CN110502269A - 应用程序优化方法、设备、存储介质及装置 - Google Patents
应用程序优化方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN110502269A CN110502269A CN201910674970.2A CN201910674970A CN110502269A CN 110502269 A CN110502269 A CN 110502269A CN 201910674970 A CN201910674970 A CN 201910674970A CN 110502269 A CN110502269 A CN 110502269A
- Authority
- CN
- China
- Prior art keywords
- sample
- application program
- product
- product data
- parameter
- 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
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种应用程序优化方法、设备、存储介质及装置,该方法包括:获取目标应用程序的目标产品数据;通过产品分析模型对目标产品数据进行分析,获得目标产品评价参数;根据所述目标产品评价参数选取最优产品数据,根据所述最优产品数据对所述目标产品数据进行优化,获得优化产品数据;根据所述优化产品数据对所述目标应用程序进行优化。基于人工智能,通过产品分析模型对目标应用程序的目标产品数据进行分析,获得的目标产品评价参数为对目标应用程序的性能的评分及建议,根据目标产品评价参数对目标产品数据进行优化,根据优化产品数据对目标应用程序进行优化,从而提高目标应用程序性能优化效率及准确率。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种应用程序优化方法、设备、存储介质及装置。
背景技术
对于开发的目标应用程序,性能是否最优,目前采用的方式是通过在所述目标应用程序中提供用户评分功能,以收集用户在使用所述目标应用程序时的评价、使用体验及修改建议,开发人员再根据收集到的所述评价、所述使用体验及所述修改建议对所述目标应用程序的性能进行改进,然而,所述目标应用程序的性能在同类型应用程序中是否能够脱颖而出,不能通过目前采用的方法解决,无法评价所述目标应用程序的性能与其他同类型应用程序相比的优劣,并且收集评价数据的周期较长,使得目标应用程序性能优化存在局限,准确度不高且效率低下。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种应用程序优化方法、设备、存储介质及装置,旨在解决现有技术中目标应用程序的性能优化效率低且准确度不高的技术问题。
为实现上述目的,本发明提供一种应用程序优化方法,所述应用程序优化方法包括以下步骤:
获取目标应用程序的目标产品数据,所述目标产品数据用于表示所述目标应用程序的性能特征;
通过产品分析模型对所述目标产品数据进行分析,获得目标产品评价参数;
根据所述目标产品评价参数选取最优产品数据,根据所述最优产品数据对所述目标产品数据进行优化,获得优化产品数据;
根据所述优化产品数据对所述目标应用程序进行优化。
优选地,所述通过产品分析模型对所述目标产品数据进行分析,获得目标产品评价参数之前,所述应用程序优化方法还包括:
安装与所述目标应用程序属于同类的多个样本应用程序,并获取所述样本应用程序对应的样本产品评价参数;
自运行所述样本应用程序,并收集运行后的样本产品数据;
建立各所述样本应用程序的所述样本产品评价参数和所述样本产品数据之间的样本对应关系,并根据所述样本对应关系对预设神经网络模型进行训练,获得产品分析模型。
优选地,所述安装与所述目标应用程序属于同类的多个样本应用程序,并获取所述样本应用程序对应的样本产品评价参数,包括:
安装与所述目标应用程序属于同类的多个样本应用程序,并获取所述样本应用程序对应的样本用户评价信息;
根据神经语言程序学技术对所述样本用户评价信息进行词法分析,获得词法分析结果;
从所述词法分析结果中提取出名词及所述名词对应的形容词;
根据预设标准评价词库对所述形容词进行分类,获得分类结果;
根据所述分类结果对所述形容词对应的名词进行评价,获得各样本应用程序的样本产品评价参数。
优选地,所述建立各所述样本应用程序的所述样本产品评价参数和所述样本产品数据之间的样本对应关系,并根据所述样本对应关系对预设神经网络模型进行训练,获得产品分析模型,包括:
建立各所述样本应用程序的所述样本产品评价参数和所述样本产品数据之间的样本对应关系;
对各所述样本对应关系进行遍历,将遍历到的样本对应关系作为当前对应关系;
通过预设神经网络模型对所述当前对应关系中的样本产品数据进行分析,获得预测产品评价参数;
将所述当前对应关系中的样本产品评价参数与所述预测产品评价参数进行对比,获得对比结果;
根据每次遍历的样本对应关系对应的所述对比结果调整所述预设神经网络模型的参数,获得产品分析模型。
优选地,所述样本产品数据包括:页面深度、功能数量、核心功能数量以及核心功能操作步骤数量,所述样本产品评价参数包括:产品平均得分、用户最多年龄段、核心功能评价以及好评度。
优选地,所述根据每次遍历的样本对应关系对应的所述对比结果调整所述预设神经网络模型的参数,获得产品分析模型之前,所述应用程序优化方法还包括:
获取所述当前对应关系中的样本产品数据的重要程度;
查找与所述重要程度对应的参数调节幅度;
所述根据每次遍历的样本对应关系对应的所述对比结果调整所述预设神经网络模型的参数,获得产品分析模型,包括:
根据当前遍历的样本对应关系对应的所述对比结果以及所述参数调节幅度调整所述预设神经网络模型的参数,直到所有所述样本对应关系遍历完成且对应的参数调节完毕,获得产品分析模型。
优选地,所述查找与所述重要程度对应的参数调节幅度之前,所述应用程序优化方法还包括:
根据重要程度对所述样本产品数据进行分类,并根据分类的类别对所述样本产品数据设置对应的参数调节幅度。
此外,为实现上述目的,本发明还提出一种应用程序优化设备,所述应用程序优化设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的应用程序优化程序,所述应用程序优化程序配置为实现如上文所述的应用程序优化方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有应用程序优化程序,所述应用程序优化程序被处理器执行时实现如上文所述的应用程序优化方法的步骤。
此外,为实现上述目的,本发明还提出一种应用程序优化装置,所述应用程序优化装置包括:
获取模块,用于获取目标应用程序的目标产品数据,所述目标产品数据用于表示所述目标应用程序的性能特征;
分析模块,用于通过产品分析模型对所述目标产品数据进行分析,获得目标产品评价参数;
选取模块,用于根据所述目标产品评价参数选取最优产品数据,根据所述最优产品数据对所述目标产品数据进行优化,获得优化产品数据;
优化模块,用于根据所述优化产品数据对所述目标应用程序进行优化。
本发明中,获取目标应用程序的目标产品数据,通过产品分析模型对目标产品数据进行分析,获得目标产品评价参数,目标产品评价参数为对目标应用程序的性能的评分及建议,基于人工智能,获得的目标产品评价参数准确度更高,根据目标产品评价参数对所述目标产品数据进行优化,获得优化产品数据,根据优化产品数据对所述目标应用程序进行优化,避免收集评价数据的周期较长,从而提高目标应用程序性能优化效率及准确率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的应用程序优化设备的结构示意图;
图2为本发明应用程序优化方法第一实施例的流程示意图;
图3为本发明应用程序优化方法第二实施例的流程示意图;
图4为本发明应用程序优化方法第三实施例的流程示意图;
图5为本发明应用程序优化装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的应用程序优化设备结构示意图。
如图1所示,该应用程序优化设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM)存储器,也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对应用程序优化设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及应用程序优化程序。
在图1所示的应用程序优化设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述应用程序优化设备通过处理器1001调用存储器1005中存储的应用程序优化程序,并执行本发明实施例提供的应用程序优化方法。
基于上述硬件结构,提出本发明应用程序优化方法的实施例。
参照图2,图2为本发明应用程序优化方法第一实施例的流程示意图,提出本发明应用程序优化方法第一实施例。
在第一实施例中,所述应用程序优化方法包括以下步骤:
步骤S10:获取目标应用程序的目标产品数据,所述目标产品数据用于表示所述目标应用程序的性能特征。
应理解的是,本实施例的执行主体是所述应用程序优化设备,其中,所述应用程序优化设备可为智能手机、个人电脑或服务器等电子设备,本实施例对此不加以限制。所述目标产品数据为所述目标应用程序性能相关的数据,所述目标产品数据包括页面深度、功能数量、核心功能数量以及核心功能操作步骤数量等。所述页面深度为所述目标应用程序中各功能的访问深度,就是用户在一次操作所述目标应用程序中某一功能的过程中浏览页面的页数。
步骤S20:通过产品分析模型对所述目标产品数据进行分析,获得目标产品评价参数。
可理解的是,为了评价目标应用程序在同类型应用程序中的竞争力,可爬取同类型应用程序及相关数据进行分析,从而根据分析结果评价目标应用程序。安装与所述目标应用程序属于同类的多个样本应用程序,并获取所述样本应用程序的样本产品数据以及所述样本产品数据对应的样本产品评价参数,根据所述样本产品数据以及所述样本产品数据对应的样本产品评价参数对卷积神经网络模型进行训练,获得所述产品分析模型。
在具体实现中,所述产品分析模型能够根据应用程序的产品数据预测该应用程序的产品评价参数,因此,获取所述目标应用程序的目标产品数据,并将所述目标产品数据输入至所述产品分析模型,以使所述产品分析模型对所述目标产品数据进行预测,输出所述目标产品数据对应的目标产品评价参数,以实现对所述目标应用程序进行评价。所述目标产品评价参数为对所述目标应用程序的所述目标产品数据的评价数据及修改建议,所述目标产品评价参数包括产品平均得分、用户最多年龄段、核心功能评价以及好评度等。所述产品平均得分为用户对应用程序的评分的平均值,所述好评度为用户好评数量占总评价数量的比例。
步骤S30:根据所述目标产品评价参数选取最优产品数据,根据所述最优产品数据对所述目标产品数据进行优化,获得优化产品数据。
需要说明的是,当获得所述目标应用程序的所述目标产品评价参数之后,可根据所述目标产品评价参数对所述目标应用程序进行优化,为了获得修改意见,可根据所述目标产品评价参数选取最优产品数据。例如,根据核心功能数量评价获得最优核心功能数量,若核心功能数量评价为核心功能数量3个最好,则可确定最优核心功能数量为3。将所述最优产品数据与所述目标产品数据进行对比,根据对比结果获得所述目标产品数据的修改信息,从而可根据该修改信息对所述目标应用程序的所述目标产品数据进行修改,获得优化产品数据,则所述优化产品数据为满足用户需求的最优产品数据,根据所述优化产品数据对所述目标应用程序进行优化,则实现优化所述目标应用程序的效果。
步骤S40:根据所述优化产品数据对所述目标应用程序进行优化。
应理解的是,所述优化产品数据为根据最优产品数据进行优化的符合所述目标应用程序的产品参数,则可对所述目标应用程序进行更新,将所述目标应用程序中的所述目标产品参数替换为所述优化产品数据,使得所述目标应用程序中各项性能参数得到优化,更加符合用户使用需求,提高所述目标应用程序优化效率和准确度。
本实施例中,获取目标应用程序的目标产品数据,通过产品分析模型对目标产品数据进行分析,获得目标产品评价参数,目标产品评价参数为对目标应用程序的性能的评分及建议,基于人工智能,获得的目标产品评价参数准确度更高,根据目标产品评价参数对所述目标产品数据进行优化,获得优化产品数据,根据优化产品数据对所述目标应用程序进行优化,避免收集评价数据的周期较长,从而提高目标应用程序性能优化效率及准确率。
参照图3,图3为本发明应用程序优化方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明应用程序优化方法的第二实施例。
在第二实施例中,所述步骤S20之前,还包括:
步骤S101:安装与所述目标应用程序属于同类的多个样本应用程序,并获取所述样本应用程序对应的样本产品评价参数。
应理解的是,安装所述目标应用程序的类型,根据所述目标应用程序的类型爬取与所述目标应用程序属于同类的多个样本应用程序,并爬取所述样本应用程序的用户评价信息。所述样本产品评价参数为对所述样本应用程序的所述样本产品数据的评价数据及修改建议,所述样本评价参数包括产品平均得分、用户最多年龄段、核心功能评价以及好评度。
在本实施例中,所述步骤S101,包括:
安装与所述目标应用程序属于同类的多个样本应用程序,并获取所述样本应用程序对应的样本用户评价信息;
根据神经语言程序学技术对所述样本用户评价信息进行词法分析,获得词法分析结果;
从所述词法分析结果中提取出名词及所述名词对应的形容词;
根据预设标准评价词库对所述形容词进行分类,获得分类结果;
根据所述分类结果对所述形容词对应的名词进行评价,获得各样本应用程序的样本产品评价参数。
可以理解的是,所述样本用户评价信息包括用户信息、用户评分以及用户评语等信息,对于每一样本应用程序,均爬取大量所述样本用户评价信息。所述神经语言程序学(Neuro-Linguistic Programming,NLP)技术对大量的所述样本用户评价信息进行分析,以获得所述样本应用程序的样本产品评价参数,所述样本产品评价参数指的是对样本产品数据的评价,所述样本产品数据包括产品平均得分、用户最多年龄段、核心功能评价以及好评度等信息。例如,将同一样本应用程序的用户评分计算平均值可得出所述产品平均得分;从同一样本应用程序的用户信息中提取出用户年龄,并对各年龄段用户数量进行统计,得出所述用户最多年龄段;统计同一样本应用程序的评价等级中好评数量和总评价数量,所述好评度为用户好评数量占总评价数量的比例。
需要说明的是,所述神经语言程序学技术用于:通过词法分析、句法分析、语义分析、文档分析和其他跟深度学习相关的一些技术对基础数据进行内容搜索、内容推荐、评价、问答、文摘和文本理解等数据处理。通过所述神经语言程序学技术对所述样本用户评价信息进行分词,并进行词性标注,获得词法分析结果,从所述词法分析结果中提取出名词及所述名词对应的形容词,建立预设标准评价词库,所述预设标准评价词库包含正面性评价词(比如很好和快速等)、中性评价词(比如还可以和一般等)以及负面性评价词(比如很差和很慢等),根据所述预设标准评价词库对提取出的所述形容词进行分类,从而实现对所述形容词对应的名词进行评价,获得各样本应用程序的样本产品评价参数,比如,所述名词可包括核心功能,则获得核心功能评价。
步骤S102:自运行所述样本应用程序,并收集运行后的样本产品数据。
在具体实现中,在获得所述样本应用程序的所述样本产品评价参数之后,可自动运行所述样本应用程序,并收集运行所述样本应用程序产生的所述样本产品数据,所述样本产品数据包括页面深度、功能数量、核心功能数量以及核心功能操作步骤数量等。所述页面深度为所述样本应用程序中各功能的访问深度,就是用户在一次操作所述样本应用程序中某一功能的过程中浏览页面的页数。
步骤S103:建立各所述样本应用程序的所述样本产品评价参数和所述样本产品数据之间的样本对应关系,并根据所述样本对应关系对预设神经网络模型进行训练,获得产品分析模型。
可理解的是,当获取所述样本应用程序的样本产品评价参数和样本产品数据之后,为每个样本应用程序均建立一个样本产品评价参数和样本产品数据之间的样本对应关系,同时还将建立预设神经网络模型,并根据所述样本对应关系对所述预设神经网络模型进行训练,当训练后的模型的预测准确率达到阈值时,将训练后的预设神经网络模型作为所述产品分析模型。
在本实施例中,通过与所述目标应用程序属于同类的多个样本应用程序的样本产品数据以及对应的样本产品评价参数,对对预设神经网络模型进行训练,获得产品分析模型,则可通过所述产品分析模型分析目标应用程序在同类应用程序中的竞争力,提高目标应用程序的数据分析的准确率和效率。
参照图4,图4为本发明应用程序优化方法第三实施例的流程示意图,基于上述图3所示的第二实施例,提出本发明应用程序优化方法的第三实施例。
在第三实施例中,所述步骤S103,包括:
步骤S1031:建立各所述样本应用程序的所述样本产品评价参数和所述样本产品数据之间的样本对应关系。
应理解的是,当获取所述样本应用程序的所述样本产品评价参数和所述样本产品数据之后,将为每个样本应用程序均建立一个样本产品评价参数和样本产品数据之间的样本对应关系,同时还将建立预设神经网络模型,并根据所述样本对应关系对所述预设神经网络模型进行训练,当训练后的模型的预测准确率达到阈值时,将训练后的预设神经网络模型作为所述产品分析模型。
步骤S1032:对各所述样本对应关系进行遍历,将遍历到的样本对应关系作为当前对应关系。
可理解的是,每个样本应用程序均建立一个本产品评价参数和样本产品数据之间的样本对应关系,多个样本应用程序则有多个所述样本对应关系,对各所述样本对应关系进行遍历,将遍历到的样本对应关系作为当前对应关系,将所述当前对应关系中的样本产品数据输入至所述预设神经网络模型中,获取所述预设神经网络模型输出的预测产品评价参数,从而实现将每一个样本对应关系中的样本产品数据输入至所述预设神经网络模型中,获得各样本应用程序的预测产品评价参数。
步骤S1033:通过预设神经网络模型对所述当前对应关系中的样本产品数据进行分析,获得预测产品评价参数。
需要说明的是,将所述当前对应关系中的样本产品数据输入至所述预设神经网络模型中,获取所述预设神经网络模型输出的预测产品评价参数,为了提高所述预设神经网络模型的预测准确性,每次执行通过预设神经网络模型对所述当前对应关系中的样本产品数据进行分析,获得预测产品评价参数的步骤之后,均需根据所述预测产品评价参数对所述预设神经网络模型中的参数进行修正。
步骤S1034:将所述当前对应关系中的样本产品评价参数与所述预测产品评价参数进行对比,获得对比结果。
在具体实现中,将所述当前对应关系中的样本产品评价参数与所述预测产品评价参数进行对比,若对比结果为样本产品评价参数与所述预测产品评价参数反向偏差,则正向调整所述预设神经网络模型的参数,若对比结果为样本产品评价参数与所述预测产品评价参数正向偏差,则反向调整所述预设神经网络模型的参数,对其它样本对应关系中的样本产品数据进行分析,不断调整所述预设神经网络模型中的参数,直至生成预测准确率较高的所述产品分析模型。
步骤S1035:根据每次遍历的样本对应关系对应的所述对比结果调整所述预设神经网络模型的参数,获得产品分析模型。
可理解的是,在所述预设神经网络模型中输入的是样本对应关系及其数据,在所述样本产品评价参数和所述样本产品数据的所述样本对应关系中,所述样本产品评价参数包含产品平均得分、用户最多年龄段、核心功能评价以及好评度等,所述样本产品数据包含页面深度、功能数量、核心功能数量以及核心功能操作步骤数量等,对各样本产品评价参数和各样本产品数据分别赋予一个代号,例如,产品平均得分的代号为S,核心功能数量的代号为P,则输入S=4.6,P=3。若对比结果为样本产品评价参数与所述预测产品评价参数反向偏差,则正向调整所述预设神经网络模型的参数,若对比结果为样本产品评价参数与所述预测产品评价参数正向偏差,则反向调整所述预设神经网络模型的参数,对其它样本对应关系中的样本产品数据进行分析,不断调整所述预设神经网络模型中的参数,直至生成预测准确率较高的所述产品分析模型。
本实施例中,所述步骤S1035之前,还包括:
获取所述当前对应关系中的样本产品数据的重要程度;
查找与所述重要程度对应的参数调节幅度;
所述步骤S1035,包括:
根据当前遍历的样本对应关系对应的所述对比结果以及所述参数调节幅度调整所述预设神经网络模型的参数,直到所有所述样本对应关系遍历完成且对应的参数调节完毕,获得产品分析模型。
应理解的是,通常神经网络模型包含两个变量之间的对应关系,模型参数的调节机制往往比较单一,由于所述样本产品数据包括:页面深度、功能数量、核心功能数量以及核心功能操作步骤数量等,所述样本产品评价参数包括:产品平均得分、用户最多年龄段、核心功能评价以及好评度等,因此,所述产品分析模型包含两组变量之间的对应关系。所述样本产品数据包括页面深度、功能数量、核心功能数量以及核心功能操作步骤数量等各项参数,每项参数对应用程序的重要程度不同,可根据业务需求,预先对各项参数设置不同的重要程度,重要程度越高,说明其对应的数据对用户越重要,则需对其设置更大的参数调节幅度,以确保其能够尽量满足用户需求。
在具体实现中,为了提高所述产品分析模型的预测准确度,将根据重要程度对所述产品数据进行分类,并根据类别为产品数据对应的参数设置不同的调节机制,对重要程度高的产品数据设置较大的参数调节幅度,例如,将最重要的产品数据(核心功能操作步骤数量)划分为第一类,将不重要的产品数据(功能数量)划分为第二类,在训练过程中,若对比结果为样本产品评价参数与所述预测产品评价参数反向偏差,则正向调整所述预设神经网络模型的参数,可以将第一类产品数据对应的参数增大0.1,将第二类产品数据对应的参数增大0.06,从而提高模型的训练效率和准确性。本实施例中,所述查找与所述重要程度对应的参数调节幅度之前,所述应用程序优化方法还包括:根据重要程度对所述样本产品数据进行分类,并根据分类的类别对所述样本产品数据设置对应的参数调节幅度。
本实施例中,通过对样本对应关系中的样本产品数据进行分析,不断调整所述预设神经网络模型中的参数,直至生成预测准确率较高的所述产品分析模型,从而提高目标应用程序的数据分析的准确率和效率。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有应用程序优化程序,所述应用程序优化程序被处理器执行时实现如上文所述的应用程序优化方法的步骤。
此外,参照图5,本发明实施例还提出一种应用程序优化装置,所述应用程序优化装置包括:
获取模块10,用于获取目标应用程序的目标产品数据,所述目标产品数据用于表示所述目标应用程序的性能特征。
应理解的是,所述目标产品数据为所述目标应用程序性能相关的数据,所述目标产品数据包括页面深度、功能数量、核心功能数量以及核心功能操作步骤数量等。所述页面深度为所述目标应用程序中各功能的访问深度,就是用户在一次操作所述目标应用程序中某一功能的过程中浏览页面的页数。
分析模块20,用于通过产品分析模型对所述目标产品数据进行分析,获得目标产品评价参数。
可理解的是,为了评价目标应用程序在同类型应用程序中的竞争力,可爬取同类型应用程序及相关数据进行分析,从而根据分析结果评价目标应用程序。安装与所述目标应用程序属于同类的多个样本应用程序,并获取所述样本应用程序的样本产品数据以及所述样本产品数据对应的样本产品评价参数,根据所述样本产品数据以及所述样本产品数据对应的样本产品评价参数对卷积神经网络模型进行训练,获得所述产品分析模型。
在具体实现中,所述产品分析模型能够根据应用程序的产品数据预测该应用程序的产品评价参数,因此,获取所述目标应用程序的目标产品数据,并将所述目标产品数据输入至所述产品分析模型,以使所述产品分析模型对所述目标产品数据进行预测,输出所述目标产品数据对应的目标产品评价参数,以实现对所述目标应用程序进行评价。所述目标产品评价参数为对所述目标应用程序的所述目标产品数据的评价数据及修改建议,所述目标产品评价参数包括产品平均得分、用户最多年龄段、核心功能评价以及好评度等。所述产品平均得分为用户对应用程序的评分的平均值,所述好评度为用户好评数量占总评价数量的比例。
选取模块30,用于根据所述目标产品评价参数选取最优产品数据,根据所述最优产品数据对所述目标产品数据进行优化,获得优化产品数据。
需要说明的是,当获得所述目标应用程序的所述目标产品评价参数之后,可根据所述目标产品评价参数对所述目标应用程序进行优化,为了获得修改意见,可根据所述目标产品评价参数选取最优产品数据。例如,根据核心功能数量评价获得最优核心功能数量,若核心功能数量评价为核心功能数量3个最好,则可确定最优核心功能数量为3。将所述最优产品数据与所述目标产品数据进行对比,根据对比结果获得所述目标产品数据的修改信息,从而可根据该修改信息对所述目标应用程序的所述目标产品数据进行修改,获得优化产品数据,则所述优化产品数据为满足用户需求的最优产品数据,根据所述优化产品数据对所述目标应用程序进行优化,则实现优化所述目标应用程序的效果。
优化模块40,用于根据所述优化产品数据对所述目标应用程序进行优化。
应理解的是,所述优化产品数据为根据最优产品数据进行优化的符合所述目标应用程序的产品参数,则可对所述目标应用程序进行更新,将所述目标应用程序中的所述目标产品参数替换为所述优化产品数据,使得所述目标应用程序中各项性能参数得到优化,更加符合用户使用需求,提高所述目标应用程序优化效率和准确度。
本实施例中,获取目标应用程序的目标产品数据,通过产品分析模型对目标产品数据进行分析,获得目标产品评价参数,目标产品评价参数为对目标应用程序的性能的评分及建议,基于人工智能,获得的目标产品评价参数准确度更高,根据目标产品评价参数对所述目标产品数据进行优化,获得优化产品数据,根据优化产品数据对所述目标应用程序进行优化,避免收集评价数据的周期较长,从而提高目标应用程序性能优化效率及准确率。
在一实施例中,所述获取模块10,还用于安装与所述目标应用程序属于同类的多个样本应用程序,并获取所述样本应用程序对应的样本产品评价参数;
所述应用程序优化装置还包括:
运行模块,用于自运行所述样本应用程序,并收集运行后的样本产品数据;
训练模块,用于建立各所述样本应用程序的所述样本产品评价参数和所述样本产品数据之间的样本对应关系,并根据所述样本对应关系对预设神经网络模型进行训练,获得产品分析模型。
在一实施例中,所述获取模块10,还用于安装与所述目标应用程序属于同类的多个样本应用程序,并获取所述样本应用程序对应的样本用户评价信息;根据神经语言程序学技术对所述样本用户评价信息进行词法分析,获得词法分析结果;从所述词法分析结果中提取出名词及所述名词对应的形容词;根据预设标准评价词库对所述形容词进行分类,获得分类结果;根据所述分类结果对所述形容词对应的名词进行评价,获得各样本应用程序的样本产品评价参数。
在一实施例中,所述训练模块,还用于建立各所述样本应用程序的所述样本产品评价参数和所述样本产品数据之间的样本对应关系;对各所述样本对应关系进行遍历,将遍历到的样本对应关系作为当前对应关系;通过预设神经网络模型对所述当前对应关系中的样本产品数据进行分析,获得预测产品评价参数;将所述当前对应关系中的样本产品评价参数与所述预测产品评价参数进行对比,获得对比结果;根据每次遍历的样本对应关系对应的所述对比结果调整所述预设神经网络模型的参数,获得产品分析模型。
在一实施例中,所述样本产品数据包括:页面深度、功能数量、核心功能数量以及核心功能操作步骤数量,所述样本产品评价参数包括:产品平均得分、用户最多年龄段、核心功能评价以及好评度。
在一实施例中,所述训练模块,还用于获取所述当前对应关系中的样本产品数据的重要程度;查找与所述重要程度对应的参数调节幅度;根据当前遍历的样本对应关系对应的所述对比结果以及所述参数调节幅度调整所述预设神经网络模型的参数,直到所有所述样本对应关系遍历完成且对应的参数调节完毕,获得产品分析模型。
在一实施例中,所述训练模块,还用于根据重要程度对所述样本产品数据进行分类,并根据分类的类别对所述样本产品数据设置对应的参数调节幅度。
本发明所述应用程序优化装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种应用程序优化方法,其特征在于,所述应用程序优化方法包括以下步骤:
获取目标应用程序的目标产品数据,所述目标产品数据用于表示所述目标应用程序的性能特征;
通过产品分析模型对所述目标产品数据进行分析,获得目标产品评价参数;
根据所述目标产品评价参数选取最优产品数据,根据所述最优产品数据对所述目标产品数据进行优化,获得优化产品数据;
根据所述优化产品数据对所述目标应用程序进行优化。
2.如权利要求1所述的应用程序优化方法,其特征在于,所述通过产品分析模型对所述目标产品数据进行分析,获得目标产品评价参数之前,所述应用程序优化方法还包括:
安装与所述目标应用程序属于同类的多个样本应用程序,并获取所述样本应用程序对应的样本产品评价参数;
自运行所述样本应用程序,并收集运行后的样本产品数据;
建立各所述样本应用程序的所述样本产品评价参数和所述样本产品数据之间的样本对应关系,并根据所述样本对应关系对预设神经网络模型进行训练,获得产品分析模型。
3.如权利要求2所述的应用程序优化方法,其特征在于,所述安装与所述目标应用程序属于同类的多个样本应用程序,并获取所述样本应用程序对应的样本产品评价参数,包括:
安装与所述目标应用程序属于同类的多个样本应用程序,并获取所述样本应用程序对应的样本用户评价信息;
根据神经语言程序学技术对所述样本用户评价信息进行词法分析,获得词法分析结果;
从所述词法分析结果中提取出名词及所述名词对应的形容词;
根据预设标准评价词库对所述形容词进行分类,获得分类结果;
根据所述分类结果对所述形容词对应的名词进行评价,获得各样本应用程序的样本产品评价参数。
4.如权利要求2或3所述的应用程序优化方法,其特征在于,所述建立各所述样本应用程序的所述样本产品评价参数和所述样本产品数据之间的样本对应关系,并根据所述样本对应关系对预设神经网络模型进行训练,获得产品分析模型,包括:
建立各所述样本应用程序的所述样本产品评价参数和所述样本产品数据之间的样本对应关系;
对各所述样本对应关系进行遍历,将遍历到的样本对应关系作为当前对应关系;
通过预设神经网络模型对所述当前对应关系中的样本产品数据进行分析,获得预测产品评价参数;
将所述当前对应关系中的样本产品评价参数与所述预测产品评价参数进行对比,获得对比结果;
根据每次遍历的样本对应关系对应的所述对比结果调整所述预设神经网络模型的参数,获得产品分析模型。
5.如权利要求2所述的应用程序优化方法,其特征在于,所述样本产品数据包括:页面深度、功能数量、核心功能数量以及核心功能操作步骤数量,所述样本产品评价参数包括:产品平均得分、用户最多年龄段、核心功能评价以及好评度。
6.如权利要求4所述的应用程序优化方法,其特征在于,所述根据每次遍历的样本对应关系对应的所述对比结果调整所述预设神经网络模型的参数,获得产品分析模型之前,所述应用程序优化方法还包括:
获取所述当前对应关系中的样本产品数据的重要程度;
查找与所述重要程度对应的参数调节幅度;
所述根据每次遍历的样本对应关系对应的所述对比结果调整所述预设神经网络模型的参数,获得产品分析模型,包括:
根据当前遍历的样本对应关系对应的所述对比结果以及所述参数调节幅度调整所述预设神经网络模型的参数,直到所有所述样本对应关系遍历完成且对应的参数调节完毕,获得产品分析模型。
7.如权利要求6所述的应用程序优化方法,其特征在于,所述查找与所述重要程度对应的参数调节幅度之前,所述应用程序优化方法还包括:
根据重要程度对所述样本产品数据进行分类,并根据分类的类别对所述样本产品数据设置对应的参数调节幅度。
8.一种应用程序优化设备,其特征在于,所述应用程序优化设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的应用程序优化程序,所述应用程序优化程序被所述处理器执行时实现如权利要求1至7中任一项所述的应用程序优化方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有应用程序优化程序,所述应用程序优化程序被处理器执行时实现如权利要求1至7中任一项所述的应用程序优化方法的步骤。
10.一种应用程序优化装置,其特征在于,所述应用程序优化装置包括:
获取模块,用于获取目标应用程序的目标产品数据,所述目标产品数据用于表示所述目标应用程序的性能特征;
分析模块,用于通过产品分析模型对所述目标产品数据进行分析,获得目标产品评价参数;
选取模块,用于根据所述目标产品评价参数选取最优产品数据,根据所述最优产品数据对所述目标产品数据进行优化,获得优化产品数据;
优化模块,用于根据所述优化产品数据对所述目标应用程序进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910674970.2A CN110502269A (zh) | 2019-07-24 | 2019-07-24 | 应用程序优化方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910674970.2A CN110502269A (zh) | 2019-07-24 | 2019-07-24 | 应用程序优化方法、设备、存储介质及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110502269A true CN110502269A (zh) | 2019-11-26 |
Family
ID=68586901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910674970.2A Pending CN110502269A (zh) | 2019-07-24 | 2019-07-24 | 应用程序优化方法、设备、存储介质及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110502269A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112463205A (zh) * | 2020-11-24 | 2021-03-09 | 史传波 | 基于ai和大数据的应用程序管理方法及人工智能服务器 |
CN113051465A (zh) * | 2019-12-27 | 2021-06-29 | Oppo广东移动通信有限公司 | 优化策略的推送方法、装置、服务器及存储介质 |
CN113837605A (zh) * | 2021-09-24 | 2021-12-24 | 深圳市元征科技股份有限公司 | 一种资源分配方法、资源分配装置及服务器 |
CN113852952A (zh) * | 2021-02-20 | 2021-12-28 | 天翼智慧家庭科技有限公司 | 一种基于android手机性能分级自动执行app优化策略的方法 |
CN115757302A (zh) * | 2022-10-28 | 2023-03-07 | 支付宝(杭州)信息技术有限公司 | 一种数据分析的方法、装置、设备及存储介质 |
CN116679981A (zh) * | 2023-08-03 | 2023-09-01 | 北京电科智芯科技有限公司 | 一种基于迁移学习的软件系统配置调优方法及装置 |
-
2019
- 2019-07-24 CN CN201910674970.2A patent/CN110502269A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051465A (zh) * | 2019-12-27 | 2021-06-29 | Oppo广东移动通信有限公司 | 优化策略的推送方法、装置、服务器及存储介质 |
CN112463205A (zh) * | 2020-11-24 | 2021-03-09 | 史传波 | 基于ai和大数据的应用程序管理方法及人工智能服务器 |
CN113852952A (zh) * | 2021-02-20 | 2021-12-28 | 天翼智慧家庭科技有限公司 | 一种基于android手机性能分级自动执行app优化策略的方法 |
CN113837605A (zh) * | 2021-09-24 | 2021-12-24 | 深圳市元征科技股份有限公司 | 一种资源分配方法、资源分配装置及服务器 |
CN115757302A (zh) * | 2022-10-28 | 2023-03-07 | 支付宝(杭州)信息技术有限公司 | 一种数据分析的方法、装置、设备及存储介质 |
CN115757302B (zh) * | 2022-10-28 | 2023-06-27 | 支付宝(杭州)信息技术有限公司 | 一种数据分析的方法、装置、设备及存储介质 |
CN116679981A (zh) * | 2023-08-03 | 2023-09-01 | 北京电科智芯科技有限公司 | 一种基于迁移学习的软件系统配置调优方法及装置 |
CN116679981B (zh) * | 2023-08-03 | 2023-11-24 | 北京电科智芯科技有限公司 | 一种基于迁移学习的软件系统配置调优方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110502269A (zh) | 应用程序优化方法、设备、存储介质及装置 | |
US10990767B1 (en) | Applied artificial intelligence technology for adaptive natural language understanding | |
CN105740228B (zh) | 一种互联网舆情分析方法及系统 | |
CN108804567A (zh) | 提高智能客服应答率的方法、设备、存储介质及装置 | |
DE112021004163T5 (de) | Zuschneiden eines kommunikationsinhalts | |
EP1542146A2 (en) | Statistical models and methods to support the personalization of applications and services via consideration of preference encodings of a community of users | |
CN108875059B (zh) | 用于生成文档标签的方法、装置、电子设备和存储介质 | |
Brinton et al. | Social learning networks: Efficiency optimization for MOOC forums | |
CN111625715B (zh) | 信息提取方法、装置、电子设备及存储介质 | |
Gyódi et al. | Informing policy with text mining: technological change and social challenges | |
CN112995719B (zh) | 基于弹幕文本的问题集获取方法、装置及计算机设备 | |
CN110377692A (zh) | 一种训练机器人模仿学习人工客服方法及装置 | |
Mylonas et al. | An attention matrix for every decision: Faithfulness-based arbitration among multiple attention-based interpretations of transformers in text classification | |
CN113420946A (zh) | 一种新闻媒体的评价方法 | |
CN111966946A (zh) | 一种页面权威值的识别方法、装置、设备和存储介质 | |
CN111767404A (zh) | 一种事件挖掘方法和装置 | |
CN116595191A (zh) | 一种交互式低代码知识图谱的构建方法及装置 | |
CN110377741A (zh) | 文本分类方法、智能终端及计算机可读存储介质 | |
CN109409642A (zh) | 一种基于大数据的教学资源评级方法 | |
CN114385892B (zh) | 一种文章等级识别方法、装置、服务器及存储介质 | |
Binzagr et al. | FAME: An Influencer Model for Service-Oriented Environments | |
CN116739670B (zh) | 一种基于大数据的广告推送营销系统及方法 | |
CN117786416B (zh) | 一种模型训练方法、装置、设备、存储介质及产品 | |
Sun et al. | Research on collaborative filtering recommendation method of online learning resources based on learner model | |
CN117909507B (zh) | 基于ai的数据分类系统 |
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 |