CN110825458A - 后台应用清理方法、装置及计算机可读存储介质 - Google Patents

Abstract

本发明公开了一种后台应用清理方法、装置及计算机可读存储介质，所述方法包括判断所述终端是否处于卡顿状态，若是，则输出清理后台应用的提示消息，接着若检测到所述提示消息对应的确认指令，则基于所述终端后台运行的应用程序，确定待清理应用程序，和/或清理所述待清理应用程序，本发明公开了一种后台应用清理方法，所述方法包括接收目标应用程序启动指令，接着判断所述终端是否处于卡顿状态，若是，基于预设规则清理后台应用程序，和/或启动所述目标应用程序，简化了后台应用清理的步骤，有效提高了终端卡顿时清理后台应用的效率，实现了智能化清理后台应用程序，进而提高了用户的体验。

Description

后台应用清理方法、装置及计算机可读存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种后台应用清理方法、装置及计算机可读存储介质。

背景技术

随着终端技术的不断发展，大量功能各异的应用程序不断涌现，因此，终端中安装的应用程序数量也越来越多，但是由于终端的内存资源有限，在当前终端运行的应用程序越来越多时，终端内存资源占有量越来越大，终端的内存资源就会出现严重不足，从而造成卡顿。

目前，主要是通过手动逐一清理应用程序来释放应用程序，或则是通过一键清理功能清理后台运行的全部应用程序，但是，手动清理的操作过程繁琐，而一键清理则会清理掉用户需要的应用程序，造成用户体验不好的问题。

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后台应用清理方法、装置及计算机可读存储介质，旨在解决现有应用程序的清理过程不够智能而影响用户体验的技术问题。

为实现上述目的，本发明提供一种后台应用清理方法，所述后台应用清理方法包括以下步骤：

S11：判断所述终端是否处于卡顿状态；

S12：若是，则输出清理后台应用的提示消息；

S13：若检测到所述提示消息对应的确认指令，则基于所述终端后台运行的应用程序，确定待清理应用程序，和/或清理所述待清理应用程序。

优选地，基于目标预测模型，获取所述应用程序对应的预测结果；

基于所述预测结果确定所述待清理应用程序。

优选地，在目标预测模型中输入所述应用程序的应用信息，以获得所述应用程序在第一预设时间内被清理的概率；

将所述概率作为所述应用程序对应的预测结果。

优选地，基于所述概率，确定所述应用程序中是否存在概率值大于或等于预设概率的目标应用程序；

若存在，则将所述目标应用程序作为所述待清理应用程序；

和/或，若不存在，则基于所述概率，确定所述应用程序中概率值最大的应用程序，并将概率值最大的应用程序作为所述待清理应用程序。

优选地，获取所述终端的历史卡顿状态对应的应用程序的历史行为数据；

基于所述历史行为数据训练初始预测模型，以获得目标预测模型。

优选地，应用程序的操作指令对应的执行时间超过预设执行时间、终端的系统资源使用率超过预设使用率，其中，所述系统资源包括CPU、内存、显存、缓存、存储空间中的至少一种：

若输出所述提示信息之后的持续时长达到第二预设时间时，未检测到所述提示消息对应的指令，则自动清理所述待清理应用程序，和/或输出提示信息、或不清理所述待清理应用程序，和/或输出终端卡顿的预警信息；

和/或，若所述第二预设时间内检测到提示消息对应的拒绝清理指令，则输出终端卡顿的预警信息。

为实现上述目的，本发明还提供一种后台应用清理方法，所述后台应用清理方法包括以下步骤：

S21：接收目标应用程序启动指令；

S22：判断所述终端的运行状态是否符合预设条件；

S23：若是，基于预设规则清理后台应用程序，和/或启动所述目标应用程序。

优选地，基于目标预测模型获取所述后台应用程序在第一预设时间内被清理的概率，清理所述概率值大于或等于预设概率对应的所述后台应用程序。

优选地，获取所述终端的历史运行状态对应的应用程序的历史行为数据；

基于所述历史行为数据训练初始预测模型，以获得目标预测模型。

优选地，所述预设条件包括下述情况的至少一种：应用程序的操作指令对应的执行时间超过预设执行时间、终端的系统资源使用率超过预设使用率，其中，所述系统资源包括CPU、内存、显存、缓存、存储空间中的至少一种。

此外，为实现上述目的，本发明还提供一种后台应用清理装置，所述后台应用清理装置包括：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后台应用清理程序，所述后台应用清理程序被所述处理器执行时实现上述的后台应用清理方法的步骤。

此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有后台应用清理程序，所述后台应用清理程序被处理器执行时实现上述后台应用清理方法的步骤。

本发明通过判断所述终端是否处于卡顿状态，若是，则输出清理后台应用的提示消息，接着若检测到所述提示消息对应的确认指令，和/或基于所述终端后台运行的应用程序，确定待清理应用程序，并清理所述待清理应用程序，或通过接收目标应用程序启动指令，接着判断终端是否处于卡顿状态，若是，基于预设规则清理后台应用程序，和/或启动目标应用程序，在终端卡顿时，基于用户清理后台应用的指令终端自动清理后台运行的不活跃的应用程序，简化了后台应用清理的步骤，有效提高了终端卡顿时清理后台应用的效率，在清理后台应用时选择性的去除后台运行地应用程序，应用程序的清理过程更加智能，进而提高了用户的体验。

附图说明

图1是本发明实施例方案涉及的硬件运行环境中后台应用清理装置的结构示意图；

图2为本发明后台应用清理方法第一实施例的流程示意图。

图3为SqueezeNet网络模型结构中Fire模块的结构示意图。

图4为本发明后台应用清理方法第六实施例的流程示意图。

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。

如图1所示，图1是本发明实施例方案涉及的硬件运行环境中后台应用清理装置的结构示意图。

本发明实施例终端可以是PC，也可以是智能手机、平板电脑、电子书阅读器等具有后台应用清理功能的可移动式终端设备。

如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。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)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，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。

可选地，后台应用清理装置还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在后台应用清理装置移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别后台应用清理装置姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，后台应用清理装置还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

本领域技术人员可以理解，图1中示出的后台应用清理装置结构并不构成对后台应用清理装置的限定，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、用户接口模块以及后台应用清理程序。

在图1所示的后台应用清理装置中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的后台应用清理程序。

在本实施例中，后台应用清理装置包括：存储器1005、处理器1001及存储在所述存储器1005上并可在所述处理器1001上运行的后台应用清理程序，其中，处理器1001调用存储器1005中存储的后台应用清理程序时，并执行以下操作：

判断所述终端是否处于卡顿状态；

若是，则输出清理后台应用的提示消息；

若检测到所述提示消息对应的确认指令，则基于所述终端后台运行的应用程序，确定待清理应用程序，和/或清理所述待清理应用程序。

进一步地，处理器1001可以调用存储器1005中存储的后台应用清理程序，还执行以下操作：

基于目标预测模型，获取所述应用程序对应的预测结果；

基于所述预测结果确定所述待清理应用程序。

进一步地，处理器1001可以调用存储器1005中存储的后台应用清理程序，还执行以下操作：

在目标预测模型中输入所述应用程序的应用信息，以获得所述应用程序在第一预设时间内被清理的概率；

将所述概率作为所述应用程序对应的预测结果。

进一步地，处理器1001可以调用存储器1005中存储的后台应用清理程序，还执行以下操作：

基于所述概率，确定所述应用程序中是否存在概率值大于或等于预设概率的目标应用程序；

若存在，则将所述目标应用程序作为所述待清理应用程序；

和/或，若不存在，则基于所述概率，确定所述应用程序中概率值最大的应用程序，并将概率值最大的应用程序作为所述待清理应用程序。

进一步地，处理器1001可以调用存储器1005中存储的后台应用清理程序，还执行以下操作：

获取所述终端的历史卡顿状态对应的应用程序的历史行为数据；

基于所述历史行为数据训练初始预测模型，以获得目标预测模型。

进一步地，处理器1001可以调用存储器1005中存储的后台应用清理程序，还执行以下操作：

应用程序的操作指令对应的执行时间超过预设执行时间、和/或终端的系统资源使用率超过预设使用率，其中，所述系统资源包括CPU、内存、显存、缓存、存储空间中的至少一种。

进一步地，处理器1001可以调用存储器1005中存储的后台应用清理程序，还执行以下操作：

若输出所述提示信息之后的持续时长达到第二预设时间时，未检测到所述提示消息对应的指令，则自动清理所述待清理应用程序，和/或输出提示信息、或不清理所述待清理应用程序，和/或输出终端卡顿的预警信息；

和/或，若所述第二预设时间内检测到提示消息对应的拒绝清理指令，则输出终端卡顿的预警信息。

进一步地，处理器1001可以调用存储器1005中存储的后台应用清理程序，还执行以下操作：

接收目标应用程序启动指令；

判断所述终端的运行状态是否符合预设条件；

若是，基于预设规则清理后台应用程序，和/或启动所述目标应用程序。

进一步地，处理器1001可以调用存储器1005中存储的后台应用清理程序，还执行以下操作：

基于目标预测模型获取所述后台应用程序在第一预设时间内被清理的概率，清理所述概率值大于或等于预设概率对应的所述后台应用程序。

进一步地，处理器1001可以调用存储器1005中存储的后台应用清理程序，还执行以下操作：

获取所述终端的历史状态状态对应的应用程序的历史行为数据；

基于所述历史行为数据训练初始预测模型，以获得目标预测模型。

进一步地，处理器1001可以调用存储器1005中存储的后台应用清理程序，还执行以下操作：

应用程序的操作指令对应的执行时间超过预设执行时间、和/或终端的系统资源使用率超过预设使用率，其中，所述系统资源包括CPU、内存、显存、缓存、存储空间中的至少一种。

本发明还提供一种后台应用清理方法，参照图2，图2为本发明后台应用清理方法第一实施例的流程示意图。

该后台应用清理方法包括以下步骤：

步骤S11，判断所述终端是否处于卡顿状态；

在本实施例中，当用户对终端的应用程序进行操作时，终端会获取一个操作指令，接着，终端会对此操作指令作出相应的响应，可以理解地，终端会设置一个正常的响应速度来响应用户操作，例如，设置在获得用户操作指令后的0.01S进行响应，当完成此操作指令对应的时间在0.01S-0.1S之间时，用户是感觉不到卡顿的，如果反应延迟超过了一定时长，用户会感觉到终端的界面卡顿。可以理解地，造成终端界面卡顿的原因有很多，比如，由于终端的自身资源有限，但是终端当前资源使用量过大造成的卡顿，或则由于用户当前使用的应用程序的组件布局层次太深，导致界面过度绘制，从而引起卡顿。

在本实施例中，本发明主要是解决由于终端的资源使用量过大造成终端卡顿的问题，可以理解地，终端的系统资源包括CPU、内存、显存、缓存、存储空间中的至少一种。具体地，预先设置一个操作指令的执行时间阈值，判断当前检测到的应用程序的操作指令对应的执行时间是否超过预设执行时间，可以理解地，预设执行时间可以灵活设置，具体不作限制，和/或，终端的系统资源使用率是否超过预设使用率，其中，该系统资源包括CPU、内存、显存、缓存、存储空间中的至少一种，以判断终端是否处于卡顿状态。

又一实施例中，步骤S11包括：当出现下述情况的至少一种时，判定终端处于卡顿状态：应用程序的操作指令对应的执行时间超过预设执行时间、终端的系统资源使用率超过预设使用率，其中，系统资源包括CPU、内存、显存、缓存、存储空间中的至少一种。

在本实施例中，预设时间可以灵活设置，比如1秒，若检测到用户点击应用程序的触控操作，接着检测到终端执行该触控操作的操作指令对应的执行时间超过1S，则判定终端处于卡顿状态，或则，检测到终端的系统资源使用率超过预设使用率，则判定终端处于卡顿状态，其中，系统资源包括CPU、内存、显存、缓存、存储空间中的至少一种。

步骤S12，若是，则输出清理后台应用的提示消息；

在本实施例中，当检测到当前应用程序的操作指令对应的执行时间超过预设执行时间，则判定终端此时处于卡顿状态，或则检测到当前应用程序的操作指令对应的执行时间超过预设执行时间，且检测到终端的系统资源使用率超过预设使用率，其中，该系统资源包括CPU、内存、显存、缓存、存储空间中的至少一种，则判定终端此时处于卡顿状态，接着输出终端处于卡顿状态，是否选择清理后台应用的提示消息，提醒用户清理后台应用。其中，此提示消息的提示方式可以为自屏幕下方弹出提示消息对应的提示消息框并同时闪烁终端的提示灯，检测到提示消息框中的选择框对应的操作指令时指示灯停止闪烁，其中，预设CPU使用率及预设内存占用率可以灵活设置，比如，预设CPU使用率为80％，预设内存占用率为80％，具体不作灵活设置。

步骤S13，若检测到所述提示消息对应的确认指令，则基于所述终端后台运行的应用程序，确定待清理应用程序，和/或清理所述待清理应用程序。

在本实施例中，检测到输出的提示消息对应的清理后台应用的确认指令，接着获取后台运行的应用程序的应用信息，其中，后台运行的应用程序的应用信息包括：后台运行的应用程序的数量、后台运行的应用程序各自的包名、应用程序切换至后台运行前在前台运行的时长及切换至后台运行的时长、应用程序切换至后台运行的方式、应用程序启动后从前台切换到后台再从后台切换至前台的次数、后台运行的所有应用程序的使用时序、应用程序运行时的运行内存、应用程序运行时的耗电量等。

可选地，获取后台运行的应用程序的应用信息之后，识别出属于应用进程黑名单的后台应用程序，将属于应用进程黑名单的后台应用程序作为待清理应用程序，若后台运行的应用程序中不存在黑名单，则将运行时占用内存最大的应用程序作为待清理应用程序，并关闭待清理的应用程序并清除此应用程序在运行时产生的缓存数据。

可选地，获取后台运行的应用程序的应用信息之后，判断后台运行的应用程序的运行内存是否超过预设内存值，其中，预设内存值可以灵活设置，比如当后台运行的应用程序的运行内存超过500M，则确定此应用程序为待清理应用程序，若后台运行的应用程序的运行内存均小于500M，则将运行内存最大的应用程序作为待清理应用程序，并关闭待清理的应用程序并清除此应用程序在运行时产生的缓存数据。

可选地，获取后台运行的应用程序的应用信息之后，提取应用信息中的特征信息，比如应用程序的包名、后台应用程序的使用时序等，将此特征信息输入至预测模型中，通过预测模型的分析确定待清理应用程序，比如，将后台运行的应用程序的应用信息输入至预测模型中，分别获取后台运行的应用程序的被清理的概率值，从获取的概率值中选取N个数值最大的概率值，其中N为大于等于1的整数，将选取的N个数值最大的概率值对应的应用程序作为待清理应用程序，并关闭待清理的应用程序并清除此应用程序在运行时产生的缓存数据。

本实施列中，通过判断终端是否处于卡顿状态，若是，则输出清理后台应用的提示消息，接着若检测到提示消息对应的确认指令，则基于终端后台运行的应用程序，确定待清理应用程序，和/或清理所述待清理应用程序，在终端卡顿时，基于用户清理后台应用的指令终端自动清理后台运行的不活跃的应用程序，实现了后台应用的智能清理，简化了后台应用清理的步骤，有效提高了终端卡顿时清理后台应用的效率，在清理后台应用时选择性的去除后台运行地应用程序，进而提高了用户的体验。

基于第一实施例，提出本发明后台应用清理方法的第二实施例，在本实施例中，步骤S13包括：

步骤S130，基于目标预测模型，获取所述应用程序对应的预测结果；

步骤S131，基于所述预测结果确定所述待清理应用程序。

本实施例中，目标预测模型可以为训练好的SqueezeNet网络模型，其中，SqueezeNet网络模型包括两个卷积层、九个Fire模块、三个池化层、一个Softmax层，其中，Fire模块由Squeeze、Expand层组成，如图3，Squeeze层由3个1×1的卷积过滤器组成，Expand层由4个1×1的卷积过滤器和4个3×3的卷积过滤器组成。

在获取后台运行的应用程序的应用信息之后，提取应用信息中的特征数据，具体地，应用信息中的特征数据包括：后台应用程序的包名、应用程序最近一次切换到后台运行的时刻、应用程序前台运行的总时间、应用程序后台运行的总时间等，将提取的特征数据输入训练好的SqueezeNet网络模型，依次经过两个卷积层、九个Fire模块、三个池化层进行特征提取，接着经过Softmax层进行特征分类，获得输入的特征数据对应的应用程序待被清理的预测结果。

本实施例提出的，通过目标预测模型获得应用程序对应的预测结果，接着基于预测结果确定所述待清理应用程序，实现了应用程序的清理过程的智能化，并且模型预测的过程简单，速度快，提高了终端卡顿时确认待清理应用程序的效率，进而提高了用户的体验。

基于第二实施例，提出本发明后台应用清理方法的第三实施例，在本实施例中，步骤S130包括：

步骤S132，在目标预测模型中输入所述应用程序的应用信息，以获得所述应用程序在第一预设时间内被清理的概率；

步骤S134，将所述概率作为所述应用程序对应的预测结果。

具体地，步骤S135还包括以下步骤:

步骤S136，基于所述概率，确定所述应用程序中是否存在概率值大于或等于预设概率的目标应用程序；

步骤S137，若存在，则将所述目标应用程序作为所述待清理应用程序；

步骤S138，和/或，若不存在，则基于所述概率，确定所述应用程序中概率值最大的应用程序，并将概率值最大的应用程序作为所述待清理应用程序。

在本实施中，将当前在后台运行的应用程序的应用信息输入至目标预测模型后，目标模型对应用信息进行分类计算后，分别输出各个应用程序被清理的概率，获取各个应用程序被清理的概率集之后，并判断此概率集中是否存在超过了预设概率的概率值，其中，预设概率值可以灵活设置，若存在，则将目标应用程序作为待清理应用程序；若不存在，则确定概率中最大的概率值，在应用程序中获取概率值最大的应用程序，并将概率值最大的应用程序作为所述待清理应用程序。

比如，假设后台运行的应用程序为微信，QQ，网易云音乐，微博，腾讯文档这五个应用程序，若基于目标模型的计算，此五个应用程序被清理的概率分别为51％、58％、62％、65％、68％，预设的概率值为60％，则网易云音乐，微博，腾讯文档这三个应用程序为待被清理的应用程序，若预设的概率值为70％，此五个应用程序均未超过预设的概率值，则确定五个概率值中概率最大的应用程序即68％对应的腾讯文档为待被清理的应用程序。

本实施例提出的，通过在目标预测模型中输入应用程序的应用信息，以获得应用程序在第一预设时间内被清理的概率，并将此概率作为应用程序对应的预测结果，终端在执行清理后台应用程序时清理的待清理应用程序至少有一个，且待清理应用程序很大概率为运行过程中不活跃的应用程序，模型预测待清理的应用程序简化了终端卡顿时清理后台应用的步骤，确定待清理应用程序的过程更加智能化，且实现了选择性地清除后台运行的应用程序，进而提高了用户体验。

基于第三实施例，提出本发明后台应用清理方法的第四实施例，在本实施例中，步骤S130之前还包括：

步骤S139，获取所述终端的历史卡顿状态对应的应用程序的历史行为数据；

步骤S140，基于所述历史行为数据训练初始预测模型，以获得目标预测模型。

本实施例中，先选取一个卷积神经网络模型，比如，SqueezeNet网络模型，接着获取终端的每次卡顿时的应用程序的历史行为数据作为训练数据集和测试数据集，其中，训练数据集和测试训练集的划分可以灵活设置，在此不作限制，终端的每次卡顿时的应用程序的历史行为数据为终端每次卡顿时被清理的应用程序包名、应用程序在每次卡顿时最近一次切换到后台运行的时刻、前台运行的总时间以及后台运行的总时间等，确定训练数据集和测试数据集之后优化训练数据集和测试数据集，将优化后的训练数据集作为网络模型中的输入和输出，获得网络模型的参数值，得到训练的网络模型，接着用测试数据集检验训练的网络模型预测结果的准确性，若训练的网络模型输出的预测结果与真实结果偏差值超过预设偏差值时，则调整网络模型的参数值，直至偏差值小于预设偏差值为止，此时偏差值小于预设偏差值的网络模型确定为目标预测模型，其中，预设偏差值可以灵活设置。

本实施例提出的，通过获取终端的历史卡顿状态对应的应用程序的历史行为数据，接着基于历史行为数据训练初始预测模型，以获得目标预测模型，得到目标预测模型准确性更高，模型的预测的待清理的应用程序的结果为不活跃的应用程序的概率更大。

基于以上任一实施例，提出本发明后台应用清理方法的第五实施例，在本实施例中，步骤S13，还包括：

步骤S141，若输出所述提示信息之后的持续时长达到第二预设时间时，未检测到所述提示消息对应的指令，则自动清理所述待清理应用程序，和/或输出提示信息、或不清理所述待清理应用程序，和/或输出终端卡顿的预警信息；

步骤S142，和/或，若所述第二预设时间内检测到提示消息对应的拒绝清理指令，则输出终端卡顿的预警信息。

本实施例中，终端在输出是否清理后台应用的提示消息后，检测在第二预设时间内是否检测到用户对此提示消息做出对应的选择指令，其中，第二预设时间可以灵活设置，比如，3分钟，若在3分钟内检测到确认清理后台应用程序的指令，则接着执行此指令对应的清理后台应用的操作，若在3分钟内未检测到提示消息对应的指令，则结束此提示指令，将提示消息框从终端当前的显示屏中撤回，可选地，自动清理待清理应用程序，接着输出“已清理后台应用程序”的提示信息。可选地，不清理后台应用程序，接着将预警信息提示框显示在终端当前显示屏的正中间并同时使终端震动，其中，显示在终端显示屏的预警信息框中的文字格式设置为红色。

可选地，接着在检测到输出终端卡顿的预警信息之后的持续时长达到第三预设时间时，其中，第三预设时间可以灵活设置，比如，2分钟，在检测到输出终端卡顿的预警信息之后的持续时长达到2分钟时，基于目标预测模型确定此刻待清理的应用程序，并清理待清理的应用程序。其中，基于目标预测模型确定此刻待清理的应用程序，并清理待清理的应用程序同上述步骤，在此不再赘述。

在本实施中，通过若输出提示信息之后的持续时长达到第二预设时间时，未检测到提示消息对应的指令，则自动清理待清理应用程序，和/或输出提示信息、或不清理待清理应用程序，和/或输出终端卡顿的预警信息，和/或，若所述第二预设时间内检测到提示消息对应的拒绝清理指令，则输出终端卡顿的预警信息，使终端在清理后台应用时更加智能化，进而提高了用户的体验。

本发明还提供一种后台应用清理方法，参照图4，图4为本发明后台应用清理方法第六实施例的流程示意图。

该后台应用清理方法包括以下步骤：

步骤S21，接收目标应用程序启动指令；

在本实施例中，可选地，检测到点击或则按压目标应用程序对应的程序图标。则判定接收到目标应用程序的启动指令。

步骤S22，判断所述终端的运行状态是否符合预设条件；

在本实施例中，在接收到目标应用程序的启动指令之后，需先判断终端的运行状态是否符合预设条件，可以理解地，本发明主要是解决由于终端的系统资源使用量过大造成终端卡顿的问题，可以理解地，终端的系统资源包括CPU、内存、显存、缓存、存储空间中的至少一种。具体地，预先设置一个操作指令的执行时间阈值，若检测到的应用程序的操作指令对应的执行时间是否超过预设执行时间，可以理解地，预设执行时间可以灵活设置，具体不作限制，和/或，终端的系统资源使用率是否超过预设使用率，其中，该系统资源包括CPU、内存、显存、缓存、存储空间中的至少一种，以判断终端的运行状态是否符合预设条件，也就是判断终端是否处于卡顿状态。

又一实施例中，预设条件包括下述情况的至少一种：

应用程序的操作指令对应的执行时间超过预设执行时间、终端的系统资源使用率超过预设使用率，其中，系统资源包括CPU、内存、显存、缓存、存储空间中的至少一种。

在本实施例中，预设时间可以灵活设置，比如1秒，若检测到用户点击应用程序的触控操作，接着检测到终端执行该触控操作的操作指令对应的执行时间超过1S，则判定终端的运行状态符合预设条件，或则，检测到终端的系统资源使用率超过预设使用率，则判定终端的运行状态符合预设条件，其中，系统资源包括CPU、内存、显存、缓存、存储空间中的至少一种。

步骤S23，若是，基于预设规则清理后台应用程序，和/或启动所述目标应用程序。

在本实施例中，当检测到当前应用程序的操作指令对应的执行时间超过预设执行时间，则判定终端此的运行状态符合预设条件，或则检测到当前应用程序的操作指令对应的执行时间超过预设执行时间，且检测到终端的系统资源使用率超过预设使用率，其中，该系统资源包括CPU、内存、显存、缓存、存储空间中的至少一种，则判定终端的运行状态符合预设条件，接着基于预设规则清理后台应用程序，可选地，基于模型获取后台应用程序中待清理的应用程序，或则弹出后台应用程序管理列表，清理后台应用程序管理列表中被选中的应用程序，或则清理后台运行的全部应用程序，在清理后台应用程序消除卡段状态之后，启动目标应用程序。

在本实施例中，通过接收目标应用程序启动指令，接着判断终端的运行状态符合预设条件，若是，基于预设规则清理后台应用程序，和/或启动所述目标应用程序，简化了后台应用清理的步骤，有效提高了终端卡顿时清理后台应用的效率，进而提高了用户的体验。

基于第六实施例，提出本发明后台应用清理方法的第七实施例，在本实施例中，步骤S23，还包括：

步骤S230，基于目标预测模型获取所述后台应用程序在第一预设时间内被清理的概率，清理所述概率值大于或等于预设概率对应的所述后台应用程序。

在本实施例中，将当前在后台运行的应用程序的应用信息输入至目标预测模型后，目标模型对应用信息进行分类计算后，分别输出各个应用程序在第一预设时间内被清理的概率，获取各个应用程序被清理的概率集之后，并判断此概率集中是否存在超过了预设概率的概率值，其中，预设概率值可以灵活设置，若存在，则将目标应用程序作为待清理应用程序；若不存在，则确定概率中最大的概率值，在应用程序中获取概率值最大的应用程序，并将概率值最大的应用程序作为所述待清理应用程序。

在一实施例中，步骤S230中的目标预测模型通过下述步骤生成：

步骤S231，获取所述终端的历史运行状态对应的应用程序的历史行为数据；

步骤S232，基于所述历史行为数据训练初始预测模型，以获得目标预测模型。

本实施例中，先选取一个卷积神经网络模型，比如，SqueezeNet网络模型，接着获取终端的每次卡顿时的应用程序的历史行为数据作为训练数据集和测试数据集，其中，训练数据集和测试训练集的划分可以灵活设置，在此不作限制，终端的每次卡顿时的应用程序的历史行为数据为终端每次卡顿时被清理的应用程序包名、应用程序在每次卡顿时最近一次切换到后台运行的时刻、前台运行的总时间以及后台运行的总时间等，确定训练数据集和测试数据集之后优化训练数据集和测试数据集，将优化后的训练数据集作为网络模型中的输入和输出，获得网络模型的参数值，得到训练的网络模型，接着用测试数据集检验训练的网络模型预测结果的准确性，若训练的网络模型输出的预测结果与真实结果偏差值超过预设偏差值时，则调整网络模型的参数值，直至偏差值小于预设偏差值为止，此时偏差值小于预设偏差值的网络模型确定为目标预测模型，其中，预设偏差值可以灵活设置。

在本实施例中，通过基于目标预测模型获取后台应用程序在第一预设时间内被清理的概率，清理概率值大于或等于预设概率对应的后台应用程序，模型预测待清理的应用程序简化了终端卡顿时清理后台应用的步骤，确定待清理应用程序的过程更加智能化，且实现了选择性地清除后台运行的应用程序，进而提高了用户体验。

此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有后台应用清理程序，所述后台应用清理程序被处理器执行时实现如下操作：

S11：判断所述终端是否处于卡顿状态；

S12：若是，则输出清理后台应用的提示消息；

S13：若检测到所述提示消息对应的确认指令，则基于所述终端后台运行的应用程序，确定待清理应用程序，和/或清理所述待清理应用程序。

进一步地，所述后台应用清理程序被处理器执行时还实现如下操作：

基于目标预测模型，获取所述应用程序对应的预测结果；

基于所述预测结果确定所述待清理应用程序。

进一步地，所述后台应用清理程序被处理器执行时还实现如下操作：

在目标预测模型中输入所述应用程序的应用信息，以获得所述应用程序在第一预设时间内被清理的概率；

将所述概率作为所述应用程序对应的预测结果。

进一步地，所述后台应用清理程序被处理器执行时还实现如下操作：

基于所述概率，确定所述应用程序中是否存在概率值大于或等于预设概率的目标应用程序；

若存在，则将所述目标应用程序作为所述待清理应用程序；

和/或若不存在，则基于所述概率，确定所述应用程序中概率值最大的应用程序，并将概率值最大的应用程序作为所述待清理应用程序。

进一步地，所述后台应用清理程序被处理器执行时还实现如下操作：

获取所述终端的历史卡顿状态对应的应用程序的历史行为数据；

基于所述历史行为数据训练初始预测模型，以获得目标预测模型。

进一步地，所述后台应用清理程序被处理器执行时还实现如下操作：

应用程序的操作指令对应的执行时间超过预设执行时间、终端的系统资源使用率超过预设使用率，其中，系统资源包括CPU、内存、显存、缓存、存储空间中的至少一种。

进一步地，所述后台应用清理程序被处理器执行时还实现如下操作：

若输出所述提示信息之后的持续时长达到第二预设时间时，未检测到所述提示消息对应的指令，则：自动清理所述待清理应用程序，和/或输出提示信息；或，不清理所述待清理应用程序，和/或输出终端卡顿的预警信息。

和/或，若所述第二预设时间内检测到提示消息对应的拒绝清理指令，则输出终端卡顿的预警信息。

进一步地，所述后台应用清理程序被处理器执行时还实现如下操作：

S21：接收目标应用程序启动指令；

S22：判断所述终端的运行状态符合预设条件；

S23：若是，基于预设规则清理后台应用程序，和/或启动所述目标应用程序。

进一步地，所述后台应用清理程序被处理器执行时还实现如下操作：

基于目标预测模型获取所述后台应用程序在第一预设时间内被清理的概率，清理所述概率值大于或等于预设概率对应的所述后台应用程序。

进一步地，所述后台应用清理程序被处理器执行时还实现如下操作：

获取所述终端的历史运行状态对应的应用程序的历史行为数据；

基于所述历史行为数据训练初始预测模型，以获得目标预测模型。

进一步地，所述后台应用清理程序被处理器执行时还实现如下操作：

应用程序的操作指令对应的执行时间超过预设执行时间、终端的系统资源使用率超过预设使用率，其中，系统资源包括CPU、内存、显存、缓存、存储空间中的至少一种。

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。

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如上所述的一个存储介质(如ROM/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，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 (13)

1.一种后台应用清理方法，应用于移动终端，其特征在于，包括以下步骤：

S11：判断所述终端是否处于卡顿状态；

S12：若是，则输出清理后台应用的提示消息；

S13：若检测到所述提示消息对应的确认指令，则基于所述终端后台运行的应用程序，确定待清理应用程序，和/或清理所述待清理应用程序。

2.如权利要求1所述的后台应用清理方法，其特征在于，所述基于所述终端后台运行的应用程序，确定待清理应用程序的步骤包括：

基于目标预测模型，获取所述应用程序对应的预测结果；

基于所述预测结果确定所述待清理应用程序。

3.如权利要求2所述的后台应用清理方法，其特征在于，所述基于目标预测模型，获取所述应用程序对应的预测结果的步骤包括：

在目标预测模型中输入所述应用程序的应用信息，以获得所述应用程序在第一预设时间内被清理的概率；

将所述概率作为所述应用程序对应的预测结果。

4.如权利要求3所述的后台应用清理方法，其特征在于，所述基于所述预测结果确定所述待清理应用程序的步骤包括：

基于所述概率，确定所述应用程序中是否存在概率值大于或等于预设概率的目标应用程序；

若存在，则将所述目标应用程序作为所述待清理应用程序；

和/或，若不存在，则基于所述概率，确定所述应用程序中概率值最大的应用程序，并将概率值最大的应用程序作为所述待清理应用程序。

5.如权利要求2所述的后台应用清理方法，其特征在于，所述基于目标预测模型，获取所述应用程序对应的预测结果的步骤之前，还包括：

获取所述终端的历史卡顿状态对应的应用程序的历史行为数据；

基于所述历史行为数据训练初始预测模型，以获得目标预测模型。

6.如权利要求1至5任一所述的后台应用清理方法，其特征在于，所述判断终端是否处于卡顿状态的步骤包括：当出现下述情况的至少一种时，判定所述终端处于卡顿状态：

应用程序的操作指令对应的执行时间超过预设执行时间、终端的系统资源使用率超过预设使用率，其中，系统资源包括CPU、内存、显存、缓存、存储空间中的至少一种。

7.如权利要求1至5任一项所述的后台应用清理方法，其特征在于，所述若检测到所述提示消息对应的确认指令，则基于所述终端后台运行的应用程序，确定待清理应用程序的步骤包括：

若输出所述提示信息之后的持续时长达到第二预设时间时，未检测到所述提示消息对应的指令，则：自动清理所述待清理应用程序，和/或输出提示信息；或，不清理所述待清理应用程序，和/或输出终端卡顿的预警信息；

和/或，若所述第二预设时间内检测到提示消息对应的拒绝清理指令，则输出终端卡顿的预警信息。

8.一种后台应用清理方法，应用于移动终端，其特征在于，包括以下步骤：

S21：接收目标应用程序启动指令；

S22：判断所述终端的运行状态是否符合预设条件；

S23：若是，基于预设规则清理后台应用程序，和/或启动所述目标应用程序。

9.如权利要求8所述的后台应用清理方法，其特征在于，所述基于预设规则清理后台应用程序步骤，包括：

基于目标预测模型获取所述后台应用程序在第一预设时间内被清理的概率，清理所述概率值大于或等于预设概率对应的所述后台应用程序。

10.如权利要求9所述的后台应用清理方法，其特征在于，所述目标预测模型通过下述步骤生成：

获取所述终端的历史运行状态对应的应用程序的历史行为数据；

基于所述历史行为数据训练初始预测模型，以获得目标预测模型。

11.如权利要求8至10任一所述的后台应用清理方法，其特征在于，所述预设条件包括下述情况的至少一种：

应用程序的操作指令对应的执行时间超过预设执行时间、终端的系统资源使用率超过预设使用率，其中，系统资源包括CPU、内存、显存、缓存、存储空间中的至少一种。

12.一种后台应用清理装置，其特征在于，所述后台应用清理装置包括：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后台应用清理程序，所述后台应用清理程序被所述处理器执行时实现如权利要求1至11中任一项所述的后台应用清理方法的步骤。

13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有后台应用清理程序，所述后台应用清理程序被处理器执行时实现如权利要求1至11中任一项所述的后台应用清理方法的步骤。

Images