处在于，能够基于屏幕坐标范围之外的预加载活动窗口堆栈对第二待预加载应用程序的应用界面进行绘制并显示，不会干扰前台应用程序的运行及显示，保证系统稳定性，同时有效提高第二待预加载应用程序启动时的速度。在创建目标进程的同时，还可包括目标进程的初始化过程。在上述步骤的执行过程中，还可能涉及其他资源的预加载，如应用服务启动、内存分配、文件内容读取及网络数据获取等，本申请实施例对其他资源的预加载过程不做限定。
在一些实施例中，还包括：向所述第二待预加载应用程序发送伪造焦点通知，并基于所述伪造焦点通知在预设时间段内保持所述第二待预加载应用程序对应的应用界面的持续绘制以及显示更新。这样设置的好处在于，能够在第二待预加载应用程序获得焦点并对系统可见的情况下完成应用界面的绘制及显示，提高预加载的完成度，且不对前台应用的焦点产生影响。本申请实施例中的焦点又称为输入焦点，伪造焦点与前台应用对应的焦点相互独立。一般的，对于目前的Android系统来说，焦点是唯一的，例如触摸等输入操作只对焦点生效，对于输入焦点信息，系统端和应用端是一致的，系统端一旦修改输入焦点信息，就会向应用发送输入焦点信息发生变化的信息，以此方法保证系统端和应用端输入焦点信息一致。本申请实施例中，通过分离系统端和应用端输入焦点信息的方式，实现应用端可伪造焦点的目的。具体的，本申请实施例中，对预加载应用伪造焦点通知，使预加载应用具有焦点信息，而系统端的焦点信息仍然是正确的，这样处理可以使得预加载应用能够正常绘制，达到全部加载的目的。焦点存在于系统端和应用端，可认为是服务端(server)和客户端(client)，系统端记录拥有焦点的应用，应用端保存标志位(flag)标识自己是否有焦点。伪造输入焦点的时机可以是当Android的窗口系统新增窗口，需要更新焦点时，生成伪造焦点通知并进行发送。伪造焦点的方法可以是调用窗口的client端的改变窗口焦点的方法，使得该窗口获取焦点。具体的，可基于Binder机制进行伪造焦点通知的发送，Binder机制是Android系统的进程间通信的最常用的方式，采用c/s架构，即客户/服务架构。
本申请实施例中，预设时间段可根据实际情况设计，例如可以是开始预加载后的固定时长范围内，也可以是开始预加载到完成预加载的时段等。在一些实施例中，所述预设时间段的长度包括所述第二待预加载应用程序中启动广告或启动动画的播放时长。一些应用程序在启动的过程中，通常会播放一些广告或动画，广告或动画的播放时长通常为3秒至十几秒不等，在播放广告或动画期间，用户可能没办法进行任何操作，只能等待播放完毕，浪费用户的宝贵时间。本申请实施例这样设置的好处在于，能够在第二待预加载应用程序启动之前，在屏幕外播放完启动广告或启动动画，当第二待预加载应用程序启动时，可直接进入应用程序的主页面或其他用户可操作的界面，从而将第二待预加载应用程序的可操作时间点进一步提前，减少等待时间。
在一些实施例中，在基于预先创建的预加载活动窗口堆栈预加载所述新安装的应用程序和所述第二待预加载应用程序对应的应用界面之后，还包括：在接收到所述第二待预加载应用程序中包含的目标应用程序的启动指令时，将所述预加载活动窗口堆栈中包含的所述目标应用程序对应的应用界面迁移至所述显示屏幕进行显示。这样设置的好处在于，在目标应用程序真正需要启动的时候，直接将已经绘制好的应用界面迁移到显示屏幕进行显示，能够达到应用界面的快速切换，提高启动速度。
在一些实施例中，所述将所述预加载活动窗口堆栈中包含的所述目标应用程序对应的应用界面迁移至所述显示屏幕进行显示，包括：将所述预加载活动窗口堆栈中包含的所述目标应用程序对应的任务栈迁移至应用活动窗口堆栈的顶部；更新所述任务栈的尺寸信息、配置信息和可见性，以实现所述目标应用程序对应的应用界面在所述显示屏幕进行显示。这样设置的好处在于，能够保证界面迁移过程的稳定性，保证恢复过程不会出现卡屏、黑屏或迁移速度慢等问题。
对于一些终端来说，尤其是手机及平板电脑等移动终端，为了方便用户的使用，显示屏幕的显示方式通常包括竖屏显示和横屏显示，许多应用程序默认采用竖屏方式进行显示，而有些应用程序默认采用横屏方式进行显示(如一些网络游戏)，在终端的使用过程中，有些应用程序还会随着用户握持终端的方向而进行横竖屏显示的切换。在本申请的一些实施例中，所述预加载活动窗口堆栈对应的边界坐标为(H，0，2H，H)，所述边界坐标对应的坐标系为系统坐标，所述系统坐标的原点为所述显示屏幕的左上角，H为所述显示屏幕的显示区域的长边长度。也就是说，H对应的边是显示屏幕的显示区域的最大边，在竖屏显示时为显示屏幕的高，在横屏显示时为显示屏幕的宽。这样设置的目的是考虑到显示屏幕横屏、预加载应用横屏显示，以及一些应用程序的正常显示。图2为本申请实施例提供的一种预加载活动窗口堆栈与显示屏幕显示区域的相对位置关系示意图。如图2所示，此时显示屏幕为竖屏方式，终端系统坐标的原点为显示屏幕201的左顶点(0,0)，显示屏幕201的宽度方向为X轴，高度方向为Y轴，预加载Stack202对应的边界坐标为(H，0，2H，H)，H为屏幕高，即左边实线矩形范围内的区域为主屏幕显示区域，右边虚线矩形范围内的区域为预加载显示区域。图3为本申请实施例提供的又一种预加载活动窗口堆栈与显示屏幕显示区域的相对位置关系示意图。如图3所示，此时显示屏幕为横屏方式，终端系统坐标的原点为显示屏幕301的左顶点(0,0)，显示屏幕301的高度方向为X轴，宽度方向为Y轴，预加载Stack202对应的边界坐标为(H，0，2H，H)，H为屏幕高，即左边实线矩形范围内的区域为主屏幕显示区域，右边虚线矩形范围内的区域为预加载显示区域。
预加载Stack各个边界如此设置的原因在于：
左上角的横坐标为H，是为了防止横屏时显示屏幕(也可称为主屏幕)显示到预加载应用的界面，因为主屏幕除了竖屏模式，还有横屏模式，当主屏幕横屏的时候，为了防止主屏幕显示区域显示了预加载的应用的局部，所以将预加载Stack对应的矩形区域的左上角横坐标设为屏幕高。
左上角的纵坐标为0，是为了预加载应用能够正确计算状态栏高度。Android应用为了更好的设计用户界面(User Interface，UI)，会自定义顶部状态栏，如果上边对应的纵坐标不等于0，那么状态栏的高度可能会错误。
右下角的横坐标为2H(2倍屏幕高)，即预加载Stack对应的矩形的宽＝屏幕高，是为了预加载Stack的size能够包含预加载时候的横屏应用(即应用界面为横屏显示方式的应用程序)。
右下角的纵坐标为H，即预加载Stack对应的矩形的高＝屏幕高，是为了预加载Stack的size能够包含预加载时候的竖屏应用。
基于上述的原因，发明人将预加载Stack的size设置为(H，0，2H，H)。
此外，图4为本申请实施例提供的一种应用界面迁移示意图，如图4所示，在接收到目标应用程序的启动指令时，将预加载活动窗口堆栈中包含的目标应用程序对应的应用界面401迁移至显示屏幕201进行显示，具体的，将预加载应用界面所属的task迁移至应用活动窗口Stack的顶部，并更新该task的尺寸信息、配置信息和可见性，从而应用界面能够在显示屏幕上正常显示。
图5为本申请实施例提供的另一种应用程序预测模型更新方法的流程示意图，该方法包括如下步骤：
步骤501、检测到应用程序卸载事件被触发，确定所卸载的第一应用程序。
例如，12：00检测到美团外卖被卸载，则所卸载的第一应用程序为美团外卖。
步骤502、当应用程序预测模型对应的训练样本数据中包含与所述第一应用程序对应的数据记录时，从所述训练样本数据中删除与预设应用程序使用序列对应的数据记录，生成目标训练样本数据。
其中，所述预设应用程序使用序列包括：包含了与所述第一应用程序相邻的第二应用程序和所述第一应用程序的应用序列。
示例性的，应用程序预测模型对应的训练样本数据包括：酷狗音乐-饿了么，饿了么-美团外卖，美团外卖-微信，微信-QQ及QQ-淘宝，在所述训练样本数据中与美团外卖相邻的第二应用程序包括：饿了么和微信，则可将上述训练样本数据中的“饿了么-美团外卖”和“美团外卖-微信”删除，将剩余的训练样本数据：酷狗音乐-饿了么，微信-QQ及QQ-淘宝，作为目标训练样本。
步骤503、基于所述目标训练样本数据更新所述应用程序预测模型。
步骤504、检测到应用预加载事件被触发时，基于更新后的应用程序预测模型预测出第二待预加载应用程序。
可以理解的是，基于更新后的应用程序预测模型预测出的第二待预加载应用程序中不包含已卸载的第一应用程序。
步骤505、对所述第二待预加载应用程序进行预加载。
例如，第二待预加载应用程序为微信，则可对微信对应的启动资源进行预加载。例如可为微信分配相应的硬件资源，并基于分配的硬件资源加载启动所需的相关数据。示例性的，可包括微信对应的应用进程启动、应用服务启动、内存分配、文件内容读取以及网络数据获取等。
步骤506、在接收到第二待加载应用程序中包含的第一目标应用程序的启动指令时，基于已预加载资源启动所述第一目标应用程序。
示例性的，当用户点击微信对应的桌面图标后，接收到微信宝的启动指令，基于已预加载资源启动微信，可有效提升微信的启动速度。
本申请实施例提供的应用程序预测模型更新方法，检测到应用程序卸载事件被触发，确定所卸载的第一应用程序，并当应用程序预测模型对应的训练样本数据中包含与第一应用程序对应的数据记录时，从训练样本数据中删除与预设应用程序使用序列对应的数据记录，生成目标训练样本数据，其中，预设应用程序使用序列包括：包含了与第一应用程序相邻的第二应用程序和第一应用程序的应用序列，然后在检测到应用预加载事件被触发时，基于更新后的应用程序预测模型预测出第二待预加载应用程序，并对第二待预加载应用程序进行预加载，可解决应用程序被卸载时，应用程序预测模型对应的训练样本数据中包含的应用程序相关的数据记录，与实际安装的应用程序不符的情况，并能够进一步提高利用应用程序预测模型对待启动应用程序预测的准确性。
图6为本申请实施例提供的另一种应用程序预测模型更新方法的流程示意图，该方法包括如下步骤：
步骤601、检测到应用程序卸载事件被触发，确定所卸载的第一应用程序。
步骤602、当应用程序预测模型对应的训练样本数据中包含与所述第一应用程序对应的数据记录时，确定与所述第一应用程序的应用类型相同的第三应用程序。
例如，所卸载的第一应用程序为百度地图，则可将高德地图确定为与百度地图的应用类型相同的第三应用程序，其中，百度地图和高德地图的应用类型可视为导航类应用程序。
步骤603、用与所述第三应用程序对应的数据记录，替换所述训练样本数据中与所述第一应用程序对应的数据记录，生成目标训练样本数据。
示例性的，应用程序预测模型对应的训练样本数据包括多组应用时序关联序列时，可将训练样本数据中与第一应用程序相邻的第二应用程序和第一应用程序的应用序列删除。例如，训练样本数据为：短信-微信，微信-淘宝，淘宝-支付宝，支付宝-百度地图及百度地图-相机，其中，第二应用程序为：支付宝和相机，可将“支付宝-百度地图”替换为“支付宝-高德地图”，将“百度地图-相机”替换为“高德地图-相机”。
又示例性的，训练样本数据包括：由样本采集时刻对应的状态特征信息和所述状态特征信息对应的样本标记构成的样本数据；其中，所述样本标记包括在样本采集时刻之后的预设时间段内被启动的应用程序时，可将以第一应用程序为样本标记的样本数据替换为以第三应用程序为样本标记的样本数据。例如，可将以百度地图为样本标记的样本数据替换为以高德地图为样本标记的样本数据。
步骤604、基于所述目标训练样本数据更新所述应用程序预测模型。
步骤605、检测到应用预加载事件被触发时，基于更新后的应用程序预测模型预测出第二待预加载应用程序。
可选的，在所述基于所述目标训练样本数据更新所述应用程序预测模型的过程中，如果检测到应用预加载事件被触发时，则可基于所述应用程序预测模型预测出第一待预加载应用程序，此时，可进一步判断所述第一待预加载应用程序中是否包含所述第一应用程序，并在所述第一待预加载应用程序中包含所述第一应用程序时，从所述第一待预加载应用程序中删除所述第一应用程序，并对已删除所述第一应用程序后的所述第一待预加载应用程序进行预加载。
步骤606、基于预先创建的预加载活动窗口堆栈预加载所述第二待预加载应用程序对应的应用界面。
其中，所述预加载活动窗口堆栈对应的边界坐标位于显示屏幕的坐标范围之外。
步骤607、在接收到第二待加载应用程序中包含的第二目标应用程序的启动指令时，将预加载活动窗口堆栈中包含的第二目标应用程序对应的应用界面迁移至显示屏幕进行显示。
示例性的，当用户点击高德地图对应的桌面图标后，接收到高德地图的启动指令，将预加载活动窗口堆栈中包含的高德地图对应的应用界面迁移至显示屏幕进行显示。
本申请实施例提供的应用程序预测模型更新方法，当应用程序预测模型对应的训练样本数据中包含与所卸载的第一应用程序对应的数据记录时，确定与第一应用程序的应用类型相同的第三应用程序；用与第三应用程序对应的数据记录，替换训练样本数据中与第一应用程序对应的数据记录，生成目标训练样本数据，基于更新后的应用程序预测模型预测出第二待预加载应用程序，并对第二待预加载应用程序进行预加载，可以用与被卸载的第一应用程序应用类型相同的其他应用程序来替换第一应用程序对应的数据记录，能够进一步提高对用户真实启动的应用程序进行预加载的命中率。
图7为本申请实施例提供的一种应用程序预测模型更新装置的结构示意图，该装置可由软件和/或硬件实现，一般集成在终端中，可通过执行应用程序预测模型更新方法来当应用程序卸载时更新应用程序预测模型。如图7所示，该装置包括：
应用确定模块701，用于检测到应用程序卸载事件被触发，确定所卸载的第一应用程序；
样本数据生成模块702，用于当应用程序预测模型对应的训练样本数据中包含与所述第一应用程序对应的数据记录时，从所述训练样本数据中删除与所述第一应用程序对应的数据记录，生成目标训练样本数据；
预测模型更新模块703，用于基于所述目标训练样本数据更新所述应用程序预测模型。
本申请实施例中提供的应用程序预测模型更新装置，检测到应用程序卸载事件被触发，确定所卸载的第一应用程序，并当应用程序预测模型对应的训练样本数据中包含与第一应用程序对应的数据记录时，从训练样本数据中删除与第一应用程序对应的数据记录，生成目标训练样本数据，然后基于目标训练样本数据更新应用程序预测模型。通过采用上述技术方案，可解决应用程序被卸载时，应用程序预测模型对应的训练样本数据中包含的应用程序相关的数据记录，与实际安装的应用程序不符的情况，可有效提高利用应用程序预测模型对待启动应用程序预测的准确性。
可选的，所述样本数据生成模块，用于：
从所述训练样本数据中删除与预设应用程序使用序列对应的数据记录，生成目标训练样本数据；其中，所述预设应用程序使用序列包括：包含了与所述第一应用程序相邻的第二应用程序和所述第一应用程序的应用序列。
可选的，所述训练样本数据包括：由样本采集时刻对应的状态特征信息和所述状态特征信息对应的样本标记构成的样本数据；其中，所述样本标记包括在样本采集时刻之后的预设时间段内被启动的应用程序；
相应的，所述样本数据生成模块，用于：
从所述训练样本数据中删除以所述第一应用程序为样本标记的样本数据，生成目标训练样本数据。
可选的，所述样本数据生成模块，用于：
确定与所述第一应用程序的应用类型相同的第三应用程序；
用与所述第三应用程序对应的数据记录，替换所述训练样本数据中与所述第一应用程序对应的数据记录，生成目标训练样本数据。
可选的，该装置还包括：
第一应用预加载模块，用于在所述基于所述目标训练样本数据更新所述应用程序预测模型的过程中，检测到应用预加载事件被触发时，基于所述应用程序预测模型预测出第一待预加载应用程序；对所述第一待预加载应用程序进行预加载；或者
第一应用预加载模块，用于在所述基于所述目标训练样本数据更新所述应用程序预测模型之后，检测到应用预加载事件被触发时，基于更新后的应用程序预测模型预测出第二待预加载应用程序；对所述第二待预加载应用程序进行预加载。
可选的，在对所述第一待预加载应用程序进行预加载之前，还包括：
判断所述第一待预加载应用程序中是否包含所述第一应用程序；
当所述第一待预加载应用程序中包含所述第一应用程序时，从所述第一待预加载应用程序中删除所述第一应用程序；
相应的，对所述第一待预加载应用程序进行预加载，包括：
对已删除所述第一应用程序后的所述第一待预加载应用程序进行预加载。
可选的，对所述第一待预加载应用程序进行预加载，包括：基于预先创建的预加载活动窗口堆栈预加载所述第一待预加载应用程序对应的应用界面，其中，所述预加载活动窗口堆栈对应的边界坐标位于显示屏幕的坐标范围之外；或者
对所述第二待预加载应用程序进行预加载，包括：基于预先创建的预加载活动窗口堆栈预加载所述第二待预加载应用程序对应的应用界面，其中，所述预加载活动窗口堆栈对应的边界坐标位于显示屏幕的坐标范围之外。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行应用程序预测模型更新方法，该方法包括：
检测到应用程序卸载事件被触发，确定所卸载的第一应用程序；
当应用程序预测模型对应的训练样本数据中包含与所述第一应用程序对应的数据记录时，从所述训练样本数据中删除与所述第一应用程序对应的数据记录，生成目标训练样本数据；
基于所述目标训练样本数据更新所述应用程序预测模型。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDRRAM、SRAM、EDORAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的应用程序预测模型更新操作，还可以执行本申请任意实施例所提供的应用程序预测模型更新方法中的相关操作。
本申请实施例提供了一种终端，该终端中可集成本申请实施例提供的应用程序预测模型更新装置。图8为本申请实施例提供的一种终端的结构示意图。终端800可以包括：存储器801，处理器802及存储在存储器上并可在处理器运行的计算机程序，所述处理器802执行所述计算机程序时实现如本申请实施例所述的应用程序预测模型更新方法。
本申请实施例提供的终端，可解决应用程序被卸载时，应用程序预测模型对应的训练样本数据中包含的应用程序相关的数据记录，与实际安装的应用程序不符的情况，可有效提高利用应用程序预测模型对待启动应用程序预测的准确性。
图9为本申请实施例提供的另一种终端的结构示意图，该终端可以包括：壳体(图中未示出)、存储器901、中央处理器(central processing unit，CPU)902(又称处理器，以下简称CPU)、电路板(图中未示出)和电源电路(图中未示出)。所述电路板安置在所述壳体围成的空间内部；所述CPU902和所述存储器901设置在所述电路板上；所述电源电路，用于为所述终端的各个电路或器件供电；所述存储器901，用于存储可执行程序代码；所述CPU902通过读取所述存储器901中存储的可执行程序代码来运行与所述可执行程序代码对应的计算机程序，以实现以下步骤：
检测到应用程序卸载事件被触发，确定所卸载的第一应用程序；
当应用程序预测模型对应的训练样本数据中包含与所述第一应用程序对应的数据记录时，从所述训练样本数据中删除与所述第一应用程序对应的数据记录，生成目标训练样本数据；
基于所述目标训练样本数据更新所述应用程序预测模型。
所述终端还包括：外设接口903、RF(Radio Frequency，射频)电路905、音频电路906、扬声器911、电源管理芯片908、输入/输出(I/O)子系统909、其他输入/控制设备910、触摸屏912、其他输入/控制设备910以及外部端口904，这些部件通过一个或多个通信总线或信号线907来通信。
应该理解的是，图示终端900仅仅是终端的一个范例，并且终端900可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
下面就本实施例提供的用于应用程序预测模型更新的终端进行详细的描述，该终端以手机为例。
存储器901，所述存储器901可以被CPU902、外设接口903等访问，所述存储器901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，例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
外设接口903，所述外设接口903可以将设备的输入和输出外设连接到CPU902和存储器901。
I/O子系统909，所述I/O子系统909可以将设备上的输入输出外设，例如触摸屏912和其他输入/控制设备910，连接到外设接口903。I/O子系统909可以包括显示控制器9091和用于控制其他输入/控制设备910的一个或多个输入控制器9092。其中，一个或多个输入控制器9092从其他输入/控制设备910接收电信号或者向其他输入/控制设备910发送电信号，其他输入/控制设备910可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是，输入控制器9092可以与以下任一个连接：键盘、红外端口、USB接口以及诸如鼠标的指示设备。
触摸屏912，所述触摸屏912是用户终端与用户之间的输入接口和输出接口，将可视输出显示给用户，可视输出可以包括图形、文本、图标、视频等。
I/O子系统909中的显示控制器9091从触摸屏912接收电信号或者向触摸屏912发送电信号。触摸屏912检测触摸屏上的接触，显示控制器9091将检测到的接触转换为与显示在触摸屏912上的用户界面对象的交互，即实现人机交互，显示在触摸屏912上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是，设备还可以包括光鼠，光鼠是不显示可视输出的触摸敏感表面，或者是由触摸屏形成的触摸敏感表面的延伸。
RF电路905，主要用于建立手机与无线网络(即网络侧)的通信，实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地，RF电路905接收并发送RF信号，RF信号也称为电磁信号，RF电路905将电信号转换为电磁信号或将电磁信号转换为电信号，并且通过该电磁信号与通信网络以及其他设备进行通信。RF电路905可以包括用于执行这些功能的已知电路，其包括但不限于天线系统、RF收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、CODEC(COder-DECoder，编译码器)芯片组、用户标识模块(Subscriber Identity Module，SIM)等等。
音频电路906，主要用于从外设接口903接收音频数据，将该音频数据转换为电信号，并且将该电信号发送给扬声器911。
扬声器911，用于将手机通过RF电路905从无线网络接收的语音信号，还原为声音并向用户播放该声音。
电源管理芯片908，用于为CPU902、I/O子系统及外设接口所连接的硬件进行供电及电源管理。
上述实施例中提供的应用程序预测模型更新装置、存储介质及终端可执行本申请任意实施例所提供的应用程序预测模型更新方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的应用程序预测模型更新方法。
注意，上述仅为本申请的较佳实施例及所运用技术原理。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (7)

1.一种应用程序预测模型更新方法，其特征在于，包括：
检测到应用程序卸载事件被触发，确定所卸载的第一应用程序；
当应用程序预测模型对应的训练样本数据中包含与所述第一应用程序对应的数据记录时，从所述训练样本数据中删除与所述第一应用程序对应的数据记录，生成目标训练样本数据；
基于所述目标训练样本数据更新所述应用程序预测模型；
其中，所述从所述训练样本数据中删除与所述第一应用程序对应的数据记录，生成目标训练样本数据，包括：
从所述训练样本数据中删除与预设应用程序使用序列对应的数据记录，生成目标训练样本数据；其中，所述预设应用程序使用序列包括：包含了与所述第一应用程序相邻的第二应用程序和所述第一应用程序的应用序列；或者
确定与所述第一应用程序的应用类型相同的第三应用程序；用与所述第三应用程序对应的数据记录，替换所述训练样本数据中与所述第一应用程序对应的数据记录，生成目标训练样本数据；或者
所述训练样本数据包括：由样本采集时刻对应的状态特征信息和所述状态特征信息对应的样本标记构成的样本数据；其中，所述样本标记包括在样本采集时刻之后的预设时间段内被启动的应用程序；相应的，所述从所述训练样本数据中删除与所述第一应用程序对应的数据记录，生成目标训练样本数据，包括：从所述训练样本数据中删除以所述第一应用程序为样本标记的样本数据，生成目标训练样本数据。
2.根据权利要求1所述的方法，其特征在于，
在所述基于所述目标训练样本数据更新所述应用程序预测模型的过程中，还包括：检测到应用预加载事件被触发时，基于所述应用程序预测模型预测出第一待预加载应用程序；对所述第一待预加载应用程序进行预加载；或者
在所述基于所述目标训练样本数据更新所述应用程序预测模型之后，还包括：检测到应用预加载事件被触发时，基于更新后的应用程序预测模型预测出第二待预加载应用程序；对所述第二待预加载应用程序进行预加载。
3.根据权利要求2所述的方法，其特征在于，在对所述第一待预加载应用程序进行预加载之前，还包括：
判断所述第一待预加载应用程序中是否包含所述第一应用程序；
当所述第一待预加载应用程序中包含所述第一应用程序时，从所述第一待预加载应用程序中删除所述第一应用程序；
相应的，对所述第一待预加载应用程序进行预加载，包括：
对已删除所述第一应用程序后的所述第一待预加载应用程序进行预加载。
4.根据权利要求2所述的方法，其特征在于，
对所述第一待预加载应用程序进行预加载，包括：基于预先创建的预加载活动窗口堆栈预加载所述第一待预加载应用程序对应的应用界面，其中，所述预加载活动窗口堆栈对应的边界坐标位于显示屏幕的坐标范围之外；或者
对所述第二待预加载应用程序进行预加载，包括：基于预先创建的预加载活动窗口堆栈预加载所述第二待预加载应用程序对应的应用界面，其中，所述预加载活动窗口堆栈对应的边界坐标位于显示屏幕的坐标范围之外。
5.一种应用程序预测模型更新装置，其特征在于，包括：
应用确定模块，用于检测到应用程序卸载事件被触发，确定所卸载的第一应用程序；
样本数据生成模块，用于当应用程序预测模型对应的训练样本数据中包含与所述第一应用程序对应的数据记录时，从所述训练样本数据中删除与所述第一应用程序对应的数据记录，生成目标训练样本数据；
预测模型更新模块，用于基于所述目标训练样本数据更新所述应用程序预测模型；
其中，所述样本数据生成模块，用于：
从所述训练样本数据中删除与预设应用程序使用序列对应的数据记录，生成目标训练样本数据；其中，所述预设应用程序使用序列包括：包含了与所述第一应用程序相邻的第二应用程序和所述第一应用程序的应用序列；或者
确定与所述第一应用程序的应用类型相同的第三应用程序；用与所述第三应用程序对应的数据记录，替换所述训练样本数据中与所述第一应用程序对应的数据记录，生成目标训练样本数据；或者
所述训练样本数据包括：由样本采集时刻对应的状态特征信息和所述状态特征信息对应的样本标记构成的样本数据；其中，所述样本标记包括在样本采集时刻之后的预设时间段内被启动的应用程序；相应的，所述样本数据生成模块，用于：从所述训练样本数据中删除以所述第一应用程序为样本标记的样本数据，生成目标训练样本数据。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一所述的应用程序预测模型更新方法。
7.一种终端，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-4任一所述的应用程序预测模型更新方法。
CN201810532749.9A 2018-05-29 2018-05-29 应用程序预测模型更新方法、装置、存储介质及终端 Active CN108829457B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201810532749.9A CN108829457B (zh) 2018-05-29 2018-05-29 应用程序预测模型更新方法、装置、存储介质及终端
US16/260,716 US20190370657A1 (en) 2018-05-29 2019-01-29 Method and apparatus for updating application prediction model, storage medium, and terminal
PCT/CN2019/076755 WO2019227994A1 (en) 2018-05-29 2019-03-01 Method and apparatus for updating application prediction model, storage medium, and terminal
EP19162115.0A EP3575961B1 (en) 2018-05-29 2019-03-12 Method and apparatus for updating application prediction model, storage medium, and terminal

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810532749.9A CN108829457B (zh) 2018-05-29 2018-05-29 应用程序预测模型更新方法、装置、存储介质及终端

Publications (2)

Publication Number Publication Date
CN108829457A CN108829457A (zh) 2018-11-16
CN108829457B true CN108829457B (zh) 2020-09-29

Family

ID=64146573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810532749.9A Active CN108829457B (zh) 2018-05-29 2018-05-29 应用程序预测模型更新方法、装置、存储介质及终端

Country Status (4)

Country Link
US (1) US20190370657A1 (zh)
EP (1) EP3575961B1 (zh)
CN (1) CN108829457B (zh)
WO (1) WO2019227994A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11095743B2 (en) 2014-07-16 2021-08-17 Tensera Networks Ltd. Optimized content-delivery network (CDN) for the wireless last mile
WO2019082042A1 (en) 2017-10-26 2019-05-02 Tensera Networks Ltd. AUDIO INHIBITION OF APPLICATIONS IN BACKGROUND MODE, PRELOADING AND REFRESHING THEREOF
CN109960539A (zh) * 2017-12-21 2019-07-02 广东欧珀移动通信有限公司 应用程序预加载方法、装置、存储介质及移动终端
CN108595227A (zh) 2018-05-10 2018-09-28 Oppo广东移动通信有限公司 应用程序预加载方法、装置、存储介质及移动终端
CN108595228B (zh) 2018-05-10 2021-03-12 Oppo广东移动通信有限公司 应用程序预测模型建立方法、装置、存储介质及移动终端
CN108710513B (zh) 2018-05-15 2020-07-21 Oppo广东移动通信有限公司 应用程序启动方法、装置、存储介质及终端
CN108829457B (zh) * 2018-05-29 2020-09-29 Oppo广东移动通信有限公司 应用程序预测模型更新方法、装置、存储介质及终端
CN108804157A (zh) 2018-06-05 2018-11-13 Oppo广东移动通信有限公司 应用程序预加载方法、装置、存储介质及终端
US10789057B2 (en) * 2018-07-16 2020-09-29 Dell Products L.P. Predicting a success rate of deploying a software bundle
US11144302B2 (en) * 2019-10-31 2021-10-12 EMC IP Holding Company LLC Method and system for contraindicating firmware and driver updates
CN111708622B (zh) * 2020-05-28 2022-06-10 山东云海国创云计算装备产业创新中心有限公司 一种指令组调度方法、架构、设备及存储介质
WO2023028997A1 (en) * 2021-09-03 2023-03-09 Paypal, Inc. Exhaustive learning techniques for machine learning algorithms

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103092687B (zh) * 2012-12-26 2017-10-20 上海斐讯数据通信技术有限公司 一种应用程序管理装置和方法
US20160162148A1 (en) * 2014-12-04 2016-06-09 Google Inc. Application launching and switching interface
CN106250988B (zh) * 2016-07-28 2018-09-11 武汉理工大学 基于样本特性的相关向量回归增量学习算法及系统
CN107783801B (zh) * 2017-11-06 2021-03-12 Oppo广东移动通信有限公司 应用程序预测模型建立、预加载方法、装置、介质及终端
CN108829457B (zh) * 2018-05-29 2020-09-29 Oppo广东移动通信有限公司 应用程序预测模型更新方法、装置、存储介质及终端

Also Published As

Publication number Publication date
EP3575961B1 (en) 2020-09-23
WO2019227994A1 (en) 2019-12-05
EP3575961A1 (en) 2019-12-04
CN108829457A (zh) 2018-11-16
US20190370657A1 (en) 2019-12-05

Similar Documents

Publication Publication Date Title
CN108829457B (zh) 应用程序预测模型更新方法、装置、存储介质及终端
CN108614722B (zh) 应用程序预加载方法、装置、存储介质及终端
CN108363593B (zh) 应用程序预加载方法、装置、存储介质及终端
CN108762843B (zh) 应用程序的预加载方法、装置、存储介质及智能终端
CN108647052B (zh) 应用程序预加载方法、装置、存储介质及终端
CN108681475B (zh) 应用程序预加载方法、装置、存储介质及移动终端
CN108710513B (zh) 应用程序启动方法、装置、存储介质及终端
CN108958830B (zh) 应用程序启动方法、装置、存储介质及终端
CN108647055B (zh) 应用程序预加载方法、装置、存储介质及终端
CN108595230B (zh) 应用程序预加载方法、装置、存储介质及终端
EP3579104B1 (en) Method and apparatus for establishing an application prediction model, storage medium and terminal
CN108595224B (zh) 应用程序提示方法、装置、存储介质及终端
US11467855B2 (en) Application preloading method and device, storage medium and terminal
CN108804153B (zh) 应用程序的预加载方法、装置、存储介质及终端
CN108595231B (zh) 应用程序预加载方法、装置、存储介质及智能终端
US11099861B2 (en) Method for preloading application, storage medium, and terminal
CN108762831B (zh) 应用程序预加载方法、装置、存储介质及终端
CN108958828B (zh) 应用程序预加载方法、装置、存储介质及终端
CN108647056B (zh) 应用程序预加载方法、装置、存储介质及终端
CN108762837B (zh) 应用程序预加载方法、装置、存储介质及终端
CN108776599B (zh) 预加载应用的管理方法、装置、存储介质及智能终端
CN108762844B (zh) 应用程序预加载方法、装置、存储介质及终端
CN108920202B (zh) 应用预加载管理方法、装置、存储介质及智能终端
CN108647057B (zh) 屏幕方向设置方法、装置、存储介质及终端
CN108762836B (zh) 预加载应用的管理方法、装置、存储介质及智能终端

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
GR01 Patent grant
GR01 Patent grant