CN108920156A - 应用程序预测模型建立方法、装置、存储介质及终端 - Google Patents
应用程序预测模型建立方法、装置、存储介质及终端 Download PDFInfo
- Publication number
- CN108920156A CN108920156A CN201810530136.1A CN201810530136A CN108920156A CN 108920156 A CN108920156 A CN 108920156A CN 201810530136 A CN201810530136 A CN 201810530136A CN 108920156 A CN108920156 A CN 108920156A
- Authority
- CN
- China
- Prior art keywords
- application program
- application
- identification information
- program
- prediction model
- 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.)
- Pending
Links
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/04—Protocols specially adapted for terminals or networks with limited capabilities; specially adapted for terminal portability
-
- 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
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/451—Execution arrangements for user interfaces
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Abstract
本申请实施例公开了应用程序预测模型建立方法、装置、存储介质及终端。该方法包括:在预设采样周期内,确定样本采集时刻前台运行的第一应用程序;判断第一应用程序是否为以样本采集时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为第一应用程序对应的标识信息;根据与第一应用程序对应的样本数据、第一应用程序及第一应用程序对应的标识信息,对预设机器学习模型进行训练,得到应用程序预测模型,其中,样本数据对应的样本标识包括第一应用程序和第一应用程序对应的标识信息。通过采用上述技术方案,可使应用程序预测模型对用户对新安装的应用程序使用的偏好程度进行学习,能够提高对待启动应用程预测的准确性。
Description
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建立方法、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建立方法、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建立方法,包括:
在预设采样周期内,确定样本采集时刻前台运行的第一应用程序;
判断所述第一应用程序是否为以所述样本采集时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为所述第一应用程序对应的标识信息;
根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练,得到应用程序预测模型,其中,所述样本数据对应的样本标识包括所述第一应用程序和所述第一应用程序对应的标识信息。
第二方面,本申请实施例提供了一种应用程序预测模型建立装置,包括:
应用确定模块,用于在预设采样周期内,确定样本采集时刻前台运行的第一应用程序;
标识信息确定模块,用于判断所述第一应用程序是否为以所述样本采集时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为所述第一应用程序对应的标识信息;
预测模型训练模块,用于根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练,得到应用程序预测模型,其中,所述样本数据对应的样本标识包括所述第一应用程序和所述第一应用程序对应的标识信息。
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建立方法。
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建立方法。
本申请实施例中提供的应用程序预测模型建立方案,在预设采样周期内,确定样本采集时刻前台运行的第一应用程序,判断第一应用程序是否为以样本采集时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为第一应用程序对应的标识信息,然后根据与第一应用程序对应的样本数据、第一应用程序及第一应用程序对应的标识信息,对预设机器学习模型进行训练,得到应用程序预测模型,其中,样本数据对应的样本标识包括第一应用程序和第一应用程序对应的标识信息。通过采用上述技术方案,可以使应用程序预测模型对用户对新安装的应用程序使用的偏好程度进行学习,能够有效提高应用程序预测模型训练的精度,进而提高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建立方法的流程示意图;
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建立方法的流程示意图;
图6为本申请实施例提供的又一种应用程序预测模型建立方法的流程示意图;
图7为本申请实施例提供的一种应用程序预测模型建立装置的结构示意图;
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建立方法的流程示意图,该方法可以由应用程序预测模型建立装置执行,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、在预设采样周期内,确定样本采集时刻前台运行的第一应用程序。
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,预设采集周期可以理解为获取应用程序预测模型对应的训练样本的时间周期,也即在预设采样周期(也可以理解为在预设时间段)内,获取应用程序预测模型对应的训练样本。可选的,预设采样周期内的样本采集时刻可设置为前台运行应用程序的切换时刻,即将每次前台运行应用程序的切换时刻作为样本采集时刻。可选的,在预设采样周期内,可以预设采集周期的起始时刻,每隔预设时长对应的时刻作为样本采集时刻,可以理解的是每隔预设时长采集一次前台运行的第一应用程序。需要说明的是,本申请实施例对样本采集时刻的设定方式不做限定。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。例如,8:00为第一样本采集时刻,即确定8:00这一时刻前台运行的第一应用程序,如为应用程序A;9:00为第一样本采集时刻,即确定9:00这一时刻前台运行的第一应用程序,如为应用程序B,…,依次类推,直到预设采样周期结束。
步骤102、判断所述第一应用程序是否为以所述样本采集时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为所述第一应用程序对应的标识信息。
在本申请实施例中,用户在使用终端的过程中,会根据需要安装新的应用程序,通常,在一段时间内,用户会频繁使用新安装的应用程序。而现有的应用程序预测模型对应的训练样本数据中包含与新安装的应用程序的数据记录较少,容易使通过此训练样本数据训练生成的应用程序预测模型确定的待预加载应用程序中,很少包含新安装的应用程序,尤其是新安装的应用程序安装时间不是很久的这段时间内,经常由于没有对新安装的应用程序进行预加载,造成新安装的应用程序启动速度慢。因此,可在训练应用程序预测模型时,为应用程序增加是否是新安装的应用程序的标识信息,以使应用程序预测模型在训练过程中学习用户对新安装的应用程序的使用偏好程度。
示例性的,依次判断各个样本采集时刻获取的前台运行的第一应用程序,是否为以所述样本采集时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为第一应用程序对应的标识信息。例如,当第一应用程序为新安装的应用程序时,可将第一应用程序对应的标识信息设置为1;当第一应用程序不是新安装的应用程序时,可将第一应用程序对应的标识信息设置为0。其中,以样本采集时刻为起始时刻向前追溯预设时间窗口长度,可理解为从样本时刻向前追溯的预设时间段。示例性的,样本时刻为12:00,也即在12:00这一刻确定前台运行的第一应用程序。将预设时间窗口长度设置为30分钟,则判断第一应用程序是否是在11:30-12:00这段时间内新安装的应用程序。例如,在12:00这一刻确定前台运行的第一应用程序为美团外卖,美团外卖的安装时间为10:00,则确定美团外卖不属于新安装的应用程序,则可将美团外卖对应的标识信息设置为0。又如,在12:00这一刻确定前台运行的第一应用程序的高德地图,高德地图的安装时间为11:45,则确定高德地图属于新安装的应用程序,则可将高德地图对应的标识信息设置为1。需要说明的是,本申请实施例对预设时间窗口长度也不做具体限定,可以为30分钟,1小时或1天等等。
步骤103、根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练,得到应用程序预测模型。
其中,所述样本数据对应的样本标识包括所述第一应用程序和所述第一应用程序对应的标识信息。
在本申请实施例中,与第一应用程序对应的样本数据可以包括第一应用程序的前序使用序列,此时,可将第一应用程序的前序使用序列作为第一应用程序对应的样本数据,可将第一应用程序和第一应用程序对应的标识信息作为该样本数据对应的样本标记。可以理解的是,生成应用程序预测模型的过程中的训练样本(带有样本标识的样本数据)的数据格式为(APPt-n,APPt-n+1,…,APPt-1→APPt,APPt对应的标识信息)。其中,(APPt-n,APPt-n+1,…,APPt-1)表示第一前序使用序列,(APPt,APPt的标识信息)表示第一前序使用序列的样本标识。可选的,与第一应用程序对应的样本数据可以包括样本采集时刻对应的状态特征信息,即将样本采集时刻对应的状态特征信息作为第一应用程序对应的样本数据,可将第一应用程序和第一应用程序对应的标识信息作为该样本数据对应的样本标记。可以理解的是,生成应用程序预测模型的过程中的训练样本(带有样本标识的样本数据)的数据格式可表示为:(状态特征信息→APPt,APPt对应的标识信息)。其中,(状态特征信息)表示样本数据,(APPt,APPt的标识信息)表示状态特征信息的样本标识。需要说明的是,本申请实施例对第一应用程序对应的样本数据具体包含的数据内容不做限定。
示例性的,根据与第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练,得到应用程序预测模型。其中,通过增加第一应用程序对应的标识信息,在应用程序预测模型训练的过程中,可对应用程序预测模型的网络参数进行调整,可提升新安装的应用程序的权重值,从而能够对用户对新安装的应用程序的使用偏好进行学习。应用程序预测模型训练时,所使用的预设机器学习模型或所采用的算法可以包括循环神经网络(Recurrent neural networks,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–Leiblerdivergence)等等。本申请实施例对此不做限定。
本申请实施例中提供的应用程序预测模型建立方法,在预设采样周期内,确定样本采集时刻前台运行的第一应用程序,判断第一应用程序是否为以样本采集时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为第一应用程序对应的标识信息,然后根据与第一应用程序对应的样本数据、第一应用程序及第一应用程序对应的标识信息,对预设机器学习模型进行训练,得到应用程序预测模型,其中,样本数据对应的样本标识包括第一应用程序和第一应用程序对应的标识信息。通过采用上述技术方案,可以使应用程序预测模型对用户对新安装的应用程序使用的偏好程度进行学习,能够有效提高应用程序预测模型训练的精度,进而提高对待启动应用程序预测的准确性。
在一些实施例中,判断所述第一应用程序是否为以所述第一应用程序打开时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为所述第一应用程序对应的标识信息,包括:在到达所述预设采样周期中的预设时刻时开始,对于每个所确定的第一应用程序,判断当前确定的第一应用程序是否为以所述第一应用程序打开时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为所述当前第一应用程序对应的标识信息,直到所述预设采样周期结束。这样设置的好处在于,在保证应用程序预测模型训练精度的前提下,可大大减小对预设采样周期内,获取的第一应用程序是否为新安装的应用程序判断时的数据处理量,还可提高对应用程序预测模型训练的速度。
示例性的,在整个预设采样周期中,可能第一应用程序相对于该第一应用程序对应的样本采集时刻,为新安装的应用程序,但相对于整个预设采集周期的结束时刻而言,第一应用程序可能并不是新安装的应用程序,而且也可能是安装很久的应用程序。如果对于预设采样周期内,各个样本采样时刻获取的第一应用程序,均判断第一应用程序是否为以样本采集时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,可能会影响应用程序预测模型训练的精度。因此,可在到达所述预设采样周期中的预设时刻时开始,对于每个所确定的第一应用程序,判断当前确定的第一应用程序是否为以所述第一应用程序打开时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为所述当前第一应用程序对应的标识信息,直到所述预设采样周期结束。而对从预设采样周期的起始时刻开始至所述预设时刻这段时间内,对于所确定的第一应用程序,可直接将当前确定的第一应用程序确定为不是新安装的应用程序,并将确定结果作为所述当前第一应用程序对应的标识信息。也即,可将从预设采样周期的起始时刻开始至所述预设时刻这段时间内,确定的第一应用程序对应的标识信息设置为不是新安装的应用程序(如设置为0)。
示例性的,预设时刻可设置为预设采样周期的中间时刻,也可设置为预设采样周期的三分之一时刻,本申请实施例对预设时刻在预设采样周期的位置设置不做限定。例如,预设采集周期为一个月,如这个月有30天,可将月中设置为预设时刻,即从预设采集周期中的第16天开始,对于每个所确定的第一应用程序,判断当前确定的第一应用程序是否为以所述第一应用程序打开时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为所述当前第一应用程序对应的标识信息,直到30天结束为止。而对第1天至第15天这段时间内,可直接将所确定的第一应用程序视作不是新安装的应用程序。
在一些实施例中,在预设采样周期内,确定样本采集时刻前台运行的第一应用程序,包括:在预设采集周期内,当检测到前台运行应用程序的切换操作时,确定切换后的前台运行的第一应用程序;相应的,根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练,包括:获取所述第一应用程序的第一前序使用序列,将所述第一前序使用序列作为与所述第一应用程序对应的样本数据;根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练。这样设置的好处在于,可在检测到前台运行应用程序的切换操作时,再确定切换后的前台运行的第一应用程序,可有效避免采集过多无效的第一应用程序及第一应用程序对应的样本数据,并使用应用程序使用序列作为应用程序预测模型的训练样本,可提高应用程序预测模型训练生成的速度,及应用程序预测模型的精度。
在本申请实施例中,当检测到前台运行应用程序的切换操作时,可确定切换后的前台运行的第一应用程序,并获取第一应用程序的第一前序使用序列。其中,第一前序使用序列可以理解为,从前台运行应用程序的切换时刻往前追溯预设时间段内,与当前运行的第一应用程序相关的应用程序使用时序关联序列。其中,第一前序使用序列中包含至少一个应用程序。示例性的,当检测应用程序B切换到应用程序A时,表明检测到前台运行应用程序的切换操作,此时,切换后的前台运行的第一应用程序为应用程序A,上一时刻运行的应用程序为应用程序B,则切换后前台运行的应用程序A的第一前序使用序列为:应用程序B。又示例性的,当前前台运行的第一应用程序为应用程序C,上一时刻前台运行的应用程序为应用程序D,在上一时刻的前一时刻前台运行的应用程序为应用程序E。可以理解的是,先由应用程序E切换到应用程序D,再由应用程序D切换到应用程序C,则当前切换后的前台运行的第一应用程序为应用程序C,应用程序C的第一前序使用序列可以表示为:应用程序E-应用程序D。需要说明的是,本申请实施例对第一应用程序的第一前序使用序列中包含的应用程序的数量不做限定。
示例性的,第一应用程序为应用程序A,应用程序A的第一前序使用序列为:应用程序B-应用程序C-应用程序D-应用程序E,将所述第一前序使用序列作为与第一应用程序对应的样本数据时,生成应用程序预测模型的过程中的其中一条训练样本为:(应用程序B,应用程序C,应用程序D,应用程序E→应用程序A,应用程序A对应的标识信息),其中,(应用程序B,应用程序C,应用程序D,应用程序E)表示一条样本数据,(应用程序A,应用程序A对应的标识信息)表示该样本数据对应的样本标识。
可选的,在根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练之前,还可包括:获取第一前序使用序列中每个应用程序获取时刻,对应的状态特征信息,可将第一前序使用序列及第一前序使用序列中每个应用程序获取时刻对应的状态特征信息,作为第一应用程序对应的样本数据。此时,生成应用程序预测模型的过程中的训练样本(带有样本标识的样本数据)的数据格式可表示为(APPt-n,Tt-n,APPt-n+1,Tt-n+1,…,APPt-1,Tt-1→APPt,APPt对应的标识信息)。其中,(APPt-n,Tt-n,APPt-n+1,Tt-n+1,…,APPt-1,Tt-1)表示第一应用程序对应的样本数据,(APPt-n,APPt-n+1,…,APPt-1)表示第一应用程序对应的第一前序使用序列,(APPt-n,Tt-n)表示第一前序使用序列中某应用程序及该应用程序获取时刻对应的状态特征信息构成的组合,(APPt,APPt对应的标识信息)表示样本数据(APPt-n,Tt-n,APPt-n+1,Tt-n+1,…,APPt-1,Tt-1)对应的样本标识。
在一些实施例中,在根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练之前,还包括:对于所述第一前序使用序列中的每个应用程序,判断当前应用程序是否为以所述当前应用程序打开时刻为起始时刻向前追溯所述预设时间窗口长度内新安装的应用程序,并将判断结果作为所述当前应用程序对应的标识信息;相应的,根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练,包括:根据与所述第一前序使用序列、所述第一前序使用序列中每个应用程序对应的标识信息、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练,其中,所述第一前序使用序列中每个应用程序对应的标识信息包含于所述第一应用程序对应的样本数据中。这样设置的好处在于,对第一前序使用序列中的每个应用程序是否是新安装的应用程序进行判断,将判断结果作为当前应用程序对应的标识信息,并将第一前序使用序列中每个应用程序对应的标识信息作为第一应用程序对应的样本数据中的一部分,可增加应用程序预测模型训练样本数据的维度,并能够对用户对新安装的应用程序使用的偏好程度进行学习,可进一步提高应用程序预测模型的精度。
示例性的,第一应用程序为应用程序F,应用程序F的第一前序使用序列为:应用程序A-应用程序B-应用程序C-应用程序D-应用程序E。例如,预设时间窗口长度设置为1小时,应用程序A的打开时刻为8:00,安装时刻为7:30,应用程序B的打开时刻为9:00,安装时刻为7:00,则可认为应用程序A为新安装的应用程序,可将“1”作为应用程序A对应的标识信息,应用程序B不是新安装的应用程序,则可将“0”作为应用程序B对应的标识信息。按照上述判断方法,依次确定第一前序使用序列中,应用程序C对应的标识信息为“0”,应用程序D对应的标识信息为“0”,应用程序E对应的标识信息为“1”,而第一应用程序——应用程序F对应的标识信息为“0”。则上述带有样本标识的样本数据可表示为:(应用程序A,1,应用程序B,0,应用程序C,0,应用程序D,0,应用程序E,1→应用程序F,0)。
在一些实施例中,根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练,包括:获取所述样本采集时刻对应的状态特征信息,将所述状态特征信息作为与所述第一应用程序对应的样本数据;根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练。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,获取各个样本采集时刻对应的状态特征信息,并分别将样本采集时刻对应的状态特征信息作为该样本采集时刻确定的第一应用程序对应的样本数据。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小时采集一次前台运行的第一应用程序及该样本采集时刻对应的状态特征信息,预设时间段设置为10分钟。例如,8:00进行第一次数据采集,确定当前前台运行的第一应用程序,如为应用程序A,并采集当前时刻对应的状态特征信息,如可记为第一状态特征信息;9:00进行第二次数据采集,确定当前前台运行的第一应用程序,如为应用程序B,并采集当前时刻对应的状态特征信息,如可记为第二状态特征信息,…,依次类推,直到预设采集周期结束。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,状态特征信息包括时间信息、日期类别、充电状态、电池电量信息、位置信息及蓝牙连接状态,则生成应用程序预测模型的过程中的训练样本(带有样本标识的样本数据)的数据格式可表示为:(TimeSolt,Weekday,Charging,Battery,Bluetooth,Location→APPt,Identity),其中,TimeSolt表示时间信息,Weekday表示日期类别,如工作日或节假日,Charging表示充电状态,Battery表示电池电量信息,Location表示位置信息,Bluetooth表示蓝牙连接状态,APPt表示第一应用程序,Identity表示第一应用程序对应的标识信息。
在一些实施例中在得到应用程序预测模型之后,还包括:检测到应用预加载预测事件被触发时,基于所述应用程序预测模型预测出即将启动的目标应用程序;对所述目标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的目标应用程序,可提升目标应用程序的启动速度。
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。
本申请实施例中,确定目标应用程序可以包括根据应用程序预测模型之前的输出结果确定目标应用程序,也可以包括利用应用程序预测模型进行预测,根据应用程序预测模型的当前输出结果确定目标应用程序。
本申请实施例中,当目标应用程序为多个(N个)时,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目标应用程序。可选的,所述确定目标应用程序,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目标应用程序。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,以对目标应用程序进行预加载为例进行说明。例如可为目标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目标应用程序的具体类型来确定。例如,若目标应用程序为一个社交软件,可以预加载该目标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;若目标应用程序为一个游戏,可以预加载该目标应用程序中的游戏背景相关数据等。
在一些实施例中,对所述目标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目标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,在显示屏幕外对目标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的Stack,还可以有其他分屏Stack等,上述三种Stack中包含的内容可在显示屏幕上显示,本申请实施例中统称为应用活动窗口堆栈。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(可以在确定目标应用程序之前)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目标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目标应用程序对应的应用界面。这样设置的好处在于,在确定待预加载的目标应用程序之后,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,当目标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,在第一个目标应用程序开始加载前,预加载Stack已创建完毕,那么第二个目标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预加载目标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目标应用程序对应的应用界面,包括:创建所述目标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目标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目标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目标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目标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,同时有效提高目标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,也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,在基于预先创建的预加载活动窗口堆栈预加载所述目标应用程序对应的应用界面之后,还包括:在接收到所述目标应用程序的运行指令时,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运行指令时,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建立方法的流程示意图,该方法包括如下步骤:
步骤501、在预设采样周期内,确定样本采集时刻前台运行的第一应用程序。
步骤502、获取所述样本采集时刻对应的状态特征信息,将所述状态特征信息作为与所述第一应用程序对应的样本数据。
所述状态特征信息包括以下至少一项: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、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、屏幕显示时长、移动终端的运动状态和位置信息。
步骤503、在到达所述预设采样周期中的预设时刻时开始,对于每个所确定的第一应用程序,判断当前确定的第一应用程序是否为以所述第一应用程序打开时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为所述当前第一应用程序对应的标识信息,直到所述预设采样周期结束。
示例性的,预设采集周期设置为一个月,如这个月有30天,可将月中设置为预设时刻,即从预设采集周期中的第16天开始,对于每个所确定的第一应用程序,判断当前确定的第一应用程序是否为以所述第一应用程序打开时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为所述当前第一应用程序对应的标识信息,直到第30天结束为止。
步骤504、根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练。
其中,所述样本数据对应的样本标识包括所述第一应用程序和所述第一应用程序对应的标识信息。
示例性的,将状态特征信息作为第一应用程序对应的样本数据时,生成应用程序预测模型的过程中的训练样本(带有样本标识的样本数据)的数据格式可表示为:(状态特征信息→APPt,APPt对应的标识信息)。
步骤505、检测到应用预加载预测事件被触发时,基于所述应用程序预测模型预测出即将启动的目标应用程序。
其中,目标应用程序可以为一个,也可以为多个。
步骤506、对所述目标应用程序进行预加载。
例如,目标应用程序为微信,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507、在接收到目标应用程序的启动指令时,基于已预加载资源启动所述目标应用程序。
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建立方法,在到达所述预设采样周期中的预设时刻时开始,对于每个所确定的第一应用程序,判断当前确定的第一应用程序是否为以所述第一应用程序打开时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为所述当前第一应用程序对应的标识信息,直到所述预设采样周期结束,并将使用状态特征信息作为第一应用程序对应的样本数据,可在保证应用程序预测模型训练精度的前提下,大大减小对预设采样周期内,对获取的第一应用程序是否为新安装的应用程序判断时的数据处理量,还可提高对应用程序预测模型训练的速度,从而进一步提高应用程序的启动速度。
图6为本申请实施例提供的另一种应用程序预测模型建立方法的流程示意图,该方法包括如下步骤:
步骤601、在预设采集周期内,当检测到前台运行应用程序的切换操作时,确定切换后的前台运行的第一应用程序。
示例性的,检测到前台运行的应用程序由微信切换为支付宝时,可确定切换后的前台运行的第一应用程序为支付宝。
步骤602、判断所述第一应用程序是否为以所述第一应用程序确定时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为所述第一应用程序对应的标识信息。
示例性的,16:00检测到前台运行的应用程序由微信切换为支付宝,则第一应用程序确定时刻为16:00。如预设时间窗口长度设置为30分钟,若支付宝的安装时间为8:00,则可确定支付宝不是新安装的应用程序,可将支付宝对应的标识信息设置为“0”,若支付宝的安装时间为15:40,则可确定支付宝是新安装的应用程序,可将支付宝对应的标识信息设置为“1”。
步骤603、获取所述第一应用程序的第一前序使用序列,将所述第一前序使用序列作为与所述第一应用程序对应的样本数据。
示例性的,支付宝的第一前序使用序列为京东商城-淘宝-微信,则将京东商城-淘宝-微信作为支付宝对应的样本数据。
步骤604、对于所述第一前序使用序列中的每个应用程序,判断当前应用程序是否为以所述当前应用程序打开时刻为起始时刻向前追溯所述预设时间窗口长度内新安装的应用程序,并将判断结果作为所述当前应用程序对应的标识信息。
示例性的,分别判断京东商城、淘宝及微信是否为新安装的应用程序,并分别将判断结果作为对应应用程序对应的标识信息。如确定结果为:(京东商城,0、淘宝,1,微信,0)
步骤605、根据与所述第一前序使用序列、所述第一前序使用序列中每个应用程序对应的标识信息、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练。
其中,所述第一前序使用序列中每个应用程序对应的标识信息包含于所述第一应用程序对应的样本数据中。
示例性的,该条带有样本标识的样本数据为:(京东商城,0、淘宝,1,微信,0→支付宝,1)。
步骤606、检测到应用预加载预测事件被触发时,基于所述应用程序预测模型预测出即将启动的目标应用程序。
步骤607、基于预先创建的预加载活动窗口堆栈预加载所述目标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608、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。
需要说明的是,本申请实施例对步骤602与步骤603的执行顺序不做具体限定,可先执行步骤602,再执行步骤603,也可先执行步骤603,再执行步骤602。
本申请实施例提供的应用程序预测模型建立方法,可在检测到前台运行应用程序的切换操作时,再确定切换后的前台运行的第一应用程序,可有效避免采集过多无效的第一应用程序及第一应用程序对应的样本数据。并将第一前序使用序列中的每个应用程序是否是新安装的应用程序进行判断,将判断结果作为当前应用程序对应的标识信息,并将第一前序使用序列中每个应用程序对应的标识信息作为第一应用程序对应的样本数据中的一部分,可增加应用程序预测模型训练样本数据的维度,并能够对用户对新安装的应用程序使用的偏好程度进行学习,可进一步提高应用程序预测模型的精度。
图7为本申请实施例提供的一种应用程序预测模型建立装置的结构示意图,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建立方法来得到应用程序预测模型。如图7所示,该装置包括:
应用确定模块701,用于在预设采样周期内,确定样本采集时刻前台运行的第一应用程序;
标识信息确定模块702,用于判断所述第一应用程序是否为以所述样本采集时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为所述第一应用程序对应的标识信息;
预测模型训练模块703,用于根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练,得到应用程序预测模型,其中,所述样本数据对应的样本标识包括所述第一应用程序和所述第一应用程序对应的标识信息。
本申请实施例中提供的应用程序预测模型建立装置,在预设采样周期内,确定样本采集时刻前台运行的第一应用程序,判断第一应用程序是否为以样本采集时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为第一应用程序对应的标识信息,然后根据与第一应用程序对应的样本数据、第一应用程序及第一应用程序对应的标识信息,对预设机器学习模型进行训练,得到应用程序预测模型,其中,样本数据对应的样本标识包括第一应用程序和第一应用程序对应的标识信息。通过采用上述技术方案,可以使应用程序预测模型对用户对新安装的应用程序使用的偏好程度进行学习,能够有效提高应用程序预测模型训练的精度,进而提高对待启动应用程序预测的准确性。
可选的,所述标识信息确定模块,用于:
在到达所述预设采样周期中的预设时刻时开始,对于每个所确定的第一应用程序,判断当前确定的第一应用程序是否为以所述第一应用程序打开时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为所述当前第一应用程序对应的标识信息,直到所述预设采样周期结束。
可选的,所述应用确定模块,用于:
在预设采集周期内,当检测到前台运行应用程序的切换操作时,确定切换后的前台运行的第一应用程序;
相应的,所述预测模型训练模块,包括:
样本数据获取单元,用于获取所述第一应用程序的第一前序使用序列,将所述第一前序使用序列作为与所述第一应用程序对应的样本数据;
预测模型训练单元,用于根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练。
可选的,该装置还包括:
应用判断模块,用于在根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练之前,对于所述第一前序使用序列中的每个应用程序,判断当前应用程序是否为以所述当前应用程序打开时刻为起始时刻向前追溯所述预设时间窗口长度内新安装的应用程序,并将判断结果作为所述当前应用程序对应的标识信息;
相应的,所述预测模型训练单元,用于:
根据与所述第一前序使用序列、所述第一前序使用序列中每个应用程序对应的标识信息、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练,其中,所述第一前序使用序列中每个应用程序对应的标识信息包含于所述第一应用程序对应的样本数据中。
可选的,所述预测模型训练模块,用于:
获取所述样本采集时刻对应的状态特征信息,将所述状态特征信息作为与所述第一应用程序对应的样本数据;
根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练。
可选的,所述状态特征信息包括以下至少一项:
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、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、屏幕显示时长、移动终端的运动状态和位置信息。
可选的,该装置还包括:
目标应用预测模块,用于在得到应用程序预测模型之后,检测到应用预加载预测事件被触发时,基于所述应用程序预测模型预测出即将启动的目标应用程序;
应用预加载模块,用于对所述目标应用程序进行预加载。
可选的,所述目标应用预测模块,用于:
基于预先创建的预加载活动窗口堆栈预加载所述目标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建立方法,该方法包括:
在预设采样周期内,确定样本采集时刻前台运行的第一应用程序;
判断所述第一应用程序是否为以所述样本采集时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为所述第一应用程序对应的标识信息;
根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练,得到应用程序预测模型,其中,所述样本数据对应的样本标识包括所述第一应用程序和所述第一应用程序对应的标识信息。
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建立操作,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建立方法中的相关操作。
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建立装置。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建立方法。
本申请实施例提供的终端,可以使应用程序预测模型对用户对新安装的应用程序使用的偏好程度进行学习,能够有效提高应用程序预测模型训练的精度,进而提高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:
在预设采样周期内,确定样本采集时刻前台运行的第一应用程序;
判断所述第一应用程序是否为以所述样本采集时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为所述第一应用程序对应的标识信息;
根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练,得到应用程序预测模型,其中,所述样本数据对应的样本标识包括所述第一应用程序和所述第一应用程序对应的标识信息。
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建立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建立装置、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建立方法,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建立方法。
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 (11)
1.一种应用程序预测模型建立方法,其特征在于,包括:
在预设采样周期内,确定样本采集时刻前台运行的第一应用程序;
判断所述第一应用程序是否为以所述样本采集时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为所述第一应用程序对应的标识信息;
根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练,得到应用程序预测模型,其中,所述样本数据对应的样本标识包括所述第一应用程序和所述第一应用程序对应的标识信息。
2.根据权利要求1所述的方法,其特征在于,判断所述第一应用程序是否为以所述第一应用程序打开时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为所述第一应用程序对应的标识信息,包括:
在到达所述预设采样周期中的预设时刻时开始,对于每个所确定的第一应用程序,判断当前确定的第一应用程序是否为以所述第一应用程序打开时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为所述当前第一应用程序对应的标识信息,直到所述预设采样周期结束。
3.根据权利要求1所述的方法,其特征在于,在预设采样周期内,确定样本采集时刻前台运行的第一应用程序,包括:
在预设采集周期内,当检测到前台运行应用程序的切换操作时,确定切换后的前台运行的第一应用程序;
相应的,根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练,包括:
获取所述第一应用程序的第一前序使用序列,将所述第一前序使用序列作为与所述第一应用程序对应的样本数据;
根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练。
4.根据权利要求3所述的方法,其特征在于,在根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练之前,还包括:
对于所述第一前序使用序列中的每个应用程序,判断当前应用程序是否为以所述当前应用程序打开时刻为起始时刻向前追溯所述预设时间窗口长度内新安装的应用程序,并将判断结果作为所述当前应用程序对应的标识信息;
相应的,根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练,包括:
根据与所述第一前序使用序列、所述第一前序使用序列中每个应用程序对应的标识信息、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练,其中,所述第一前序使用序列中每个应用程序对应的标识信息包含于所述第一应用程序对应的样本数据中。
5.根据权利要求1所述的方法,其特征在于,根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练,包括:
获取所述样本采集时刻对应的状态特征信息,将所述状态特征信息作为与所述第一应用程序对应的样本数据;
根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练。
6.根据权利要求5所述的方法,其特征在于,所述状态特征信息包括以下至少一项:
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、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、屏幕显示时长、移动终端的运动状态和位置信息。
7.根据权利要求5所述的方法,其特征在于,在得到应用程序预测模型之后,还包括:
检测到应用预加载预测事件被触发时,基于所述应用程序预测模型预测出即将启动的目标应用程序;
对所述目标应用程序进行预加载。
8.根据权利要求7所述的方法,其特征在于,对所述目标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目标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。
9.一种应用程序预测模型建立装置,其特征在于,包括:
应用确定模块,用于在预设采样周期内,确定样本采集时刻前台运行的第一应用程序;
标识信息确定模块,用于判断所述第一应用程序是否为以所述样本采集时刻为起始时刻向前追溯预设时间窗口长度内新安装的应用程序,并将判断结果作为所述第一应用程序对应的标识信息;
预测模型训练模块,用于根据与所述第一应用程序对应的样本数据、所述第一应用程序及所述第一应用程序对应的标识信息,对预设机器学习模型进行训练,得到应用程序预测模型,其中,所述样本数据对应的样本标识包括所述第一应用程序和所述第一应用程序对应的标识信息。
10.一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1-8中任一所述的应用程序预测模型建立方法。
11.一种终端,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1-8任一所述的应用程序预测模型建立方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810530136.1A CN108920156A (zh) | 2018-05-29 | 2018-05-29 | 应用程序预测模型建立方法、装置、存储介质及终端 |
PCT/CN2019/082303 WO2019228080A1 (en) | 2018-05-29 | 2019-04-11 | Method and apparatus for establishing application prediction model, storage medium and terminal |
EP19169146.8A EP3579104B1 (en) | 2018-05-29 | 2019-04-15 | Method and apparatus for establishing an application prediction model, storage medium and terminal |
US16/394,522 US20190370603A1 (en) | 2018-05-29 | 2019-04-25 | Method and apparatus for establishing an application prediction model, storage medium and terminal |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810530136.1A CN108920156A (zh) | 2018-05-29 | 2018-05-29 | 应用程序预测模型建立方法、装置、存储介质及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108920156A true CN108920156A (zh) | 2018-11-30 |
Family
ID=64418314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810530136.1A Pending CN108920156A (zh) | 2018-05-29 | 2018-05-29 | 应用程序预测模型建立方法、装置、存储介质及终端 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20190370603A1 (zh) |
EP (1) | EP3579104B1 (zh) |
CN (1) | CN108920156A (zh) |
WO (1) | WO2019228080A1 (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110309307A (zh) * | 2019-06-20 | 2019-10-08 | 上海上湖信息技术有限公司 | 一种基于应用程序预测用户文化水平的方法和系统 |
WO2019228080A1 (en) * | 2018-05-29 | 2019-12-05 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and apparatus for establishing application prediction model, storage medium and terminal |
CN112099910A (zh) * | 2020-08-28 | 2020-12-18 | 广州探迹科技有限公司 | 一种容器集群中算法模型的预加载方法 |
CN112328266A (zh) * | 2020-11-06 | 2021-02-05 | 北京因特睿软件有限公司 | 一种软件互联接口导向的应用程序约减方法和系统 |
CN112417270A (zh) * | 2020-11-05 | 2021-02-26 | 北京五八信息技术有限公司 | 生成提示信息的方法、装置、电子设备及存储介质 |
US20210329089A1 (en) * | 2014-07-16 | 2021-10-21 | Tensera Networks Ltd. | Transparent Pre-Loading of User Applications |
US11397590B2 (en) | 2018-05-10 | 2022-07-26 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for preloading application, storage medium, and terminal |
CN115016854A (zh) * | 2021-11-15 | 2022-09-06 | 荣耀终端有限公司 | 应用程序预测方法、电子设备及存储介质 |
US11442747B2 (en) | 2018-05-10 | 2022-09-13 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for establishing applications-to-be preloaded prediction model based on preorder usage sequence of foreground application, storage medium, and terminal |
US11467855B2 (en) | 2018-06-05 | 2022-10-11 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Application preloading method and device, storage medium and terminal |
US11483415B2 (en) | 2014-07-16 | 2022-10-25 | Tensera Networks Ltd. | Background pre-rendering of user applications |
US11604660B2 (en) | 2018-05-15 | 2023-03-14 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for launching application, storage medium, and terminal |
US11734023B2 (en) | 2020-12-03 | 2023-08-22 | Tensera Networks Ltd. | Preloading of applications having an existing task |
US11758014B2 (en) | 2014-07-16 | 2023-09-12 | Tensera Networks Ltd. | Scheduling of application preloading in user devices |
US11824956B2 (en) | 2019-07-30 | 2023-11-21 | Tensera Networks Ltd. | Pre-rendering of application user-interfaces in user devices using off-line pre-render mode |
US11915012B2 (en) | 2018-03-05 | 2024-02-27 | Tensera Networks Ltd. | Application preloading in the presence of user actions |
US11922187B2 (en) | 2018-03-05 | 2024-03-05 | Tensera Networks Ltd. | Robust application preloading with accurate user experience |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11397555B2 (en) | 2017-10-26 | 2022-07-26 | Tensera Networks Ltd. | Background pre-loading and refreshing of applications with audio inhibition |
US20210240801A1 (en) * | 2020-02-03 | 2021-08-05 | Arris Enterprises Llc | Digital rights management system resource manager |
CN111629052B (zh) * | 2020-05-26 | 2021-12-07 | 中国联合网络通信集团有限公司 | 基于mec的内容缓存方法、节点、设备及存储介质 |
CN112101675B (zh) * | 2020-09-22 | 2022-05-13 | 广东睿盟计算机科技有限公司 | 基于kl散度衡量资源配置合理度方法、装置、设备及介质 |
CN113033828B (zh) * | 2021-04-29 | 2022-03-22 | 江苏超流信息技术有限公司 | 模型训练方法、使用方法、系统、可信节点及设备 |
CN113341919B (zh) * | 2021-05-31 | 2022-11-08 | 中国科学院重庆绿色智能技术研究院 | 一种基于时序数据长度优化的计算系统故障预测方法 |
CN117056836B (zh) * | 2023-10-13 | 2023-12-12 | 腾讯科技(深圳)有限公司 | 程序分类模型的训练、程序类目识别方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412757A (zh) * | 2013-08-19 | 2013-11-27 | 南京大学 | 移动应用个性化集成框架的实现方法 |
CN105431822A (zh) * | 2013-06-12 | 2016-03-23 | 微软技术许可有限责任公司 | 应用的预测预启动 |
CN107678803A (zh) * | 2017-09-30 | 2018-02-09 | 广东欧珀移动通信有限公司 | 应用管控方法、装置、存储介质及电子设备 |
CN107783801A (zh) * | 2017-11-06 | 2018-03-09 | 广东欧珀移动通信有限公司 | 应用程序预测模型建立、预加载方法、装置、介质及终端 |
CN108076224A (zh) * | 2017-12-21 | 2018-05-25 | 广东欧珀移动通信有限公司 | 应用程序控制方法、装置及存储介质和移动终端 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040153445A1 (en) * | 2003-02-04 | 2004-08-05 | Horvitz Eric J. | Systems and methods for constructing and using models of memorability in computing and communications applications |
US9971972B2 (en) * | 2014-12-30 | 2018-05-15 | Oath Inc. | Predicting the next application that you are going to use on aviate |
US11209805B2 (en) * | 2017-10-31 | 2021-12-28 | Microsoft Technology Licensing, Llc. | Machine learning system for adjusting operational characteristics of a computing system based upon HID activity |
CN107944259A (zh) * | 2017-11-21 | 2018-04-20 | 广东欧珀移动通信有限公司 | 应用启动的管控方法、装置及存储介质和移动终端 |
CN107748685B (zh) * | 2017-11-21 | 2020-12-25 | Oppo广东移动通信有限公司 | 应用程序启动控制方法、装置、终端设备及存储介质 |
CN108920156A (zh) * | 2018-05-29 | 2018-11-30 | 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、存储介质及终端 |
-
2018
- 2018-05-29 CN CN201810530136.1A patent/CN108920156A/zh active Pending
-
2019
- 2019-04-11 WO PCT/CN2019/082303 patent/WO2019228080A1/en active Application Filing
- 2019-04-15 EP EP19169146.8A patent/EP3579104B1/en active Active
- 2019-04-25 US US16/394,522 patent/US20190370603A1/en not_active Abandoned
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105431822A (zh) * | 2013-06-12 | 2016-03-23 | 微软技术许可有限责任公司 | 应用的预测预启动 |
CN103412757A (zh) * | 2013-08-19 | 2013-11-27 | 南京大学 | 移动应用个性化集成框架的实现方法 |
CN107678803A (zh) * | 2017-09-30 | 2018-02-09 | 广东欧珀移动通信有限公司 | 应用管控方法、装置、存储介质及电子设备 |
CN107783801A (zh) * | 2017-11-06 | 2018-03-09 | 广东欧珀移动通信有限公司 | 应用程序预测模型建立、预加载方法、装置、介质及终端 |
CN108076224A (zh) * | 2017-12-21 | 2018-05-25 | 广东欧珀移动通信有限公司 | 应用程序控制方法、装置及存储介质和移动终端 |
Non-Patent Citations (2)
Title |
---|
杨宇佳: "基于序列模式挖掘的移动应用使用预测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
赵中堂: "《基于智能移动终端的行为识别方法研究》", 30 April 2015 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210329089A1 (en) * | 2014-07-16 | 2021-10-21 | Tensera Networks Ltd. | Transparent Pre-Loading of User Applications |
US11516309B2 (en) * | 2014-07-16 | 2022-11-29 | Tensera Networks Ltd. | Transparent pre-loading of user applications |
US11489941B2 (en) | 2014-07-16 | 2022-11-01 | Tensera Networks Ltd. | Pre-loading of user applications including skipping of selected launch actions |
US11483415B2 (en) | 2014-07-16 | 2022-10-25 | Tensera Networks Ltd. | Background pre-rendering of user applications |
US11758014B2 (en) | 2014-07-16 | 2023-09-12 | Tensera Networks Ltd. | Scheduling of application preloading in user devices |
US11915012B2 (en) | 2018-03-05 | 2024-02-27 | Tensera Networks Ltd. | Application preloading in the presence of user actions |
US11922187B2 (en) | 2018-03-05 | 2024-03-05 | Tensera Networks Ltd. | Robust application preloading with accurate user experience |
US11397590B2 (en) | 2018-05-10 | 2022-07-26 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for preloading application, storage medium, and terminal |
US11442747B2 (en) | 2018-05-10 | 2022-09-13 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for establishing applications-to-be preloaded prediction model based on preorder usage sequence of foreground application, storage medium, and terminal |
US11604660B2 (en) | 2018-05-15 | 2023-03-14 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method for launching application, storage medium, and terminal |
WO2019228080A1 (en) * | 2018-05-29 | 2019-12-05 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and apparatus for establishing application prediction model, storage medium and terminal |
US11467855B2 (en) | 2018-06-05 | 2022-10-11 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Application preloading method and device, storage medium and terminal |
CN110309307A (zh) * | 2019-06-20 | 2019-10-08 | 上海上湖信息技术有限公司 | 一种基于应用程序预测用户文化水平的方法和系统 |
US11824956B2 (en) | 2019-07-30 | 2023-11-21 | Tensera Networks Ltd. | Pre-rendering of application user-interfaces in user devices using off-line pre-render mode |
CN112099910A (zh) * | 2020-08-28 | 2020-12-18 | 广州探迹科技有限公司 | 一种容器集群中算法模型的预加载方法 |
CN112099910B (zh) * | 2020-08-28 | 2023-08-11 | 广州探迹科技有限公司 | 一种容器集群中算法模型的预加载方法 |
CN112417270A (zh) * | 2020-11-05 | 2021-02-26 | 北京五八信息技术有限公司 | 生成提示信息的方法、装置、电子设备及存储介质 |
CN112328266B (zh) * | 2020-11-06 | 2021-09-28 | 因特睿科技有限公司 | 一种软件互联接口导向的应用程序约减方法和系统 |
CN112328266A (zh) * | 2020-11-06 | 2021-02-05 | 北京因特睿软件有限公司 | 一种软件互联接口导向的应用程序约减方法和系统 |
US11734023B2 (en) | 2020-12-03 | 2023-08-22 | Tensera Networks Ltd. | Preloading of applications having an existing task |
CN115016854B (zh) * | 2021-11-15 | 2023-04-18 | 荣耀终端有限公司 | 应用程序预测方法、电子设备及存储介质 |
CN115016854A (zh) * | 2021-11-15 | 2022-09-06 | 荣耀终端有限公司 | 应用程序预测方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP3579104A1 (en) | 2019-12-11 |
WO2019228080A1 (en) | 2019-12-05 |
EP3579104B1 (en) | 2023-02-15 |
US20190370603A1 (en) | 2019-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108920156A (zh) | 应用程序预测模型建立方法、装置、存储介质及终端 | |
CN108614722A (zh) | 应用程序预加载方法、装置、存储介质及终端 | |
CN108958830A (zh) | 应用程序启动方法、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 | |
CN108595230A (zh) | 应用程序预加载方法、装置、存储介质及终端 | |
CN108595228B (zh) | 应用程序预测模型建立方法、装置、存储介质及移动终端 | |
CN108647055A (zh) | 应用程序预加载方法、装置、存储介质及终端 | |
CN108762843A (zh) | 应用程序的预加载方法、装置、存储介质及智能终端 | |
CN108829457A (zh) | 应用程序预测模型更新方法、装置、存储介质及终端 | |
US11467855B2 (en) | Application preloading method and device, storage medium and terminal | |
CN108647052A (zh) | 应用程序预加载方法、装置、存储介质及终端 | |
CN108710513A (zh) | 应用程序启动方法、装置、存储介质及终端 | |
CN108681475A (zh) | 应用程序预加载方法、装置、存储介质及移动终端 | |
CN108595227A (zh) | 应用程序预加载方法、装置、存储介质及移动终端 | |
CN108595231A (zh) | 应用程序预加载方法、装置、存储介质及智能终端 | |
CN108829456A (zh) | 应用程序预加载方法、装置、存储介质及终端 | |
CN108628645A (zh) | 应用程序预加载方法、装置、存储介质及终端 | |
CN108762831A (zh) | 应用程序预加载方法、装置、存储介质及终端 | |
CN108595224A (zh) | 应用程序提示方法、装置、存储介质及终端 | |
CN107450837B (zh) | 响应黑屏手势的方法、装置、存储介质及移动终端 | |
CN108804153A (zh) | 应用程序的预加载方法、装置、存储介质及终端 | |
CN108647056A (zh) | 应用程序预加载方法、装置、存储介质及终端 | |
CN108776599A (zh) | 预加载应用的管理方法、装置、存储介质及智能终端 | |
CN108762837A (zh) | 应用程序预加载方法、装置、存储介质及终端 | |
CN108762844A (zh) | 应用程序预加载方法、装置、存储介质及终端 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181130 |