CN110569176A - 应用预测模型的训练方法及装置、应用控制方法及装置 - Google Patents

应用预测模型的训练方法及装置、应用控制方法及装置 Download PDF

Info

Publication number
CN110569176A
CN110569176A CN201910878229.8A CN201910878229A CN110569176A CN 110569176 A CN110569176 A CN 110569176A CN 201910878229 A CN201910878229 A CN 201910878229A CN 110569176 A CN110569176 A CN 110569176A
Authority
CN
China
Prior art keywords
application
information
prediction model
training
data
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
Application number
CN201910878229.8A
Other languages
English (en)
Inventor
丛国华
王兆亮
韩冰天
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.)
Beijing ByteDance Network Technology Co Ltd
Original Assignee
Beijing ByteDance Network Technology Co 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 Beijing ByteDance Network Technology Co Ltd filed Critical Beijing ByteDance Network Technology Co Ltd
Priority to CN201910878229.8A priority Critical patent/CN110569176A/zh
Publication of CN110569176A publication Critical patent/CN110569176A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • 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
    • G06F11/3409—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 for performance assessment
    • G06F11/3428—Benchmarking
    • 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
    • G06F11/3447—Performance evaluation by modeling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及计算机技术领域，具体涉及一种应用预测模型的训练方法及装置、应用控制方法及装置。本公开提供的应用预测模型的训练方法包括：首先，监听应用的启动事件并获取所述启动事件对应的环境信息；其次，对环境信息进行特征数字化处理得到特征数据；最后，根据特征数据对初始应用预测模型进行训练以获得目标应用预测模型；其中，环境信息包括时间信息和天气信息；特征数据包括正例特征数据和负例特征数据。可见，本公开提供的应用预测模型的训练方法，通过获取应用启动事件对应的环境信息对应用预测模型进行训练，从而使训练后的应用预测模型对应用启动行为的预测具有较高的准确率。

Description

应用预测模型的训练方法及装置、应用控制方法及装置
技术领域
本公开涉及计算机技术领域，具体涉及一种应用预测模型的训练方法及装置、应用控制方法及装置。
背景技术
现有的基于统计的应用程序启动预测方法利用的信息维度单一，例如应用在某一时间段内的启动次数或启动频率等，无法做到根据实际情况灵活预测应用启动情况。
发明内容
提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
第一方面，本公开提供了一种应用预测模型的训练方法，所述训练方法包括：
监听应用的启动事件；
获取所述启动事件对应的环境信息；
对所述环境信息进行特征数字化处理得到特征数据；
根据所述特征数据对初始应用预测模型进行训练以获得目标应用预测模型；
其中，所述环境信息包括时间信息和天气信息；所述特征数据包括正例特征数据和负例特征数据。
第二方面，本公开提供了一种应用控制方法，所述应用控制方法包括：
获取当前的环境信息；
对所述环境信息进行特征数字化处理得到特征数据；
将所述特征数据输入至上述目标应用预测模型以确定目标应用；
其中，所述环境信息包括时间信息和天气信息。
第三方面，本公开提供了一种应用预测模型的训练装置，所述训练装置包括：
启动监听单元，用于监听应用的启动事件；
第一获取单元，用于获取所述启动事件对应的环境信息；
第一处理单元，用于对所述环境信息进行特征数字化处理得到特征数据；
模型训练单元，用于根据所述特征数据对初始应用预测模型进行训练以获得目标应用预测模型；
其中，所述环境信息包括时间信息和天气信息；所述特征数据包括正例特征数据和负例特征数据。
第四方面，本公开提供了一种应用控制装置，所述应用控制装置包括：
第二获取单元，用于获取当前的环境信息；
第二处理单元，用于对所述环境信息进行特征数字化处理得到特征数据；
应用确定单元，用于将所述特征数据输入至上述目标应用预测模型以确定目标应用；
其中，所述环境信息包括时间信息和天气信息。
第五方面，本公开提供了一种终端，所述终端包括：
至少一个存储器和至少一个处理器；
其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器所存储的程序代码以执行上述方法。
第六方面，一种非暂态计算机存储介质，所述非暂态计算机存储介质存储有程序代码，所述程序代码用于执行上述方法。
本公开提供的应用预测模型的训练方法包括：首先，监听应用的启动事件并获取所述启动事件对应的环境信息；其次，对环境信息进行特征数字化处理得到特征数据；最后，根据特征数据对初始应用预测模型进行训练以获得目标应用预测模型；其中，环境信息包括时间信息和天气信息；特征数据包括正例特征数据和负例特征数据。可见，本公开提供的应用预测模型的训练方法，通过获取应用启动事件对应的环境信息对应用预测模型进行训练，从而使训练后的应用预测模型对应用启动行为的预测具有较高的准确率。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例提供的应用预测模型的训练方法的流程图；
图2为本公开另一实施例提供的应用预测模型的训练方法的流程图；
图3A为本公开实施例提供的应用控制方法的流程图；
图3B为本公开另一实施例提供的应用控制方法的流程图；
图3C为本公开又一实施例提供的应用控制方法的流程图；
图4为本公开实施例提供的应用预测模型的训练装置的流程图；
图5A为本公开实施例提供的应用控制装置的流程图；
图5B为本公开另一实施例提供的应用控制装置的流程图；
图5C为本公开又一实施例提供的应用控制装置的流程图；
图6为用来实现本公开实施例的终端的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的装置实施方式中记载的步骤可以按照不同的顺序执行，和/或并行执行。此外，装置实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
为了本公开的目的，短语“A和/或B”意为(A)、(B)或(A和B)。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
图1示出了本公开实施例提供的应用预测模型的训练方法的流程图，该方法100包括步骤S101-步骤S104：
步骤S101：监听应用的启动事件。其中，启动事件包括应用启动的正启动事件和应用未启动的负启动事件。在本实施例中，可以在终端的系统层通过通用的接口、控件、函数、方法或者类，实现监听应用的启动事件，例如，以Android平台为例，可以通过ActivityManagerService监听应用的启动事件。
特别地，正启动事件包括应用正在启动、应用在前台运行，负启动事件包括应用在后台运行和应用未运行的事件。用户启动某一应用与用户正在使用该应用时的环境数据均能反映用户对该应用的使用习惯，本公开实施例通过将应用正在启动和应用正在前台运行视作应用的正启动事件，以及将应用在后台运行和应用未运行视作应用的负启动事件，可以获取更丰富的数据量以保证应用预测模型的正确率。
步骤S102：获取启动事件对应的环境信息。其中，环境信息包括时间信息和天气信息。在本公开实施例中，时间信息包括日期与时刻，其中日期可以包括周一至周日，时刻可以仅精确到小时数；天气信息包括晴、阴、雨、风、雪等反映天气情况的信息；。环境信息包括应用启动时的环境信息和应用未启动时的环境信息，因此，将前者作为正例、后者作为负例，用以训练应用预测模型。
特别地，环境信息还包括网络连接信息和/或地理位置信息。其中，网络连接信息包括数据网络连接、WIFI连接、无连接状态等；地理位置信息包括家、工作单位以及其他位置等。通过实验发现，一些应用的启动概率与网络连接状态或地理位置相关，例如游戏应用或视频应用等对网速和流量需求较高的应用与WIFI连接具有显著的相关性，此外，这些娱乐性较强的应用也与家庭地址具有显著的相关性。
步骤S103：对环境信息进行特征数字化处理得到特征数据。其中，特征数据包括正例特征数据和负例特征数据。本公开的环境信息属于离散的特征，因此需要对其进行特征数字化处理得到可供机器学习使用的特征数据，例如可以利用One-Hot编码对环境信息进行特征数字化处理得到特征数据。One-Hot编码又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都对应有独立的寄存器位，并且在任意时候只有一位有效。举例说明，假设网络连接信息包括数据“网络连接”、“WIFI连接”、“无连接”3个维度，则这3个维度可通过One-Hot编码分别表示为[1,0,0]，[0,1,0]，[0,0,1]；天气信息包括“晴”“阴”“雨”“雪”4个维度以及“轻度污染”“中度污染”“重度污染”这3个维度，则前4个维度和后3个维度可通过One-Hot编码分别表示为[1,0,0,0]，[0,1,0,0]，[0,0,1,0]，[0,0,0,1]和[1,0,0]，[0,1,0]，[0,0,1]；地理位置信息包括“家”“工作单位”“其他”3个维度，则这3个维度可表示为[1,0,0]，[0,1,0]，[0,0,1]。如果某环境信息包括“网络连接、晴、轻度污染、家”，则该部分环境信息通过可通过One-Hot编码完整的表示为[1,0,0,1,0,0,0,1,0,0,1,0,0]，其中，该向量从左到右依次由“网络连接”([1,0,0])、晴([1,0,0,0])、轻度污染([1,0,0])以及“家”([1,0,0])组成。需要说明的是，上述列举的各环境信息中的维度数据以及One-Hot编码旨在示例性的说明本公开实施例，本公开实施例不限于此。此外，因环境信息包括应用启动时的环境信息(正例)和应用未启动时的环境信息(负例)，故而特征数据亦分为应用启动时对应的特征数据和应用未启动时对应的特征数据，将前者作为正例特征数据、后者作为负例特征数据，一并输入至应用预测模型进行训练。
步骤S104：根据特征数据对初始应用预测模型进行训练以获得目标应用预测模型。其中，初始应用预测模型为机器学习模型，包括神经网络、逻辑回归、决策树，随机森林，支持向量机等。在本公开实施例中，可对特征数据进行预处理以获得由多种类型的数据构成的数据，进而利用处理后的数据对初始应用预测模型进行训练以获得目标应用预测模型。
我们通过实验发现，用户使用应用的频率与本公开获取的环境信息具有显著的相关性，特别在一些天气情况下，诸如叫车、外卖和天气类应用的使用频率具有显著变化。
这样，本公开提供的应用预测模型的训练方法，通过获取应用启动时和应用未启动时的环境信息对应用预测模型进行训练，从而使训练后的应用预测模型对应用启动行为的预测具有较高的准确率。
如图2所示，本公开另一实施例还提供方法200，该方法200包括步骤S201-步骤S204：
步骤S201：监听应用的启动事件。
步骤S202：获取启动事件对应的环境信息。其中，环境信息包括时间信息和天气信息。
步骤S203：对环境信息进行One-Hot编码以得到特征数据。
步骤S204：将由应用启动时的环境信息得到的特征数据标记为正例，将由应用未启动时的环境信息得到的特征数据标记为负例。
步骤S205：将正负例特征数据一并输入至初始应用预测模型进行训练以获得目标应用预测模型。
如图3A所示，本公开实施例还提供应用控制方法300，该方法300包括步骤S310-步骤S330：
步骤S310：获取当前的环境信息。其中，环境信息包括时间信息和天气信息。在本公开实施例中，时间信息包括日期与时刻，其中日期可以包括周一至周日，时刻可以仅精确到小时数；天气信息包括晴、阴、雨、风、雪等反映天气情况的信息；环境信息包括应用启动时的环境信息和应用未启动时的环境信息，因此，将前者作为正例、后者作为负例，用以训练应用预测模型。
特别地，环境信息还包括网络连接信息和/或地理位置信息。其中，网络连接信息包括数据网络连接、WIFI连接、无连接状态等；地理位置信息包括家、工作单位以及其他位置等。通过实验发现，一些应用的启动概率与网络连接状态或地理位置相关，例如游戏应用或视频应用等对网速和流量需求较高的应用与WIFI连接具有显著的相关性，此外，这些娱乐性较强的应用也与家庭地址具有显著的相关性。
步骤S320：对环境信息进行特征数字化处理得到特征数据。本公开的环境信息属于离散的特征，因此需要对其进行特征数字化处理得到可供机器学习使用的特征数据，例如可以利用One-Hot编码对环境信息进行特征数字化处理得到特征数据。One-Hot编码又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都对应有独立的寄存器位，并且在任意时候只有一位有效。举例说明，假设网络连接信息包括数据“网络连接”、“WIFI连接”、“无连接”3个维度，则这3个维度可通过One-Hot编码分别表示为[1,0,0]，[0,1,0]，[0,0,1]；天气信息包括“晴”“阴”“雨”“雪”4个维度以及“轻度污染”“中度污染”“重度污染”这3个维度，则前4个维度和后3个维度可通过One-Hot编码分别表示为[1,0,0,0]，[0,1,0,0]，[0,0,1,0]，[0,0,0,1]和[1,0,0]，[0,1,0]，[0,0,1]；地理位置信息包括“家”“工作单位”“其他”3个维度，则这3个维度可表示为[1,0,0]，[0,1,0]，[0,0,1]。如果某环境信息包括“网络连接、晴、轻度污染、家”，则该部分环境信息通过可通过One-Hot编码完整的表示为[1,0,0,1,0,0,0,1,0,0,1,0,0]，其中，该向量从左到右依次由“网络连接”([1,0,0])、晴([1,0,0,0])、轻度污染([1,0,0])以及“家”([1,0,0])组成。需要说明的是，上述列举的各环境信息中的维度数据以及One-Hot编码旨在示例性的说明本公开实施例，本公开实施例不限于此。
步骤S330：将特征数据输入至按照上文的方法获得的目标应用预测模型以确定目标应用。其中，应用预测模型为机器学习模型，包括神经网络、逻辑回归、决策树，随机森林，支持向量机等。
我们通过实验发现，用户使用应用的频率与本公开获取的环境信息具有显著的相关性，特别在一些天气情况下，诸如叫车、外卖和天气类应用的使用频率具有显著变化。
这样，本公开提供的应用控制方法可以利用应用预测模型根据所获取的当前的环境信息确定出用户在当前时段内可能使用或不使用的目标应用。
如图3B所示，本公开实施例提供的应用控制方法300还包括步骤S341：向用户提供包含目标应用的用户界面，以用于用户与目标应用交互。示例性地，用户界面可以在桌面或者以通知的形式显示目标应用，例如，在桌面的快速启动栏或者启动建议栏显示该目标应用，当用户点击该图标时可以直接启动目标应用，而无需从众多的应用中查找该应用。这样，本公开实施例通过利用应用预测模型根据获取的环境信息预测当前时段内有可能被用户启动的目标应用后，将该应用置于预设的用户界面供用户快速启动，进而提升了用户体验。
如图3C所示，本公开实施例提供的应用控制方法300还包括步骤S342：调整目标应用的后台进程占用系统资源的优先级。其中，后台进程占用系统资源的优先级包括后台进程占用的CPU使用率、RAM使用率、磁盘I/O占用率和网络带宽利用率等系统资源的优先程度，以及是否允许该后台进程自启动、接收广播等。本公开实施例通过利用应用预测模型根据获取的环境信息预测当前时段内会被用户使用或者不会被用户使用的目标应用后，调整其后台进程占用的系统资源的优先级，从而可以有效地分配系统资源。
在一些实施例中，所述应用为第一应用，所述初始应用预测模型为所述第一应用专有的初始第一应用预测模型。用户对不同类型应用具有不同的使用习惯，在本公实施例通过对应用设置专有的应用预测模型，可以减少应用预测模型的计算量并显著提高应用预测模型的预测正确率。
在一些实施例中，所述启动事件包括应用正在启动、应用在前台运行、应用在后台运行和应用未运行的事件。用户启动某一应用与用户正在使用该应用时的环境数据均能反映用户对该应用的使用习惯，本公开实施例通过将应用正在启动和应用正在前台运行视作应用的正启动事件，以及将应用在后台运行和应用未运行视作应用的负启动事件，可以获取更丰富的数据量以保证应用预测模型的正确率。
在一些实施例中，所述获取所述启动事件对应的环境信息包括：通过GPS确定终端当前所处的地理位置；根据所述地理位置和地理位置映射关系确定所述地理位置对应的地理位置信息：其中，所述地理位置映射关系为所述地理位置与N个地理位置信息的映射关系，所述N不大于10。由于通过GPS获得的地理位置通常为连续值，并且可以存在成千上万种取值，对此，本公开实施例将地理位置映射为不多于10类的地理位置信息，可以极大的减少应用预测模型的计算量和复杂度。其中，所述地理位置与N个地理位置信息的映射关系可以预先设定，也可以根据地理位置的历史数据基于相关性进行统计和聚类。
在一些实施例中，所述N为3，所述地理位置映射关系包括：将第一地理位置映射为第一地理位置信息；及将第二地理位置映射为第二地理位置信息；及将其他地理位置映射为第三地理位置信息；其中，所述第一地理位置为在第一时段内出现的次数最多的地理位置，所述第二地理位置为在第二时间段内出现的次数最多的地理位置。终端的地理位置在时间上具有规律性，例如在夜间终端的地理位置位置通常为用户的家庭住址，而在昼间终端的地理位置通常为用户的工作单位地址。因此，本公开实施例通过统计第一、二时间段内出现次数最多的地理位置分别设定为第一、二地理位置，并将其映射为第一、二地理位置信息，将其他的所有地理位置统一映射为第三地理位置信息，进一步简化了预测模型的计算量。
在一些实施例中，所述天气信息包括空气质量信息。其中，空气质量信息可以包括低污染、轻度污染、重度污染等。我们通过实验发现，在一些空气污染环境下，诸如打车、外卖和天气类应用的使用频率具有显著变化。
在一些实施例中，所述特征数据包括训练数据和测试数据，所述测试数据为在M个时间段内获取的环境信息对应的特征数据；所述根据所述特征数据对初始应用预测模型进行训练以获得目标应用预测模型包括：根据所述训练数据对初始应用预测模型进行训练；使用训练后的所述初始应用预测模型根据所述测试数据预测所述M个时间段内的所述应用的启动情况以获得预测结果；根据所述测试数据对应的启动事件确定所述预测结果的正确率；将所述正确率不小于阈值的所述初始应用预测模型确定为目标应用预测模型。其中，训练后的初始应用预测模型可以实时根据当前获取的训练数据进行预测，例如每隔一小时获取训练数据并预测，或者预设的时间段根据之前M个时间段内获取的环境信息对应的特征数据进行预测。
在一些实施例中，所述训练数据包括使用后的所述测试数据。在本公开实施例中，可以通过将使用后的预测数据作为训练新应用预测模型的测试数据，可以有效增加数据的利用率。
在一些实施例中，所述初始应用预测模型包括：逻辑回归模型或神经网络模型。我们通过测试发现，针对本公开所选择的环境信息及其对应的特征数据，使用逻辑回归或神经网络模型具有较高的正确率。
如图4所示，本公开一实施例提供了一种应用预测模型的训练装置400，包括：启动监听单元401、第一获取单元402、第一处理单元403和模型训练单元404，其中：
启动监听单元401，用于监听应用的启动事件。
第一获取单元402，用于获取启动事件对应的环境信息。
第一处理单元403，用于对环境信息进行特征数字化处理得到特征数据。
模型训练单元404，用于根据特征数据对初始应用预测模型进行训练以获得目标应用预测模型。
其中，环境信息包括时间信息和天气信息；特征数据包括正例特征数据和负例特征数据。
如图5A所示，本公开一实施例提供了一种应用控制装置500，包括：第二获取单元510、第二处理单元520和应用确定单元530，其中：
第二获取单元510，用于获取当前的环境信息；
第二处理单元520，用于对环境信息进行特征数字化处理得到特征数据；
应用确定单元530，用于将特征数据输入至按照上文的方法获得的目标应用预测模型以确定目标应用；
其中，环境信息包括时间信息和天气信息。
如图5B所示，本公开实施例提供的应用控制装置500还包括步骤快速启动单元541，用于向用户提供包含目标应用的用户界面，以用于用户与目标应用交互。示例性地，用户界面可以在桌面或者以通知的形式显示目标应用，例如，可以在桌面的快速启动栏或者启动建议栏显示该目标应用，当用户点击该图标时可以直接启动目标应用，而无需从众多的应用中查找该应用。这样，本公开实施例通过利用应用预测模型根据获取的环境信息预测当前时段内有可能被用户启动的目标应用后，将该应用置于预设的用户界面供用户快速启动，进而提升了用户体验。
如图5C所示，本公开实施例提供的应用控制装置500还包括快速启动单元542，用于调整目标应用的后台进程占用系统资源的优先级。其中，后台进程占用系统资源的优先级包括后台进程占用的CPU使用率、RAM使用率、磁盘I/O占用率和网络带宽利用率等系统资源的优先程度，以及是否允许该后台进程自启动、接收广播等。本公开实施例通过利用应用预测模型根据获取的环境信息预测当前时段内会被用户使用或者不会被用户使用的目标应用后，调整其后台进程占用的系统资源的优先级，从而可以有效地分配系统资源。
在一些实施例中，所述应用为第一应用，所述初始应用预测模型为所述第一应用专有的初始第一应用预测模型。用户对不同类型应用具有不同的使用习惯，在本公实施例通过对应用设置专有的应用预测模型，可以减少应用预测模型的计算量并显著提高应用预测模型的预测正确率。
在一些实施例中，所述启动事件包括应用正在启动、应用在前台运行、应用在后台运行和应用未运行的事件。用户启动某一应用与用户正在使用该应用时的环境数据均能反映用户对该应用的使用习惯，本公开实施例通过将应用正在启动和应用正在前台运行视作应用的正启动事件，以及将应用在后台运行和应用未运行视作应用的负启动事件，可以获取更丰富的数据量以保证应用预测模型的正确率。
在一些实施例中，所述获取所述启动事件对应的环境信息包括：通过GPS确定终端当前所处的地理位置；根据所述地理位置和地理位置映射关系确定所述地理位置对应的地理位置信息：其中，所述地理位置映射关系为所述地理位置与N个地理位置信息的映射关系，所述N不大于10。由于通过GPS获得的地理位置通常为连续值，并且可以存在成千上万种取值，对此，本公开实施例将地理位置映射为不多于10类的地理位置信息，可以极大的减少应用预测模型的计算量和复杂度。其中，所述地理位置与N个地理位置信息的映射关系可以预先设定，也可以根据地理位置的历史数据基于相关性进行统计和聚类。
在一些实施例中，所述N为3，所述地理位置映射关系包括：将第一地理位置映射为第一地理位置信息；及将第二地理位置映射为第二地理位置信息；及将其他地理位置映射为第三地理位置信息；其中，所述第一地理位置为在第一时段内出现的次数最多的地理位置，所述第二地理位置为在第二时间段内出现的次数最多的地理位置。终端的地理位置在时间上具有规律性，例如在夜间终端的地理位置位置通常为用户的家庭住址，而在昼间终端的地理位置通常为用户的工作单位地址。因此，本公开实施例通过统计第一、二时间段内出现次数最多的地理位置分别设定为第一、二地理位置，并将其映射为第一、二地理位置信息，将其他的所有地理位置统一映射为第三地理位置信息，进一步简化了预测模型的计算量。
在一些实施例中，所述天气信息包括空气质量信息。其中，空气质量信息可以包括低污染、轻度污染、重度污染等。我们通过实验发现，在一些空气污染环境下，诸如打车、外卖和天气类应用的使用频率具有显著变化。
在一些实施例中，所述特征数据包括训练数据和测试数据，所述测试数据为在M个时间段内获取的环境信息对应的特征数据；所述根据所述特征数据对初始应用预测模型进行训练以获得目标应用预测模型包括：根据所述训练数据对初始应用预测模型进行训练；使用训练后的所述初始应用预测模型根据所述测试数据预测所述M个时间段内的所述应用的启动情况以获得预测结果；根据所述测试数据对应的启动事件确定所述预测结果的正确率；将所述正确率不小于阈值的所述初始应用预测模型确定为目标应用预测模型。其中，训练后的初始应用预测模型可以实时根据当前获取的训练数据进行预测，例如每隔一小时获取训练数据并预测，或者预设的时间段根据之前M个时间段内获取的环境信息对应的特征数据进行预测。
在一些实施例中，所述训练数据包括使用后的所述测试数据。在本公开实施例中，通过将使用后的预测数据可以作为训练新应用预测模型的测试数据，可以有效增加数据的利用率。
在一些实施例中，所述初始应用预测模型包括：逻辑回归模型或神经网络模型。我们通过测试发现，针对本公开所选择的环境信息及其对应的特征数据，使用逻辑回归或神经网络模型具有较高的正确率。
下面参考图6，其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置606加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置606；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置606被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：监听应用的启动事件；获取所述启动事件对应的环境信息；对所述环境信息进行特征数字化处理得到特征数据；根据所述特征数据对初始应用预测模型进行训练以获得目标应用预测模型；其中，所述环境信息包括时间信息和天气信息；所述特征数据包括正例特征数据和负例特征数据。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：监听应用的启动事件；获取所述启动事件对应的环境信息；对所述环境信息进行特征数字化处理得到特征数据；根据所述特征数据对初始应用预测模型进行训练以获得目标应用预测模型；其中，所述环境信息包括时间信息和天气信息；所述特征数据包括正例特征数据和负例特征数据。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，启动监听单元还可以被描述为“用于监听应用的启动事件的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，提供了一种应用预测模型的训练方法，所述训练方法包括：监听应用的启动事件；获取所述启动事件对应的环境信息；对所述环境信息进行特征数字化处理得到特征数据；根据所述特征数据对初始应用预测模型进行训练以获得目标应用预测模型；其中，所述环境信息包括时间信息和天气信息；所述特征数据包括正例特征数据和负例特征数据。
根据本公开的一个或多个实施例提供的预测模型的训练方法，所述应用为第一应用，所述初始应用预测模型为所述第一应用专有的初始第一应用预测模型。
根据本公开的一个或多个实施例提供的预测模型的训练方法，所述启动事件包括应用正在启动、应用在前台运行、应用在后台运行和应用未运行的事件。
根据本公开的一个或多个实施例提供的预测模型的训练方法，所述环境信息还包括网络连接信息和/或地理信息。
根据本公开的一个或多个实施例提供的预测模型的训练方法，所述获取所述启动事件对应的环境信息包括：通过GPS确定终端当前所处的地理位置；根据所述地理位置和地理位置映射关系确定所述地理位置对应的地理位置信息；其中，所述地理位置映射关系为所述地理位置与N个地理位置信息的映射关系，所述N不大于10。
根据本公开的一个或多个实施例提供的预测模型的训练方法，所述N为3，所述地理位置映射关系包括：将第一地理位置映射为第一地理位置信息；及将第二地理位置映射为第二地理位置信息；及将其他地理位置映射为第三地理位置信息；其中，所述第一地理位置为在第一时段内出现的次数最多的地理位置，所述第二地理位置为在第二时间段内出现的次数最多的地理位置。
根据本公开的一个或多个实施例提供的应用预测模型的训练方法，所述天气信息包括空气质量信息。
根据本公开的一个或多个实施例提供的的应用预测模型的训练方法，所述特征数据包括训练数据和测试数据，所述测试数据为在M个时间段内获取的环境信息对应的特征数据；所述根据所述特征数据对初始应用预测模型进行训练以获得目标应用预测模型包括：根据所述训练数据对初始应用预测模型进行训练；使用训练后的所述初始应用预测模型根据所述测试数据预测所述M个时间段内的所述应用的启动情况以获得预测结果；根据所述测试数据对应的启动事件确定所述预测结果的正确率；将所述正确率不小于阈值的所述初始应用预测模型确定为目标应用预测模型。
根据本公开的一个或多个实施例提供的应用预测模型的训练方法，所述训练数据包括使用后的所述测试数据。
根据本公开的一个或多个实施例提供的应用预测模型的训练方法，所述初始应用预测模型包括：逻辑回归模型或神经网络模型。
根据本公开的一个或多个实施例，提供了一种应用控制方法，所述应用控制方法包括：获取当前的环境信息；对所述环境信息进行特征数字化处理得到特征数据；将所述特征数据输入至按照上文的方法获得的目标应用预测模型以确定目标应用；其中，所述环境信息包括时间信息和天气信息。
根据本公开的一个或多个实施例提供的应用控制方法，所述应用控制方法还包括：向用户提供包含所述目标应用的用户界面，以用于所述用户与所述目标应用交互。
根据本公开的一个或多个实施例提供的应用控制方法，所述应用控制方法还包括：调整所述目标应用的后台进程占用系统资源的优先级。
根据本公开的一个或多个实施例提供的应用控制方法，所述环境信息还包括网络连接信息和/或地理信息。
根据本公开的一个或多个实施例提供的应用控制方法，所述获取当前的环境信息包括：通过GPS确定终端当前所处的地理位置；根据所述地理位置和地理位置映射关系确定所述地理位置对应的地理位置信息；其中，所述地理位置映射关系为所述地理位置与N个地理位置信息的映射关系，所述N不大于10。
根据本公开的一个或多个实施例提供的应用控制方法，所述N为3，所述地理位置映射关系包括：将第一地理位置映射为第一地理位置信息；及将第二地理位置映射为第二地理位置信息；及将其他地理位置映射为第三地理位置信息；其中，所述第一地理位置为在第一时段内出现的次数最多的地理位置，所述第二地理位置为在第二时间段内出现的次数最多的地理位置。
根据本公开的一个或多个实施例提供的应用控制方法，所述天气信息包括空气质量信息。
根据本公开的一个或多个实施例，提供了一种应用预测模型的训练装置，所述训练装置包括：启动监听单元，用于监听应用的启动事件；第一获取单元，用于获取所述启动事件对应的环境信息；第一处理单元，用于对所述环境信息进行特征数字化处理得到特征数据；模型训练单元，用于根据所述特征数据对初始应用预测模型进行训练以获得目标应用预测模型；其中，所述环境信息包括时间信息和天气信息；所述特征数据包括正例特征数据和负例特征数据。
根据本公开的一个或多个实施例，提供了一种应用控制装置，所述应用控制装置包括：第二获取单元，用于获取当前的环境信息；第二处理单元，用于对所述环境信息进行特征数字化处理得到特征数据；应用确定单元，用于将所述特征数据输入至按照上文的方法获得的目标应用预测模型以确定目标应用；其中，所述环境信息包括时间信息和天气信息。
根据本公开的一个或多个实施例，提供了一种终端，所述终端包括：至少一个存储器和至少一个处理器；其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器所存储的程序代码以执行上述方法。
根据本公开的一个或多个实施例，提供了一种非暂态计算机存储介质，所述非暂态计算机存储介质存储有程序代码，所述程序代码用于执行上述方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (21)

1.一种应用预测模型的训练方法，其特征在于，所述训练方法包括：
监听应用的启动事件；
获取所述启动事件对应的环境信息；
对所述环境信息进行特征数字化处理得到特征数据；
根据所述特征数据对初始应用预测模型进行训练以获得目标应用预测模型；
其中，所述环境信息包括时间信息和天气信息；所述特征数据包括正例特征数据和负例特征数据。
2.如权利要求1所述的应用预测模型的训练方法，其特征在于，所述应用为第一应用，所述初始应用预测模型为所述第一应用专有的初始第一应用预测模型。
3.如权利要求1所述的应用预测模型的训练方法，其特征在于，所述启动事件包括应用正在启动、应用在前台运行、应用在后台运行和应用未运行的事件。
4.如权利要求1所述的应用预测模型的训练方法，其特征在于，所述环境信息还包括网络连接信息和/或地理信息。
5.如权利要求4所述的应用预测模型的训练方法，其特征在于，所述获取所述启动事件对应的环境信息包括：
通过GPS确定终端当前所处的地理位置；
根据所述地理位置和地理位置映射关系确定所述地理位置对应的地理位置信息；
其中，所述地理位置映射关系为所述地理位置与N个地理位置信息的映射关系，所述N不大于10。
6.如权利要求5所述的应用预测模型的训练方法，其特征在于，所述N为3，所述地理位置映射关系包括：
将第一地理位置映射为第一地理位置信息；及
将第二地理位置映射为第二地理位置信息；及
将其他地理位置映射为第三地理位置信息；
其中，所述第一地理位置为在第一时段内出现的次数最多的地理位置，所述第二地理位置为在第二时间段内出现的次数最多的地理位置。
7.如权利要求1所述的应用预测模型的训练方法，其特征在于，所述天气信息包括空气质量信息。
8.如权利要求1所述的应用预测模型的训练方法，其特征在于，所述特征数据包括训练数据和测试数据，所述测试数据为在M个时间段内获取的环境信息对应的特征数据；
所述根据所述特征数据对初始应用预测模型进行训练以获得目标应用预测模型包括：
根据所述训练数据对初始应用预测模型进行训练；
使用训练后的所述初始应用预测模型根据所述测试数据预测所述M个时间段内的所述应用的启动情况以获得预测结果；
根据所述测试数据对应的启动事件确定所述预测结果的正确率；
将所述正确率不小于阈值的所述初始应用预测模型确定为目标应用预测模型。
9.如权利要求7所述的应用预测模型的训练方法，其特征在于，所述训练数据包括使用后的所述测试数据。
10.如权利要求1所述的应用预测模型的训练方法，其特征在于，所述初始应用预测模型包括：逻辑回归模型或神经网络模型。
11.一种应用控制方法，其特征在于，所述应用控制方法包括：
获取当前的环境信息；
对所述环境信息进行特征数字化处理得到特征数据；
将所述特征数据输入至权利要求1至10任一项所述的目标应用预测模型以确定目标应用；
其中，所述环境信息包括时间信息和天气信息。
12.根据权利要求11所述的应用控制方法，其特征在于，所述应用控制方法还包括：
向用户提供包含所述目标应用的用户界面，以用于所述用户与所述目标应用交互。
13.根据权利要求11所述的应用控制方法，其特征在于，所述应用控制方法还包括：
调整所述目标应用的后台进程占用系统资源的优先级。
14.如权利要求11所述的应用控制方法，其特征在于，所述环境信息还包括网络连接信息和/或地理信息。
15.如权利要求14所述的应用控制方法，其特征在于，所述获取当前的环境信息包括：
通过GPS确定终端当前所处的地理位置；
根据所述地理位置和地理位置映射关系确定所述地理位置对应的地理位置信息；
其中，所述地理位置映射关系为所述地理位置与N个地理位置信息的映射关系，所述N不大于10。
16.如权利要求15所述的应用控制方法，其特征在于，所述N为3，所述地理位置映射关系包括：
将第一地理位置映射为第一地理位置信息；及
将第二地理位置映射为第二地理位置信息；及
将其他地理位置映射为第三地理位置信息；
其中，所述第一地理位置为在第一时段内出现的次数最多的地理位置，所述第二地理位置为在第二时间段内出现的次数最多的地理位置。
17.如权利要求11所述的应用控制方法，其特征在于，所述天气信息包括空气质量信息。
18.一种应用预测模型的训练装置，其特征在于，所述训练装置包括：
启动监听单元，用于监听应用的启动事件；
第一获取单元，用于获取所述启动事件对应的环境信息；
第一处理单元，用于对所述环境信息进行特征数字化处理得到特征数据；
模型训练单元，用于根据所述特征数据对初始应用预测模型进行训练以获得目标应用预测模型；
其中，所述环境信息包括时间信息和天气信息；所述特征数据包括正例特征数据和负例特征数据。
19.一种应用控制装置，其特征在于，所述应用控制装置包括：
第二获取单元，用于获取当前的环境信息；
第二处理单元，用于对所述环境信息进行特征数字化处理得到特征数据；
应用确定单元，用于将所述特征数据输入至权利要求18所述的目标应用预测模型以确定目标应用；
其中，所述环境信息包括时间信息和天气信息。
20.一种终端，其特征在于，所述终端包括：
至少一个存储器和至少一个处理器；
其中，所述存储器用于存储程序代码，所述处理器用于调用所述存储器所存储的程序代码以执行权利要求1至17中任一项所述的方法。
21.一种非暂态计算机存储介质，其特征在于，所述非暂态计算机存储介质存储有程序代码，所述程序代码用于执行权利要求1至17中任一项所述的方法。
CN201910878229.8A 2019-09-17 2019-09-17 应用预测模型的训练方法及装置、应用控制方法及装置 Pending CN110569176A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910878229.8A CN110569176A (zh) 2019-09-17 2019-09-17 应用预测模型的训练方法及装置、应用控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910878229.8A CN110569176A (zh) 2019-09-17 2019-09-17 应用预测模型的训练方法及装置、应用控制方法及装置

Publications (1)

Publication Number Publication Date
CN110569176A true CN110569176A (zh) 2019-12-13

Family

ID=68780727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910878229.8A Pending CN110569176A (zh) 2019-09-17 2019-09-17 应用预测模型的训练方法及装置、应用控制方法及装置

Country Status (1)

Country Link
CN (1) CN110569176A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107729143A (zh) * 2017-09-30 2018-02-23 广东欧珀移动通信有限公司 应用控制方法、装置、存储介质及电子设备
CN108205451A (zh) * 2018-01-05 2018-06-26 广东欧珀移动通信有限公司 应用管理方法、装置、存储介质及电子设备
CN108228270A (zh) * 2016-12-19 2018-06-29 腾讯科技（深圳）有限公司 启动资源加载方法及装置
CN108595228A (zh) * 2018-05-10 2018-09-28 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
US20190138919A1 (en) * 2017-11-06 2019-05-09 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Methods and systems for preloading applications and generating prediction models
CN109947497A (zh) * 2017-12-20 2019-06-28 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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108228270A (zh) * 2016-12-19 2018-06-29 腾讯科技（深圳）有限公司 启动资源加载方法及装置
CN107729143A (zh) * 2017-09-30 2018-02-23 广东欧珀移动通信有限公司 应用控制方法、装置、存储介质及电子设备
US20190138919A1 (en) * 2017-11-06 2019-05-09 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Methods and systems for preloading applications and generating prediction models
CN109947497A (zh) * 2017-12-20 2019-06-28 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
CN108205451A (zh) * 2018-01-05 2018-06-26 广东欧珀移动通信有限公司 应用管理方法、装置、存储介质及电子设备
CN108595228A (zh) * 2018-05-10 2018-09-28 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

Similar Documents

Publication Publication Date Title
CN111246228B (zh) 直播间礼物资源更新方法、装置、介质及电子设备
CN113254105B (zh) 资源处理方法和装置、存储介质和电子设备
CN112712801A (zh) 一种语音唤醒方法、装置、电子设备及存储介质
CN115357350A (zh) 任务配置方法、装置、电子设备和计算机可读介质
CN111695956A (zh) 用于汽车租赁平台的智能服务管理方法、系统及电子设备
CN113392018A (zh) 流量分发方法、装置、存储介质及电子设备
CN117241092A (zh) 一种视频处理方法、装置、存储介质及电子设备
CN117035842A (zh) 模型训练方法、业务量预测方法、装置、设备和介质
CN110569176A (zh) 应用预测模型的训练方法及装置、应用控制方法及装置
CN112860999B (zh) 信息推荐方法、装置、设备和存储介质
CN113660699A (zh) 一种智能集群联网方法、装置及电子设备
CN113033680A (zh) 视频分类方法、装置、可读介质及电子设备
CN113177176A (zh) 特征构建方法、内容显示方法及相关装置
CN115002557B (zh) 一种网速预测方法、装置、设备和存储介质
CN116541421B (zh) 地址查询信息生成方法、装置、电子设备与计算机介质
CN112328341B (zh) 模型显示方法，装置，电子设备及存储介质
CN116881097B (zh) 用户终端告警方法、装置、电子设备和计算机可读介质
CN112235333B (zh) 一种功能包管理方法、装置、设备及存储介质
CN110532475B (zh) 一种信息预估方法、装置、电子设备及存储介质
CN110619087B (zh) 用于处理信息的方法和装置
CN116992115A (zh) 推荐方法、装置、存储介质及电子设备
CN117648167A (zh) 资源调度方法、装置、设备及存储介质
CN115080143A (zh) 页面资源预加载方法、装置、设备及存储介质
CN114548574A (zh) 游客量预测方法、装置和电子设备
CN117200942A (zh) 数据处理方法、装置、介质及电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination