CN111464690B

CN111464690B - 一种应用的预加载方法、电子设备、芯片系统及可读存储介质

Info

Publication number: CN111464690B
Application number: CN202010122973.8A
Authority: CN
Inventors: 于超; 周昕宇; 陆苏; 梁德明; 李宇峰
Original assignee: Huawei Technologies Co Ltd
Current assignee: Huawei Technologies Co Ltd
Priority date: 2020-02-27
Filing date: 2020-02-27
Publication date: 2021-08-31
Anticipated expiration: 2040-02-27
Also published as: CN111464690A

Abstract

本申请公开一种应用的预加载方法及电子设备，涉及人工智能(Artificial Intelligence，AI)和APP预测技术领域，可智能的提升电子设备进行APP预测的准确率。其中，电子设备可采集N个APP的APP使用记录；获取第M个预设周期的K个第一基模型；该第M个预设周期的K个第一基模型是贝叶斯网络；从第M个预设周期的K个第一基模型中，选择出第M+1个预设周期的预设基模型；将第M+1个预设周期采集的第f条APP使用记录作为输入，运行第M+1个预设周期的预设基模型得到第一预测结果；该第一预测结果用于指示N个APP中、下一个被用户使用的概率最大的APP；将第一预测结果所指示的APP加载至内存。

Description

一种应用的预加载方法、电子设备、芯片系统及可读存储介质

技术领域

本申请实施例涉及人工智能(Artificial Intelligence，AI)和APP预测技术领域，尤其涉及一种应用的预加载方法及电子设备。

背景技术

随着移动互联网技术的发展，智能终端(如手机)已经成为人们日常生活不可缺少的一部分。安装在手机上的各种应用(Application，APP)可以为用户提供不同的功能，以满足用户的各种需求。但是，手机上安装的APP越来越多，手机的负载也会随之增大。如此，手机接收到用户对APP的启动操作后，需要较长时间才可以启动该APP，手机启动该APP的响应时延较大。

为了缩短手机启动APP的响应时延，手机可以预测用户下一个将启动的APP是手机中的哪一个APP；然后，将该APP预加载至手机的内存中。这样，响应于用户对该APP的启动操作，手机便可以快速启动该APP。其中，手机将APP预加载至内存，具体是指：手机将启动该APP所需的软件资源(包括代码，以及启动APP所需的图文和/或音视频数据)装入内存中。

但是，如何预测用户下一个将启动的APP是手机中的哪一个APP，并保证手机进行APP 预测的准确率，是亟待解决的问题。

发明内容

本申请提供一种应用的预加载方法及电子设备，可以提升电子设备进行APP预测的准确率。

第一方面，本申请提供一种应用的预加载方法，该方法可以应用于包括N个APP的电子设备，N≥2，N为正整数。其中，电子设备采集N个APP的APP使用记录。该电子设备可获取第M个预设周期的K个第一基模型，M为正整数。该第M个预设周期的K个第一基模型是贝叶斯网络。然后，电子设备可从第M个预设周期的K个第一基模型中，选择出第M+1个预设周期的预设基模型。其中，该第M+1个预设周期的预设基模型是第M个预设周期的K个第一基模型中的一个基模型。其次，电子设备可将第M+1个预设周期采集的第f条APP使用记录作为输入，运行该第M+1个预设周期的预设基模型，得到第一预测结果，f为正整数。该第一预测结果用于指示N个APP中、下一个被用户使用的概率最大的APP。最后，电子设备可将第一预测结果所指示的APP加载至内存。

本申请中，由电子设备统计用户的APP使用记录，并根据APP使用记录运行从多个第一基模型中选择的预设基模型进行APP预测。而不是由服务器统计数据。这样，可以保护用户的隐私不被泄露，提升用户信息的安全性。

并且，每个电子设备可以统计使用该电子设备的APP使用记录。其中，不同用户使用APP 的习惯不同；因此，不同电子设备所统计的数据则不同。不同电子设备所统计的数据可以体现出对应用户使用APP的习惯；因此，一个电子设备采用该电子设备统计的数据，运行基模型预测对应用户下一个将启动的APP，可以智能的提升电子设备进行APP预测的准确率。

结合第一方面，在另一种可能的设计方式中，手机可在每个预设周期，采集各个APP的 APP使用记录。该APP使用记录可以包括：使用APP的场景信息、应用信息和设备信息。

其中，上述场景信息可以包括：APP被使用的时间信息、APP被使用时电子设备(如手机) 的位置信息和电子设备的网络状态信息。该时间信息可以包括：用户使用APP的时间点等。该时间点可以包括：具体日期(如2019年11月21日)，时间区间(如10:00:01-10:05:25)，周内(weekday)或者周末(weekend)，以及节假日(如除夕、儿童节或国庆节等)中的一项或多项。

上述位置信息可以是电子设备通过GPS定位得到的。电子设备的网络状态信息可以包括电子设备所连接的网络的标识，如5G网络、4G网络、3G网络、2G网络或者WiFi网络的标识。

上述应用信息可以包括：用户使用该APP之前所使用的前P个APP的标识，P为正整数。上述设备信息可以包括：用户使用该APP时，电子设备的剩余电量，以及电子设备中的传感器采集的数据等。例如，环境光传感器采集到的环境光亮度，骨传导传感器采集到的人体声部振动骨块的振动信号，陀螺仪传感器采集到的用于表征电子设备的运动姿态的参数，加速度传感器采集到的电子设备的运动加速度等。

可以理解，用户使用APP时的场景信息、应用信息和设备信息，可以反映出该用户使用该APP的习惯。其中，不同用户使用APP的习惯不同；因此，不同电子设备采集到的用户使用APP时的场景信息、应用信息和设备信息不同。

结合第一方面，在另一种可能的设计方式中，上述电子设备获取第M个预设周期的K个第一基模型，可以包括：电子设备获取第m个预设周期的K个第二基模型；将第m个预设周期内采集的APP使用记录作为训练样本，分别训练第m个预设周期的K个第二基模型，得到第m个预设周期的K个第一基模型。其中，m是按照由小到大的顺序依次在{1,2，……M-1， M}中取值的正整数。

当m＝1时，上述第m个预设周期的K个第二基模型是预设的K个不同的贝叶斯网络。该 K个不同的贝叶斯网络可以是设计人员预先设计的。例如，该K个不同的贝叶斯网络可以是设计人员在服务器中预先设计的。电子设备可以从服务器获取该K个贝叶斯网络；或者，该 K个不同的贝叶斯网络预先保存在电子设备中。需要说明的是，K个不同的贝叶斯网络是指K 个结构不同的贝叶斯网络。K个贝叶斯网络的结构不同，具体可以表现为：K个贝叶斯网络中不同贝叶斯网络所包括的结点不同；和/或，K个贝叶斯网络中不同贝叶斯网络中结点间的互相关系不同。

当m≥2时，第m个预设周期的K个第二基模型是由前m-1个预设周期的K个第一基模型得到的。

也就是说，当m的取值为M时，电子设备便可以将第M个预设周期内采集的APP使用记录作为训练样本，分别训练第M个预设周期的K个第二基模型，得到第M个预设周期的K个第一基模型。

需要说明的是，在每个预设周期，待训练的第二基模型的模型参数与训练得到的第一基模型的模型参数不同。基模型(如第一基模型或者第二基模型)的模型参数，用于表征该基模型中各结点间互相关系的关系强度。但是，本申请中对第二基模型进行模型训练得到第一基模型，并不会改变第二基模型中的结点以及结点间的互相关系。也就是说，第m个预设周期的第j个第二基模型与第m个预设周期的第j个第一基模型中的结点相同，且结点间的互相关系不变；但是，模型参数不同。

其中，基模型进行APP预测的准确率，不仅会受到基模型的结构的影响，还会受到基模型中结点间的关系强度的影响。虽然上述K个贝叶斯网络(即基模型)的结构不同；但是，对于每一个基模型而言，无论经过多少次的模型训练，其结构是不会发生变化的。也就是说，对于一个基模型而言，该基模型中的结点以及结点间的互相关系(即结构)是固定。但是，基模型中各结点间互相关系的关系强度会随着模型训练而发生变化。具体的，基模型进行模型训练所使用的训练样本越多，模型训练的次数越多，该基模型进行APP预测的准确率则越高。

本申请中，采用M个预设周期内采集的APP使用记录,在M个预设周期的每个预设周期分别对K个第二基模型进行模型训练，可以智能的提升这些基模型进行APP预测的准确率。

其中，连续的多个预设周期(如M个预设周期)内采集的APP使用记录才可以反应出用户对APP的使用习惯。本申请实施例中，在第m个预设周期对基模型进行模型训练时，不是仅参考第m-1个预设周期(即第m个预设周期的上一个预设周期)内采集的APP使用记录，而是参考前m-1个预设周期内采集的APP使用记录。如当m≥2时，第m个预设周期的K个第二基模型是由前m-1个预设周期的K个第一基模型得到的。因此，参考前m-1个预设周期内 APP的多条APP使用记录，在第m个预设周期对基模型进行模型训练，有利于提升基模型进行APP预测的准确率。

结合第一方面，在另一种可能的设计方式中，电子设备可针对第m个预设周期的K个第二基模型中的每个第二基模型，分别执行以下操作，以得到第m个预设周期的K个第一基模型：将第m个预设周期内采集的APP使用记录作为训练样本，训练第m个预设周期的第j个第二基模型，得到第m个预设周期的第j个第一基模型。

也就是说，电子设备在每个预设周期，可将该预设周期内采集的APP使用记录作为训练样本，分别训练该预设周期的每个第二基模型，可得到对应的第一基模型。

结合第一方面，在另一种可能的设计方式中，当m≥2时，上述第m个预设周期的K个第二基模型是由前m-1个预设周期的K个第一基模型得到的。

具体的，电子设备获取第m个预设周期的K个第二基模型的方法可以包括：电子设备针对前m-1个预设周期的K个第一基模型中的每个第一基模型，分别执行以下操作，以得到第 m个预设周期的K个第二基模型：根据前m-1个预设周期的第j个第一基模型的模型参数，乘以预设衰减因子Q，计算第m个预设周期的第j个第二基模型的模型参数，得到第m个预设周期的第j个第二基模型。

例如，电子设备可以根据前m-1个预设周期的第j个第二基模型的模型参数，乘以预设衰减因子Q，采用以下公式，计算第m个预设周期的第j个第二基模型的模型参数：

其中，Q<1，S_a(m，j)是第m个预设周期的第j个第二基模型的模型参数，S_b(m-i，j)是第m-i个预设周期的第j个第一基模型的模型参数。

可以理解，随着时间的变化，用户使用APP的习惯也可能会发生变化。也就是说，采用手机中近期使用APP的APP使用记录进行模型训练，有利于提升基模型进行APP预测的准确率。基于此，本申请实施例中，参考前m-1个预设周期内采集的APP使用记录，在第m个预设周期对基模型进行模型训练时，针对前m-1个预设周期中各个预设周期设置了不同的衰减因子(如Q、Q2或者Q3等)。其中，距离第m个预设周期越近，其衰减因子大；距离第m个预设周期越远，其衰减因子小。也就是说，本申请实施例中，在第m个预设周期对基模型进行模型训练时，更加关注近期APP的APP使用记录。这样，有利于提升基模型进行APP预测的准确率。

结合第一方面，在另一种可能的设计方式中，由于不同第一基模型的结构不同；因此，不同第一基模型在第M个预设周期之后的各个预设周期进行APP预测的预测性能也可能不同。例如，第一基模型a与第一基模型b的结构不同，第一基模型a在一个预设周期的进行APP 预测的准确率为75％，第一基模型b在同一个预设周期的进行APP预测的准确率为95％。本申请中，上述电子设备中还包括元模型，该元模型具备从多个基模型中选择出进行APP预测的准确率最高的基模型的能力。该元模型是一种回归器模型。该回归器模型可以通过回归算法进行变量关系的运算。其中，回归算法是一种统计类机器学习算法。例如，常见的回归算法包括：最小二乘法(线性回归)算法，逻辑回归算法，逐步式回归算法或者多元自适应回归样条等。

其中，上述电子设备从第M个预设周期的K个第一基模型中，选择出第M+1个预设周期的预设基模型的方法可以包括：电子设备获取第M个预设周期的K个第一基模型的任务特征；将第M个预设周期的K个第一基模型的任务特征作为输入，运行上述元模型，从第M个预设周期的K个第一基模型中，选择出第M+1个预设周期的预设基模型。

上述第M个预设周期的第j个第一基模型的任务特征，用于表征第M个预设周期的第j 个第一基模型进行APP预测的性能，j为1-K中任一正整数。上述第M+1个预设周期的预设基模型，是第M个预设周期的K个第一基模型中进行APP预测的准确率最高的基模型。

也就是说，在第M+1预设周期，电子设备可以采用APP预测的准确率最高的第一基模型进行APP预测。这样，可以智能的提升该电子设备进行APP预测的准确率。

结合第一方面，在另一种可能的设计方式中，电子设备获取第M个预设周期的K个第一基模型的任务特征的方法可以包括：电子设备针对第M个预设周期的K个第一基模型中的每个第一基模型执行以下操作，以得到第M个预设周期的K个第一基模型的任务特征：将第M 个预设周期内采集的H条APP使用记录作为输入，运行第M个预设周期的第j个第一基模型，得到H个第二预测结果，H≥2，H为正整数；根据第M个预设周期内采集的H条APP使用记录对应的APP的标识，以及H个第二预测结果，获得第M个预设周期的第j个第一基模型的第一预测参数，第一预测参数用于表征第M个预设周期的第j个第一基模型进行APP预测的准确率；获取前M个预设周期内、N个APP的使用频次分布参数。

其中，第M个预设周期的第j个第一基模型的任务特征，用于表征第M个预设周期的第 j个第一基模型进行APP预测的性能。第M个预设周期的第j个第一基模型进行APP预测的性能可以体现为：第M个预设周期的第j个第一基模型进行APP预测的任务难度和任务表现。其中，该任务难度用于指示第M个预设周期的第j个第一基模型进行APP预测的难易程度。该任务表现用于指示第M个预设周期的第j个第一基模型进行APP预测的准确率。

具体的，上述第M个预设周期的K个第一基模型的任务特征包括：第M个预设周期的K 个第一基模型的第一预测参数，以及使用频次分布参数。该第一预测参数用于标准第M个预设周期的K个第一基模型进行APP预测的任务表现。该使用频次分布参数用于表征第M个预设周期的第j个第一基模型进行APP预测的任务难度。

一般而言，对于每个第一基模型而言，第M个预设周期中APP的使用频次分布参数是相同的。因此，第M个预设周期的K个第一基模型进行APP预测的任务难度相同。但是，第M个预设周期的K个第一基模型中每个基模型的结构不同；因此，第M个预设周期的K个第一基模型的性能不同。其中，在同一任务难度下，任务表现(即准确率)越高，则性能越好；任务表现(即准确率)越低，则性能越差。因此，本申请实施例中，多个预设周期的K个第一基模型的任务特征可以用于训练元模型，使得元模型具备从K个第一基模型中选择出性能最好的基模型的能力。

结合第一方面，在另一种可能的设计方式中，上述使用频次分布参数至少包括以下任一种参数：前M个预设周期内、所述N个APP的使用频次分布方差；前M个预设周期内N个APP 的使用频次分布最大值；前M个预设周期内N个APP的使用频次分布最小值；前M个预设周期内N个APP的使用频次分布中位值。

结合第一方面，在另一种可能的设计方式中，在电子设备运行元模型，从第M个预设周期的K个第一基模型中，选择出第M+1个预设周期的预设基模型之前，该电子设备可对元模型进行模型训练。具体的，电子设备可将第m个预设周期的K个第一基模型的任务特征作为训练样本，训练上述元模型，使元模型具备从多个基模型中预测出APP预测的准确率最高的基模型的能力。其中，m是按照由小到大的顺序依次在{1,2，……M-1，M}中取值的正整数。

结合第一方面，在另一种可能的设计方式中，电子设备在M+1个预设周期，采用第M+1 个预设周期的预设基模型进行APP预测的过程中，可以继续对基模型进行模型训练。这样可以智能的提升基模型进行APP预测准确率，从而提升电子设备进行APP预测准确率。并且，电子设备还可以将第M+1个预设周期的K个第一基模型的任务特征作为训练样本，训练元模型。可以理解，训练后的元模型可用于在第M+2个预设周期，从第M+1个预设周期的K个第一基模型中，选择出第M+2个预设周期的预设基模型。该第M+2个预设周期的预设基模型是第M+1个预设周期的K个第一基模型中、APP预测的准确率最高的基模型。

具体的，电子设备还可以获取第M+1个预设周期的K个第二基模型，该第M+1个预设周期的K个第二基模型是由前M个预设周期的K个第一基模型得到的。然后，电子设备可将第M+1个预设周期内采集的APP使用记录作为训练样本作为输入，分别训练第M+1个预设周期的K个第二基模型，得到第M+1个预设周期的K个第一基模型。电子设备还可获取第M+1个预设周期的K个第一基模型的任务特征，并将第M+1个预设周期的K个第一基模型的任务特征作为训练样本，训练元模型。随后，电子设备可将第M+1个预设周期的K个第一基模型的任务特征作为输入，运行元模型，从第M+1个预设周期的K个第一基模型中，选择出第M+2 个预设周期的预设基模型，该第M+2个预设周期的预设基模型是第M+1个预设周期的K个第一基模型中进行APP预测的准确率最高的基模型。最后，电子设备可将第M+2个预设周期采集的第f条APP使用记录作为输入，运行第M+2个预设周期的预设基模型，得到第M+2个预设周期的第一预测结果；再将第M+2个预设周期的第一预测结果所指示的APP加载至内存。这样，便可以缩短电子设备启动APP的响应时延。

也就是说，本申请中，电子设备在进行APP预测的过程中，还可以继续对基模型和元模型进行模型训练。这样，可以智能的提升元模型在以后的预设周期(如下一个预设周期)选择预设基模型的准确率，以及基模型在以后的预设周期(如下一个预设周期)进行APP预测的准确率。

需要说明的是，在上述第一方面及其任一种可能的设计方式中，电子设备进行APP预测所使用的基模型(如第M+1个预设周期的预设基模型)是经过M个预设周期的模型训练得到的。这样，虽然在前M个预设周期，电子设备可以不进行APP预测；但是，经过M个预设周期的模型训练(如基模型的模型训练)，可以智能的提升基模型进行APP预测的准确率。因此，从M+1个预设周期开始，采用经过M个预设周期的模型训练的基模型进行APP预测，可以智能的提升电子设备进行APP预测的准确率。

而在本申请的另一些方案(如第二方面所述的方案)中，电子设备可以使用未经过模型训练的K个基模型(即K个不同的贝叶斯网络)进行APP预测。

第二方面，本申请提供一种应用的预加载方法，该方法可以应用于包括N个APP的电子设备，N≥2，N为正整数。其中，电子设备采集N个APP的APP使用记录。电子设备可随机从第M个预设周期的K个第一基模型中，选择出第M+1个预设周期的预设基模型，M为正整数。该第M个预设周期的K个第一基模型是预设的K个不同的贝叶斯网络。该预设的K个不同的贝叶斯网络未经过模型训练。也就是说，在第M+1个预设周期的预设基模型是未经过模型训练的贝叶斯网络。然后，电子设备可将第M+1个预设周期采集的第f条APP使用记录作为输入，运行第M+1个预设周期的预设基模型，得到第M+1个预设周期的第一预测结果，f 为正整数。最后，电子设备可将第M+1个预设周期的第一预测结果所指示的APP预加载至内存。这样，便可以缩短电子设备启动APP的响应时延。

与第M+1个预设周期不同的是，在第M+2个预设周期的预设基模型是经过模型训练的。并且，该第M+2个预设周期的预设基模型是运行元模型，从第M+1个预设周期的K个第一基模型中、选择的进行APP预测的准确率最高的基模型。该元模型具备从多个基模型中选择出进行APP预测的准确率最高的基模型的能力。该元模型可以是一种回归器模型。

具体的，电子设备可获取第M+1个预设周期的K个第二基模型，该第M+1个预设周期的 K个第二基模型是由前M个预设周期的K个第一基模型得到的。电子设备还可将该第M+1个预设周期内采集的APP使用记录作为训练样本作为输入，分别训练第M+1个预设周期的K个第二基模型，得到第M+1个预设周期的K个第一基模型。然后，电子设备可获取所述第M+1个预设周期的K个第一基模型的任务特征，并将第M+1个预设周期的K个第一基模型的任务特征作为训练样本，训练元模型。随后，电子设备可将第M+1个预设周期的K个第一基模型的任务特征作为输入，运行该元模型，从第M+1个预设周期的K个第一基模型中，选择出第 M+2个预设周期的预设基模型，该第M+2个预设周期的预设基模型是第M+1个预设周期的K 个第一基模型中进行APP预测的准确率最高的基模型。最后，电子设备可将第M+2个预设周期采集的第f条APP使用记录作为输入，运行第M+2个预设周期的预设基模型，得到第M+2 个预设周期的第一预测结果；再将第M+2个预设周期的第一预测结果所指示的APP加载至内存。这样，便可以缩短电子设备启动APP的响应时延。

其中，上述第一预测结果用于指示N个APP中、下一个被用户使用的概率最大的APP。第M+1个预设周期的第j个第一基模型的任务特征，用于表征第M+1个预设周期的第j个第一基模型进行APP预测的性能，j为1-K中任一正整数。

本申请中，电子设备可以使用未经过模型训练的K个基模型(即K个不同的贝叶斯网络) 进行APP预测。而不是经过M个预设周期的模型训练后，使用训练后的基模型进行APP预测。这样，不需要等待M个预设周期，从电子设备出厂后第一次开机被用户使用开始，该电子设备便可以进行APP预测和预加载，为用户提供APP的预加载服务。

并且，本申请中，由电子设备统计用户的APP使用记录，并根据APP使用记录运行从多个第一基模型中选择的预设基模型进行APP预测。而不是由服务器统计数据。这样，可以保护用户的隐私不被泄露，提升用户信息的安全性。

每个电子设备可以统计使用该电子设备的APP使用记录。其中，不同用户使用APP的习惯不同；因此，不同电子设备所统计的数据则不同。不同电子设备所统计的数据可以体现出对应用户使用APP的习惯；因此，一个电子设备采用该电子设备统计的数据，运行基模型预测对应用户下一个将启动的APP，可以智能的提升该电子设备进行APP预测的准确率。

需要说明的是，第二方面中的各个步骤的具体实现方式，可参考上述第一方面及其任一种可能的设计方式中的描述，本申请这里不予赘述。

第三方面，本申请提供一种电子设备，该电子设备中包括N个APP，N≥2，N为正整数。该电子设备包括：存储器、显示屏和一个或多个处理器；存储器、显示屏与处理器耦合。该显示屏用于显示APP的界面。

其中，上述存储器用于存储计算机程序代码，该计算机程序代码包括计算机指令；当该计算机指令被上述处理器执行时，使得电子设备执行以下操作：采集N个APP的APP使用记录；获取第M个预设周期的K个第一基模型，其中，M为正整数，第M个预设周期的K个第一基模型是贝叶斯网络；从第M个预设周期的K个第一基模型中，选择出第M+1个预设周期的预设基模型，其中，第M+1个预设周期的预设基模型是第M个预设周期的K个第一基模型中的一个基模型；将第M+1个预设周期采集的第f条APP使用记录作为输入，运行第M+1个预设周期的预设基模型，得到第M+1个预设周期的第一预测结果，其中，f为正整数，第一预测结果用于指示N个APP中、下一个被用户使用的概率最大的APP；将第M+1个预设周期的第一预测结果所指示的APP加载至内存。

结合第三方面，在一种可能的设计方式中，当上述计算机指令被处理器执行时，使得电子设备还执行以下步骤：获取第m个预设周期的K个第二基模型，其中，m是按照由小到大的顺序依次在{1,2，……M-1，M}中取值的正整数，当m＝1时，第m个预设周期的K个第二基模型是预设的K个不同的贝叶斯网络，当m≥2时，第m个预设周期的K个第二基模型是由前m-1个预设周期的K个第一基模型得到的；将第m个预设周期内采集的APP使用记录作为训练样本，分别训练第m个预设周期的K个第二基模型，得到第m个预设周期的K个第一基模型。

结合第三方面，在另一种可能的设计方式中，上述电子设备中包括元模型。该元模型具备从多个基模型中选择出进行APP预测的准确率最高的基模型的能力。该元模型是一种回归器模型。

其中，当上述计算机指令被处理器执行时，使得电子设备还执行以下步骤：获取第M个预设周期的K个第一基模型的任务特征，其中，第M个预设周期的第j个第一基模型的任务特征，用于表征第M个预设周期的第j个第一基模型进行APP预测的性能，j为1-K中任一正整数；将第M个预设周期的K个第一基模型的任务特征作为输入，运行元模型，从第M个预设周期的K个第一基模型中，选择出第M+1个预设周期的预设基模型，其中，第M+1个预设周期的预设基模型是第M个预设周期的K个第一基模型中进行APP预测的准确率最高的基模型。

结合第三方面，在另一种可能的设计方式中，当m≥2时，针对前m-1个预设周期的K个第一基模型中的每个第一基模型，分别执行以下操作，以得到第m个预设周期的K个第二基模型：根据前m-1个预设周期的第j个第一基模型的模型参数，乘以预设衰减因子Q，计算第m个预设周期的第j个第二基模型的模型参数，得到第m个预设周期的第j个第二基模型，Q<1。

结合第三方面，在另一种可能的设计方式中，当上述计算机指令被处理器执行时，使得电子设备还执行以下步骤：针对第m个预设周期的K个第二基模型中的每个第二基模型，分别执行以下操作，以得到第m个预设周期的K个第一基模型：将第m个预设周期内采集的APP 使用记录作为训练样本，训练第m个预设周期的第j个第二基模型，得到第m个预设周期的第j个第一基模型。

结合第三方面，在另一种可能的设计方式中，当上述计算机指令被处理器执行时，使得电子设备还执行以下步骤：针对第M个预设周期的K个第一基模型中的每个第一基模型执行以下操作，以得到第M个预设周期的K个第一基模型的任务特征：将第M个预设周期内采集的H条APP使用记录作为输入，运行第M个预设周期的第j个第一基模型，得到H个第二预测结果，H≥2，H为正整数；根据第M个预设周期内采集的H条APP使用记录对应的APP的标识，以及H个第二预测结果，获得第M个预设周期的第j个第一基模型的第一预测参数，其中，第一预测参数用于表征第M个预设周期的第j个第一基模型进行APP预测的准确率；获取前M个预设周期内、N个APP的使用频次分布参数，其中，使用频次分布参数用于表征第M个预设周期的第j个第一基模型进行APP预测的任务难度。其中，第M个预设周期的K 个第一基模型的任务特征包括：第M个预设周期的K个第一基模型的第一预测参数，以及使用频次分布参数。

结合第三方面，在另一种可能的设计方式中，上述使用频次分布参数至少包括以下任一种参数：前M个预设周期内、N个APP的使用频次分布方差；前M个预设周期内N个APP的使用频次分布最大值；前M个预设周期内N个APP的使用频次分布最小值；前M个预设周期内N个APP的使用频次分布中位值。

结合第三方面，在另一种可能的设计方式中，当上述计算机指令被处理器执行时，使得电子设备还执行以下步骤：在将第M个预设周期的K个第一基模型的任务特征作为输入，运行元模型，从第M个预设周期的K个第一基模型中，选择出第M+1个预设周期的预设基模型之前，将第m个预设周期的K个第一基模型的任务特征作为训练样本，训练元模型，使元模型具备从多个基模型中选择出进行APP预测的准确率最高的基模型的能力。其中，m是按照由小到大的顺序依次在{1,2，……M-1，M}中取值的正整数。

结合第三方面，在另一种可能的设计方式中，当上述计算机指令被处理器执行时，使得电子设备还执行以下步骤：获取第M+1个预设周期的K个第一基模型的任务特征，并将第M+1 个预设周期的K个第一基模型的任务特征作为训练样本，训练元模型。

结合第三方面，在另一种可能的设计方式中，当上述计算机指令被处理器执行时，使得电子设备还执行以下步骤：根据前m-1个预设周期的第j个第二基模型的模型参数，乘以预设衰减因子Q，采用以下公式，计算第m个预设周期的第j个第二基模型的模型参数：

结合第三方面，在另一种可能的设计方式中，当上述计算机指令被处理器执行时，使得电子设备还执行以下步骤：获取第M+1个预设周期的K个第二基模型，其中，第M+1个预设周期的K个第二基模型是由前M个预设周期的K个第一基模型得到的；将第M+1个预设周期内采集的APP使用记录作为训练样本作为输入，分别训练第M+1个预设周期的K个第二基模型，得到第M+1个预设周期的K个第一基模型；获取第M+1个预设周期的K个第一基模型的任务特征，并将第M+1个预设周期的K个第一基模型的任务特征作为训练样本，训练元模型；将第M+1个预设周期的K个第一基模型的任务特征作为输入，运行元模型，从第M+1个预设周期的K个第一基模型中，选择出第M+2个预设周期的预设基模型，其中，第M+2个预设周期的预设基模型是第M+1个预设周期的K个第一基模型中进行APP预测的准确率最高的基模型；将第M+2个预设周期采集的第f条APP使用记录作为输入，运行第M+2个预设周期的预设基模型，得到第M+2个预设周期的第一预测结果；将第M+2个预设周期的第一预测结果所指示的APP加载至内存。

第四方面，本申请提供一种电子设备，该电子设备中包括N个APP，N≥2，N为正整数。该电子设备包括：存储器、显示屏和一个或多个处理器；存储器、显示屏与处理器耦合。该显示屏用于显示APP的界面。

其中，上述存储器用于存储计算机程序代码，该计算机程序代码包括计算机指令；当该计算机指令被上述处理器执行时，使得电子设备执行以下操作：采集N个APP的APP使用记录；随机从第M个预设周期的K个第一基模型中，选择出第M+1个预设周期的预设基模型，M为正整数；其中，第M个预设周期的K个第一基模型是预设的K个不同的贝叶斯网络；将第 M+1个预设周期采集的第f条APP使用记录作为输入，运行第M+1个预设周期的预设基模型，得到第M+1个预设周期的第一预测结果，f为正整数；将第M+1个预设周期的第一预测结果所指示的APP预加载至内存；获取第M+1个预设周期的K个第二基模型，其中，第M+1个预设周期的K个第二基模型是由前M个预设周期的K个第一基模型得到的；将第M+1个预设周期内采集的APP使用记录作为训练样本作为输入，分别训练第M+1个预设周期的K个第二基模型，得到第M+1个预设周期的K个第一基模型；获取第M+1个预设周期的K个第一基模型的任务特征，并将第M+1个预设周期的K个第一基模型的任务特征作为训练样本，训练元模型，其中，元模型具备从多个基模型中选择出进行APP预测的准确率最高的基模型的能力，元模型是一种回归器模型，第M+1个预设周期的第j个第一基模型的任务特征，用于表征第 M+1个预设周期的第j个第一基模型进行APP预测的性能，j为1-K中任一正整数；将第M+1 个预设周期的K个第一基模型的任务特征作为输入，运行元模型，从第M+1个预设周期的K 个第一基模型中，选择出第M+2个预设周期的预设基模型，其中，第M+2个预设周期的预设基模型是第M+1个预设周期的K个第一基模型中进行APP预测的准确率最高的基模型；将第 M+2个预设周期采集的第f条APP使用记录作为输入，运行第M+2个预设周期的预设基模型，得到第M+2个预设周期的第一预测结果；将第M+2个预设周期的第一预测结果所指示的APP 加载至内存。

第五方面，本申请提供一种芯片系统，该芯片系统可以应用于包括存储器和显示屏的电子设备。该芯片系统包括一个或多个接口电路和一个或多个处理器。该接口电路和处理器通过线路互联。该接口电路用于从上述存储器接收信号，并向处理器发送该信号，该信号包括存储器中存储的计算机指令。当处理器执行该计算机指令时，电子设备执行如第一方面、第二方面及其任一种可能的设计方式所述的方法。

第六方面，本申请提供一种计算机可读存储介质，该计算机可读存储介质包括计算机指令。当计算机指令在电子设备上运行时，使得该电子设备执行如第一方面、第二方面及其任一种可能的设计方式所述的方法。

第七方面，本申请提供一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如第一方面、第二方面及其任一种可能的设计方式所述的方法。

可以理解地，上述提供的第二方面所述方法，第三方面、第四方面及其任一种可能的设计方式所述的电子设备，第五方面所述的芯片系统，第六方面所述的计算机可读存储介质，第六方面所述的计算机程序产品所能达到的有益效果，可参考如第一方面及其任一种可能的设计方式中的有益效果，此处不再赘述。

附图说明

图1为本申请实施例提供的一种贝叶斯网络的结构示意图；

图2为本申请实施例提供的一种电子设备的硬件结构示意图；

图3为本申请实施例提供的一种应用的预加载方法流程图；

图4为本申请实施例提供的另一种贝叶斯网络的结构示意图；

图5为本申请实施例提供的一种获取元模型的训练样本的原理示意图；

图6为本申请实施例提供的另一种应用的预加载方法流程图；

图7为本申请实施例提供的另一种应用的预加载方法流程图；

图8为本申请实施例提供的另一种应用的预加载方法流程图；

图9为本申请实施例提供的一种电子设备的结构示意图；

图10为本申请实施例提供的一种芯片系统的结构示意图。

具体实施方式

以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

目前，为了缩短手机启动APP的响应时延，电子设备(如手机)可以采用以下方案预测用户下一个将启动的APP，然后将该APP预加载至手机的内存中。

在一种方案中，电子设备(如手机)可以统计手机在一段时间内使用各个APP的次数；基于最频繁使用(most frequently used，MFU)原则，手机可以将使用次数最多的一个或多个APP预加载至内存。在另一种方案中，基于最近使用(most recently used，MRU)原则，手机可以将最近使用的一个或多个APP预加载至内存。但是，APP的次数较多或者APP最近被使用，并不代表该APP是用户下一个将要启动的APP。也就是说，基于MFU或者MRU原则，无法准确预测出用户下一个将启动的APP，即手机进行APP预测的准确率较低。

在另一种方案中，服务器可以统计大量用户的APP使用记录，以及使用APP时的相关信息(如手机的传感器采集的运动参数、时间信息和位置信息等)。然后，采用统计到的APP使用记录和使用APP时的相关信息作为训练样本，训练一个AI模型。其中，该AI模型具备根据手机的运动参数、时间信息和位置信息，预测用户下一个将启动的APP的功能。

但是，采用该方案，服务器需要统计大量用户数据，可能会导致用户隐私的泄露。并且，不同用户的行为习惯存在很大差异；而上述方案中，针对所有用户训练一个AI模型。该AI 模型无法准确预测出每个用户下一个将启动的APP，即手机进行APP预测的准确率较低。

本申请实施例提供一种应用的预加载方法，可以用于电子设备预测用户下一个将启动的 APP。电子设备预测出用户下一个将启动的APP后，可以将该APP预加载至内存。这样，电子设备响应于用户对该APP的启动操作，便可以快速启动该APP。通过该方法，可以智能的提升电子设备进行APP预测的准确率；并且，还可以保护用户隐私不被泄露，提升用户信息的安全性。

在本申请实施例的方法中，电子设备可以周期性的统计用户在多个预设周期内使用APP 的场景信息、应用信息和设备信息。然后，电子设备可以将统计的数据作为训练样本，对预设的基模型进行模型训练，使得基模型具备预测用户下一个将启动的APP的功能。如此，电子设备便可以通过该基模型预测用户下一个将启动的APP。

进一步的，电子设备还可以获取每个预设周期内各个基模型的任务特征，基模型的任务特征用于表征基模型进行APP预测的性能。然后，电子设备可以将各个基模型的任务特征作为训练样本，对元模型进行模型训练，使元模型具备从多个基模型中选择出预设基模型的能力。预设基模型是多个基模型中进行APP预测的准确率最高的基模型。这样，电子设备便可以通过元模型从上述多个基模型中选择出预设基模型，然后通过该基模型预测用户下一个将启动的APP。这样，可以智能的提升电子设备进行APP预测的准确率。

需要说明的是，本申请实施例中所述的基模型、元模型、场景信息、应用信息和设备信息的具体介绍，可以参考以下实施例中的相关内容，这里不予赘述。

本申请实施例中，由电子设备统计用户使用APP的相关数据，并将统计的数据作为训练样本对预设的基模型进行模型训练；而不是由服务器统计数据并进行模型训练。这样，可以保护用户的隐私不被泄露，提升用户信息的安全性。

并且，每个电子设备可以统计使用该电子设备的用户使用APP的相关数据。其中，不同用户使用APP的习惯不同；因此，不同电子设备所统计的数据则不同。不同电子设备所统计的数据可以体现出对应用户使用APP的习惯；因此，一个电子设备采用该电子设备统计的数据对基模型进行模型训练，然后通过训练后的基模型预测对应用户下一个将启动的APP，可以智能的提升该电子设备进行APP预测的准确率。

本申请实施例中的基模型是贝叶斯(Thomas Bayes，TB)网络。贝叶斯网络是一种概率图模型，又称为信度网络，是目前不确定性表达和推理领域的有效理论模型之一。一个贝叶斯网络是一个有向无环图(directed acyclic graph，DAG)，由代表变量的结点和连接这些结点的有向边构成。其中，结点代表随机变量，结点间的有向边代表了结点间的互相关系(由父结点指向其子结点)。其中，结点间的互相关系的关系强度可以通过条件概率来表达。没有父结点的用先验概率表达。

贝叶斯网络可以有多种不同的结构(也就是不同的结点和有向边)。上述预设的基模型是结构预先设定的贝叶斯网络。例如，图1中的(a)和图1中的(b)示出两种不同结构的贝叶斯网络。贝叶斯网络的工作原理可以参考常规技术中的相关介绍，本申请实施例这里不予赘述。简单来说，可以将贝叶斯网络抽象为一个黑盒，向贝叶斯网络输入多个特征，该贝叶斯网络得到一个输出值(称为标签)。例如，如图1中的(a)和图1中的(b)中所示的特征1、特征2、特征3和特征4为贝叶斯网络的输入，标签为贝叶斯网络的输出。本申请实施例中，电子设备统计的用户使用APP的相关数据作为基模型的输入，基模型可以输出各个APP 将要被用户使用的概率或者被用户使用的概率最大的APP的标识。

例如，本申请实施例中的电子设备可以是手机、平板电脑、桌面型、膝上型、手持计算机、智能电视机、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本，以及蜂窝电话、个人数字助理(personal digital assistant，PDA)、增强现实(augmented reality，AR)\虚拟现实(virtual reality，VR)设备等包括可以安装 APP的设备，本申请实施例对该电子设备的具体形态不作特殊限制。

下面将结合附图对本申请实施例的实施方式进行详细描述。

请参考图2，为本申请实施例提供的一种电子设备200的硬件结构示意图。如图2所示，电子设备200可以包括处理器210，外部存储器接口220，内部存储器221，通用串行总线(universal serial bus，USB)接口240，充电管理模块230，电源管理模块231，电池232，天线1，天线2，移动通信模块250，无线通信模块260，音频模块270，扬声器270A，受话器270B，麦克风270C，耳机接口270D，传感器模块280，按键290，马达291，指示器292，摄像头293，显示屏294，以及用户标识模块(subscriber identification module，SIM) 卡接口295等。其中，传感器模块280可以包括压力传感器280A，陀螺仪传感器280B，气压传感器280C，磁传感器280D，加速度传感器280E，距离传感器280F，接近光传感器280G，指纹传感器280H，温度传感器280J，触摸传感器280K，环境光传感器280L，骨传导传感器 280M等。

可以理解的是，本实施例示意的结构并不构成对电子设备200的具体限定。在另一些实施例中，电子设备200可以包括比图示更多或更少的部件，或者组合某些部件，或者拆分某些部件，或者不同的部件布置。图示的部件可以以硬件，软件或软件和硬件的组合实现。

处理器210可以包括一个或多个处理单元，例如：处理器210可以包括应用处理器(application processor，AP)，调制解调处理器，图形处理器(graphics processingunit， GPU)，图像信号处理器(image signal processor，ISP)，控制器，存储器，视频编解码器，数字信号处理器(digital signal processor，DSP)，基带处理器，和/或神经网络处理器 (neural-network processing unit，NPU)等。其中，不同的处理单元可以是独立的器件，也可以集成在一个或多个处理器中。

控制器可以是电子设备200的神经中枢和指挥中心。控制器可以根据指令操作码和时序信号，产生操作控制信号，完成取指令和执行指令的控制。

处理器210中还可以设置存储器，用于存储指令和数据。在一些实施例中，处理器210 中的存储器为高速缓冲存储器。该存储器可以保存处理器210刚用过或循环使用的指令或数据。如果处理器210需要再次使用该指令或数据，可从所述存储器中直接调用。避免了重复存取，减少了处理器210的等待时间，因而提高了系统的效率。

在一些实施例中，处理器210可以包括一个或多个接口。接口可以包括集成电路(inter-integrated circuit，I2C)接口，集成电路内置音频(inter-integrated circuitsound，I2S)接口，脉冲编码调制(pulse code modulation，PCM)接口，通用异步收发传输器(universal asynchronous receiver/transmitter，UART)接口，移动产业处理器接口(mobile industry processor interface，MIPI)，通用输入输出(general-purposeinput/output，GPIO)接口，用户标识模块(subscriber identity module，SIM)接口，和 /或通用串行总线(universal serial bus，USB)接口等。

可以理解的是，本实施例示意的各模块间的接口连接关系，只是示意性说明，并不构成对电子设备200的结构限定。在另一些实施例中，电子设备200也可以采用上述实施例中不同的接口连接方式，或多种接口连接方式的组合。

充电管理模块230用于从充电器接收充电输入。其中，充电器可以是无线充电器，也可以是有线充电器。在一些有线充电的实施例中，充电管理模块230可以通过USB接口240接收有线充电器的充电输入。在一些无线充电的实施例中，充电管理模块230可以通过电子设备200的无线充电线圈接收无线充电输入。充电管理模块230为电池232充电的同时，还可以通过电源管理模块231为电子设备供电。

电源管理模块231用于连接电池232，充电管理模块230与处理器210。电源管理模块 231接收电池232和/或充电管理模块230的输入，为处理器210，内部存储器221，外部存储器，显示屏294，摄像头293，和无线通信模块260等供电。电源管理模块231还可以用于监测电池容量，电池循环次数，电池健康状态(漏电，阻抗)等参数。在其他一些实施例中，电源管理模块231也可以设置于处理器210中。在另一些实施例中，电源管理模块231和充电管理模块230也可以设置于同一个器件中。

电子设备200的无线通信功能可以通过天线1，天线2，移动通信模块250，无线通信模块260，调制解调处理器以及基带处理器等实现。天线1和天线2用于发射和接收电磁波信号。移动通信模块250可以提供应用在电子设备200上的包括2G/3G/4G/5G等无线通信的解决方案。移动通信模块250可以包括至少一个滤波器，开关，功率放大器，低噪声放大器(lownoise amplifier，LNA)等。移动通信模块250可以由天线1接收电磁波，并对接收的电磁波进行滤波，放大等处理，传送至调制解调处理器进行解调。移动通信模块250还可以对经调制解调处理器调制后的信号放大，经天线1转为电磁波辐射出去。

无线通信模块260可以提供应用在电子设备200上的包括无线局域网(wirelesslocal area networks，WLAN)(如无线保真(wireless fidelity，Wi-Fi)网络)，蓝牙(bluetooth， BT)，全球导航卫星系统(global navigation satellite system，GNSS)，调频(frequency modulat ion，FM)，近距离无线通信技术(near field communication，NFC)，红外技术 (infrared，IR)等无线通信的解决方案。无线通信模块260可以是集成至少一个通信处理模块的一个或多个器件。无线通信模块260经由天线2接收电磁波，将电磁波信号调频以及滤波处理，将处理后的信号发送到处理器210。无线通信模块260还可以从处理器210接收待发送的信号，对其进行调频，放大，经天线2转为电磁波辐射出去。

电子设备200通过GPU，显示屏294，以及应用处理器等实现显示功能。GPU为图像处理的微处理器，连接显示屏294和应用处理器。GPU用于执行数学和几何计算，用于图形渲染。处理器210可包括一个或多个GPU，其执行程序指令以生成或改变显示信息。

显示屏294用于显示图像，视频等。显示屏294包括显示面板。电子设备200可以通过 ISP，摄像头293，视频编解码器，GPU，显示屏294以及应用处理器等实现拍摄功能。ISP用于处理摄像头293反馈的数据。在一些实施例中，ISP可以设置在摄像头293中。

摄像头293用于捕获静态图像或视频。在一些实施例中，电子设备200可以包括1-N个摄像头293，N为大于1的正整数。NPU为神经网络(neural-network，NN)计算处理器，通过借鉴生物神经网络结构，例如借鉴人脑神经元之间传递模式，对输入信息快速处理，还可以不断的自学习。

外部存储器接口220可以用于连接外部存储卡，例如Micro SD卡，实现扩展电子设备 200的存储能力。外部存储卡通过外部存储器接口220与处理器210通信，实现数据存储功能。例如将音乐，视频等文件保存在外部存储卡中。

内部存储器221可以用于存储计算机可执行程序代码，所述可执行程序代码包括指令。处理器210通过运行存储在内部存储器221的指令，从而执行电子设备200的各种功能应用以及数据处理。例如，本申请实施例中，处理器210可以通过执行存储在内部存储器221中的指令，运行基模型，计算将要被用户使用的概率，以预测用户下一个可能要启动的APP。内部存储器221可以包括存储程序区和存储数据区。其中，存储程序区可存储操作系统，至少一个功能所需的应用程序(比如声音播放功能，图像播放功能等)等。存储数据区可存储电子设备200使用过程中所创建的数据(比如音频数据，电话本等)等。此外，内部存储器221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，例如至少一个磁盘存储器件，闪存器件，通用闪存存储器(universal flash storage，UFS)等。

电子设备200可以通过音频模块270，扬声器270A，受话器270B，麦克风270C，耳机接口270D，以及应用处理器等实现音频功能。例如音乐播放，录音等。

音频模块270用于将数字音频信息转换成模拟音频信号输出，也用于将模拟音频输入转换为数字音频信号。扬声器270A，也称“喇叭”，用于将音频电信号转换为声音信号。电子设备200可以通过扬声器270A收听音乐，或收听免提通话。受话器270B，也称“听筒”，用于将音频电信号转换成声音信号。当电子设备200接听电话或语音信息时，可以通过将受话器270B靠近人耳接听语音。麦克风270C，也称“话筒”，“传声器”，用于将声音信号转换为电信号。耳机接口270D用于连接有线耳机。

压力传感器280A用于感受压力信号，可以将压力信号转换成电信号。在一些实施例中，压力传感器280A可以设置于显示屏294。压力传感器280A的种类很多，如电阻式压力传感器，电感式压力传感器，电容式压力传感器等。

陀螺仪传感器280B可以用于确定电子设备200的运动姿态。在一些实施例中，可以通过陀螺仪传感器280B确定电子设备200围绕三个轴(即，x，y和z轴)的角速度。陀螺仪传感器280B可以用于拍摄防抖。

磁传感器280D包括霍尔传感器。电子设备200可以利用磁传感器280D检测翻盖皮套的开合。加速度传感器280E可检测电子设备200在各个方向上(一般为三轴)加速度的大小。当电子设备200静止时可检测出重力的大小及方向。

距离传感器280F，用于测量距离。电子设备200可以通过红外或激光测量距离。例如，本申请实施例中，电子设备200可以通过距离传感器280F测量电子设备200与人脸的距离。

接近光传感器280G可以包括例如发光二极管(LED)和光检测器，例如光电二极管。发光二极管可以是红外发光二极管。电子设备200通过发光二极管向外发射红外光。电子设备 200使用光电二极管检测来自附近物体的红外反射光。当检测到充分的反射光时，可以确定电子设备200附近有物体。当检测到不充分的反射光时，电子设备200可以确定电子设备200 附近没有物体。

环境光传感器280L用于感知环境光亮度。电子设备200可以根据感知的环境光亮度自适应调节显示屏294亮度。环境光传感器280L也可用于拍照时自动调节白平衡。环境光传感器 280L还可以与接近光传感器280G配合，检测电子设备200是否在口袋里，以防误触。

指纹传感器280H用于采集指纹。电子设备200可以利用采集的指纹特性实现指纹解锁，访问应用锁，指纹拍照，指纹接听来电等。

温度传感器280J用于检测温度。在一些实施例中，电子设备200利用温度传感器280J 检测的温度，执行温度处理策略。

触摸传感器280K，也称“触控面板”。触摸传感器280K可以设置于显示屏294，由触摸传感器280K与显示屏294组成触摸屏，也称“触控屏”。触摸传感器280K用于检测作用于其上或附近的触摸操作。触摸传感器可以将检测到的触摸操作传递给应用处理器，以确定触摸事件类型。可以通过显示屏294提供与触摸操作相关的视觉输出。

骨传导传感器280M可以获取振动信号。在一些实施例中，骨传导传感器280M可以获取人体声部振动骨块的振动信号。骨传导传感器280M也可以接触人体脉搏，接收血压跳动信号。

需要说明的是，本申请实施例中，陀螺仪传感器280B、磁传感器280D、距离传感器280F、接近光传感器280G、环境光传感器280L、温度传感器280J和骨传导传感器280M中任一个传感器采集的数据都可以作为基模型的输入，用于预测用户下一个将要启动的APP。

按键290包括开机键，音量键等。按键290可以是机械按键。也可以是触摸式按键。电子设备200可以接收按键输入，产生与电子设备200的用户设置以及功能控制有关的键信号输入。马达291可以产生振动提示。马达291可以用于来电振动提示，也可以用于触摸振动反馈。指示器292可以是指示灯，可以用于指示充电状态，电量变化，也可以用于指示消息，未接来电，通知等。SIM卡接口295用于连接SIM卡。电子设备200可以包括1-N个SIM卡接口295。SIM卡可以通过插入SIM卡接口295，或从SIM卡接口295拔出，实现和电子设备 200的接触和分离。

以下实施例中，以上述电子设备200是手机，该手机中安装有N个APP为例，对本申请实施例提供的技术方案进行具体阐述。其中，N≥2，N为正整数。

本申请实施例提供一种应用的预加载方法，该方法可以包括阶段(1)、阶段(2)和阶段 (3)这三个阶段。阶段(1)：基模型预训练阶段，用于对预设结构的K个贝叶斯网络进行模型训练，K为正整数。阶段(2)：元模型预训练阶段，用于对元模型进行模型训练。阶段(3)：模型使用阶段，用于使用训练得到的元模型和基模型预测用户下一个将启动的APP。

需要说明的是，在上述阶段(1)、阶段(2)和阶段(3)，手机均执行S301。如图3所示，上述阶段(1)，即基模型预训练阶段，可以包括S302-S303。

S301、手机采集各个APP的APP使用记录。

其中，手机可以在每个预设周期采集各个APP的APP使用记录。例如，一个预设周期可以为一个星期、一天、15天或者10天等任一时间周期。示例性的，手机从出厂后第一次开机开始，便可以在上述每个预设周期采集各个APP的APP使用记录。

需要说明的是，手机在阶段(1)、阶段(2)和阶段(3)均需要执行S301。例如，手机在阶段(1)和阶段(2)，可以执行S301采集M个预设周期中、每个预设周期内各个APP的 APP使用记录，如第m个预设周期内各个APP的APP使用记录。m是按照由小到大的顺序依次在{1,2，……M-1，M}中取值的正整数。M为正整数。手机可以连续采集M个预设周期内多条 APP使用记录。M可以是由用户设定；或者，M可以预先配置在手机中。又例如，手机在阶段 (3)，可以执行S301采集第M+p+1个预设周期内各个APP的APP使用记录。p是按照由小到大的顺序依次在{0,1,2,3,4……}中取值的正整数。

示例性的，上述APP使用记录可以包括：使用APP的场景信息、应用信息和设备信息。上述场景信息可以包括：时间信息、位置信息和手机的网络状态信息。其中，上述时间信息可以包括：用户开始使用APP(即当前使用的APP)的时间点，用户使用上一个APP的时长等。该时间点可以包括：具体日期(如2019年11月21日)，时间区间(如10:00:01-10:05:25)，周内(weekday)或者周末(weekend)，以及节假日(如除夕、儿童节或国庆节等)中的一项或多项。上述位置信息可以是用户开始使用APP(即当前使用的APP)时，手机所处的位置。该位置信息可以是手机通过GPS定位得到的。手机的网络状态信息可以包括：用户开始使用 APP(即当前使用的APP)时，手机所连接的网络的标识，如5G网络、4G网络、3G网络、2G 网络或者WiFi网络的标识。

上述应用信息可以包括：用户使用该APP之前所使用的上P个APP的标识，P为正整数。上述设备信息可以包括：用户开始使用该APP时，手机的剩余电量，以及手机中的传感器采集的数据等。例如，环境光传感器采集到的环境光亮度，骨传导传感器采集到的人体声部振动骨块的振动信号，陀螺仪传感器采集到的用于表征手机的运动姿态的参数，加速度传感器采集到的手机的运动加速度等。

需要说明的是，在一种实现方式中，上述“用户开始使用APP”是指：手机响应于用户启动该APP的操作，启动该APP。或者，上述“用户开始使用APP”是指：手机响应于用户将该APP由后台运行切换为前台运行的操作，在前台显示该APP的界面。

例如，响应于用户启动APP的操作，手机启动该APP时，手机可获取上述场景信息(包括时间信息、位置详细和网络状态信息)、上述应用信息和上述设备信息。又例如，响应于用户将该APP由后台运行切换为前台运行的操作，手机前台显示该APP的界面时，可以获取上述场景信息、上述应用信息和上述设备信息。

在另一种实现方式中，上述“用户开始使用APP”是指：手机接收到用户启动该APP的操作。其中，响应于用户启动该APP的操作，手机可以启动该APP。或者，“用户开始使用APP”是指：手机接收到用户将该APP由后台运行切换为前台运行的操作。其中，响应于用户将该 APP由后台运行切换为前台运行的操作，手机可以在前台显示该APP的界面。

例如，手机接收到用户启动APP的操作时，手机可以获取上述场景信息、上述应用信息和上述设备信息。也就是说，手机接收到用户启动APP的操作时，无论手机响应于该操作是否已经启动该APP，只要手机接收到用户启动APP的操作，便可获取上述场景信息、上述应用信息和上述设备信息。又例如，响应于用户将该APP由后台运行切换为前台运行的操作，手机前台显示该APP的界面时，可以获取上述场景信息、上述应用信息和上述设备信息。也就是说，手机接收到用户将该APP由后台运行切换为前台运行的操作时，无论手机响应于该操作是否已经在前台显示该APP的界面，只要手机接收到该操作，便可获取上述场景信息、上述应用信息和上述设备信息。

需要说明的是，以下实施例中，均以P＝1为例，说明本申请实施例的方法。也就是说，上述应用信息可以包括：用户使用该APP之前所使用的上一个APP的标识。

示例性的，如表1所示，为本申请实施例提供的一种APP的APP使用记录表。表1中以预设周期为一个星期为例。上述场景信息包括位置信息和时间信息，时间信息包括：周内(weekday)/周末(weekend)，以及时长。上述设备信息包括电量和传感器采集的数据。上述应用信息包括使用当前的APP之前所使用的上一个APP的标识。

表1

如表1所示，手机可以采集到手机中APP被使用的G条记录。这G条记录包括M个星期内用户使用APP时的场景信息、应用信息和设备信息。例如，如表1所示，第1个星期内，手机采集到了g条APP使用记录。其中，表1所示的第1条记录，即第1个星期的第1条APP 使用记录中记载了如下数据：用户开始使用APP-2时所处的位置为位置1，时间为Weekday；用户开始使用APP-2时，手机的剩余电量为95％，手机连接4G网络和WiFi网络，传感器采集的数据为数据1；用户使用APP-2之前，上一个使用的APP是APP-1；用户使用上一个APP (即APP-1)的时长为15分钟。

又例如，如表1所示，第2个星期内，手机采集到了w条APP使用记录。表1所示的第 g+w条记录，即第2个星期的第w条APP使用记录中记载了如下数据：用户开始使用APP-2 时所处的位置为位置9，时间为Weekday；用户开始使用APP-2时，手机的剩余电量为78％，手机连接5G网络7，传感器采集的数据为数据10；用户使用APP-2之前，上一个使用的APP 是APP-5，用户使用上一个APP(即APP-5)的时长为30分钟。

可以理解，用户使用APP时的场景信息、应用信息和设备信息，可以反映出该用户使用该APP的习惯。其中，不同用户使用APP的习惯不同；因此，不同手机采集到的用户使用APP 时的场景信息、应用信息和设备信息不同。

本申请实施例中，手机可以保存各个APP的标识、采集的APP使用记录，以及APP的标识与该APP的APP使用记录之间的对应关系。其中，APP使用记录可以包括：使用APP的场景信息、应用信息和设备信息。

示例性的，手机可以在表1所示的APP使用记录表中保存各个APP的标识，以及该APP 的APP使用记录。例如，以表1所示的第g条APP使用记录为例。表1中所示的“当前使用的APP”这一项保存的是APP的标识(如APP-4)。表1中所示的“位置”选项、“周内/周末”选项、“时长”选项和“网络标识”选项保存的是使用APP-4的场景信息；“电量”选项和“传感器采集的数据”选项保存的是用户使用APP-4时的设备信息；“上一个使用的APP”选项保存的是用户使用APP-4之前所使用的上一个APP的标识。也就是说，“位置”选项、“周内/ 周末”选项、“时长”选项、“网络标识”选项、“电量”选项、“传感器采集的数据”(如数据 8)选项和“上一个使用的APP”(如APP-2)选项保存的是APP-4的APP使用记录。

需要说明的是，表1仅以举例方式给出APP使用记录的一种可能的实现方式示例。上述 APP使用记录的具体内容包括但不限于表1所示的数据；或者，上述APP使用记录也可以不包括表1所示的部分数据(如电量)。APP使用记录中具体包括的内容可以由设计人员设计，本实施例这里不予赘述。

S302、手机获取K个第二基模型，该第二基模型是贝叶斯网络。

其中，K为正整数。上述K个基模型(即K个贝叶斯网络)的结构可以是由设计人员预先设计的。例如，K个贝叶斯网络的结构可以是设计人员在服务器中预先设计的。手机可以从服务器获取该K个贝叶斯网络。手机执行S302可以获取到第m个预设周期的K个第二基模型，m是按照由小到大的顺序依次在{1,2，……M-1，M}中取值的正整数。

示例性的，贝叶斯网络中的结点可以对应手机执行S302采集到的多种数据，如每种数据可以对应一个结点。贝叶斯网络中结点间的互相关系可以由用户或者设计人员设定。例如，如图4示出本申请实施例提供的三种贝叶斯网络的结构实例。

在本申请实施例的第一种情况下，K＝1。在第二种情况下，K≥2。需要说明的是，K≥2 的情况下，K个贝叶斯网络的结构不同。其中，K个贝叶斯网络的结构不同，具体可以表现为第(1)方面和第(2)方面这两个方面。

第(1)方面：K个贝叶斯网络中不同贝叶斯网络所包括的结点不同。

例如，图4所示的贝叶斯网络401与贝叶斯网络403所包括的结点不同。贝叶斯网络401 和贝叶斯网络402包括结点“时长”、“周内/周末”、“电量”、“位置”、“网络标识”、“上一个使用的APP”和“传感器采集的数据”和“标签”。而贝叶斯网络403包括结点“时长”、“电量”、“位置”、“网络标识”、“上一个使用的APP”和“传感器采集的数据”和“标签”，不包括结点“周内/周末”。由此可见，图4所示的贝叶斯网络401和贝叶斯网络402的结构与贝叶斯网络403的结构不同。

第(2)方面：K个贝叶斯网络中不同贝叶斯网络中结点间的互相关系不同。

例如，图4所示的贝叶斯网络401与贝叶斯网络402包括相同的结点，如“时长”、“周内/周末”、“电量”、“位置”、“网络标识”、“上一个使用的APP”和“传感器采集的数据”和“标签”。但是，贝叶斯网络401与贝叶斯网络402中结点间的互相关系不同。例如，贝叶斯网络401中结点“电量”与“位置”之间存在关联关系，而贝叶斯网络402中结点“电量”与“位置”之间不存在关联关系。由此可见，图4所示的贝叶斯网络401与贝叶斯网络402 的结构不同。

需要说明的是，图4所示的叶斯网络401、402和403中的标签为贝叶斯网络的输出。本申请实施例中，贝叶斯网络的输出为各个APP是用户下一个要使用的APP的概率。

S303、手机将第m个预设周期内采集的APP使用记录作为训练样本，分别训练第m个预设周期的K个第二基模型，得到第m个预设周期的K个第一基模型。

当m＝1时，第1个预设周期内采集的APP使用记录可以作为训练样本(记为D(1))，用于训练第1个预设周期的K个第二基模型(即手机执行S302获得的K个第二基模型)。其中，手机执行S302获得的K个第二基模型称为第1个预设周期的K个第二基模型。该第1个预设周期的K个第二基模型可以是K个不同的贝叶斯网络，该第1个预设周期的K个第二基模型未经过模型训练。

其中，第1个预设周期的第1个第二基模型Bayes_a(1，1)的模型参数为S_a(1，1)；第1个预设周期的第2个第二基模型Bayes_a(1，2)的模型参数为S_a(1，2)；……；第 1个预设周期的第j个第二基模型Bayes_a(1，j)的模型参数为S_a(1，j)；……；第1 个预设周期的第K个第二基模型Bayes_a(1，K)的模型参数为S_a(1，K)。其中，S_a(1， 1)、S_a(1，2)、S_a(1，j)和S_a(1，K)等是由设计人员设计的。其中，j为1-K中任一正整数。

请参考表2，其示出第1个预设周期的K个第二基模型和第1个预设周期的K个第一基模型的模型参数变化示意表。

表2

如表2所示，手机可以采用训练样本D(1)，训练第1个预设周期的第1个第二基模型Bayes_a(1，1)，可以得到第1个预设周期的第1个第一基模型Bayes_b(1，1)。Bayes_b (1，1)的模型参数为S_b(1，1)。

手机可以采用训练样本D(1)，训练第1个预设周期的第2个第二基模型Bayes_a(1，2)，得到第1个预设周期的第2个第一基模型Bayes_b(1，2)。Bayes_b(1，2)的模型参数为 S_b(1，2)。

手机可以采用训练样本D(1)，训练第1个预设周期的第j个第二基模型Bayes_a(1，j)，得到第1个预设周期的第j个第一基模型Bayes_b(1，j)。Bayes_b(1，j)的模型参数为 S_b(1，j)。

手机可以采用训练样本D(1)，训练第1个预设周期的第K个第二基模型Bayes_a(1，K)，得到第1个预设周期的第K个第一基模型Bayes_b(1，K)。Bayes_b(1，K)的模型参数为S(1，K)。

需要说明的是，如表2所示，待训练的第二基模型的模型参数与训练得到的第一基模型的模型参数不同。例如，第1个预设周期的第j个第二基模型Bayes_a(1，j)的模型参数S_a(1，j)与第1个预设周期的第j个第一基模型Bayes_b(1，j)的模型参数S_b(1，j) 不同。

当m≥2时，第m个预设周期的K个第二基模型是根据前m-1个预设周期的K个第一基模型确定的。

示例性的，以m＝2为例。第2个预设周期内采集的APP使用记录可以作为训练样本(记为D(2))，用于训练第2个预设周期的K个第二基模型。请参考表3，其示出第2个预设周期的K个第二基模型和K个第一基模型的模型参数变化示意表。

表3

如表3所示，第2个预设周期的第1个第二基模型Bayes_a(2，1)的模型参数为S_a(2，1)，S_a(2，1)＝Q×[S_b(1，1)]。S_b(1，1)是第1个预设周期的第1个第一基模型Bayes_b(1，1)的模型参数。其中，手机采用训练样本D(2)，训练第2个预设周期的第1个第二基模型Bayes_a(2，1)，可以得到第2个预设周期的第1个第一基模型Bayes_b (2，1)。Bayes_b(2，1)的模型参数为S_b(2，1)。Q为预设衰减因子，Q<1。例如,Q可以为20％、30％，18％，15％、60％、75％、80％或者26％等任一数值。

第2个预设周期的第j个第二基模型Bayes_a(2，j)的模型参数为S_a(2，j)，S_a(2，j)＝Q×[S_b(1，j)]。S_b(1，j)是第1个预设周期的第j个第一基模型Bayes_b (1，j)的模型参数。其中，手机采用训练样本D(2)，训练第2个预设周期的第j个第二基模型Bayes_a(2，j)，可以得到第2个预设周期的第j个第一基模型Bayes_b(2，j)。Bayes_b (2，j)的模型参数为S_b(2，j)。

第2个预设周期的第K个第二基模型Bayes_a(2，K)的模型参数为S_a(2，K)，S_a(2，K)＝Q×[S_b(1，K)]。S_b(1，K)是第1个预设周期的第K个第一基模型Bayes_b (1，K)的模型参数。其中，手机采用训练样本D(2)，训练第2个预设周期的第K个第二基模型Bayes_a(2，K)，可以得到第2个预设周期的第K个第一基模型Bayes_b(2，K)。Bayes_b (2，K)的模型参数为S_b(2，K)。

示例性的，以m＝3为例。第3个预设周期内APP的多条采用记录可以作为训练样本(记为D(3))，用于训练第3个预设周期的K个第二基模型。请参考表4，其示出第3个预设周期的K个第二基模型和K个第一基模型的模型参数变化示意表。

表4

如表4所示，第3个预设周期的第1个第二基模型Bayes_a(3，1)的模型参数为S_a(3，1)，S_a(3，1)＝Q²×[S_b(1，1)]+Q×[S_b(2，1)]。S_b(1，1)是第1个预设周期的第1个第一基模型Bayes_b(1，1)的模型参数。S_b(2，1)是第2个预设周期的第 1个第一基模型Bayes_b(2，1)的模型参数。其中，手机采用训练样本D(3)，训练第3个预设周期的第1个第二基模型Bayes_a(3，1)，可以得到第3个预设周期的第1个第一基模型Bayes_b(3，1)。Bayes_b(3，1)的模型参数为S_b(3，1)。

第3个预设周期的第j个第二基模型Bayes_a(3，j)的模型参数为S_a(3，j)，S_a(3，j)＝Q²×[S_b(1，j)]+Q×[S_b(2，j)]。S_b(1，j)是第1个预设周期的第j个第一基模型Bayes_b(1，j)的模型参数。S_b(2，j)是第2个预设周期的第j个第一基模型Bayes_b(2，j)的模型参数。其中，手机采用训练样本D(3)，训练第3个预设周期的第 j个第二基模型Bayes_a(3，j)，可以得到第3个预设周期的第j个第一基模型Bayes_b(3， j)。Bayes_b(3，j)的模型参数为S_b(3，j)。

第3个预设周期的第K个第二基模型Bayes_a(3，K)的模型参数为S_a(3，K)，S_a(3，K)＝Q²×[S_b(1，K)]+Q×[S_b(2，K)]。S_b(1，K)是第1个预设周期的第K个第一基模型Bayes_b(1，K)的模型参数。S_b(2，K)是第2个预设周期的第K个第一基模型Bayes_b(2，K)的模型参数。其中，手机采用训练样本D(3)，训练第3个预设周期的第 K个第二基模型Bayes_a(3，K)，可以得到第3个预设周期的第K个第一基模型Bayes_b(3， K)。Bayes_b(3，K)的模型参数为S_b(3，K)。

总结上述描述，可以得出：在m≥2的情况下，手机采用第m个预设周期内采集的APP使用记录，训练第m个预设周期的第j个第二基模型，得到第m个预设周期的第j个第一基模型的方法，可以包括S303a-S303b。其中，1≤j≤K。

S303a、手机根据前m-1个预设周期的第j个第一基模型的模型参数，乘以预设衰减因子 Q，计算第m个预设周期的第j个第二基模型的模型参数S_a(m，j)。

示例性的，手机可以根据前m-1个预设周期的第j个第一基模型的模型参数，乘以预设衰减因子Q，采用以下公式(1)，计算第m个预设周期的第j个第二基模型的模型参数S_a(m，j)。

其中，Q<1，S_b(m-i，j)是第m-i个预设周期的第j个第一基模型的模型参数。m是按照由小到大的顺序依次在{2,3，……M-1，M}中取值的正整数。

S303b、手机将第m个预设周期内采集的APP使用记录作为训练样本，训练第m个预设周期的第j个第二基模型，得到第m个预设周期的第j个第一基模型。其中，第m个预设周期的第j个第一基模型的模型参数记为S_b(m，j)。

需要说明的是，在m≥2的情况下，手机可以针对第m个预设周期的第1至K个第二基模型中的每个第二基模型，分别执行S303a-S303b，以得到第m个预设周期的第1至K个第一基模型。

需要说明的是，本申请实施例中对第二基模型进行模型训练得到第一基模型，并不会改变第二基模型中的结点以及结点间的互相关系。也就是说，第二基模型与第一基模型中的结点相同，且结点间的互相关系不变。但是，第二基模型与第一基模型的模型参数不同。例如，如表2所示，第1个预设周期的第j个第二基模型Bayes_a(1，j)的模型参数S_a(1，j)，与第1个预设周期的第j个第一基模型Bayes_b(1，j)的模型参数S_b(1，j)不同。又例如，如表3所示，第2个预设周期的第j个第二基模型Bayes_a(2，j)的模型参数S_a(2， j)与第2个预设周期的第j个第一基模型Bayes_b(2，j)的模型参数S_b(2，j)不同。又例如，如表4所示，第3个预设周期的第j个第二基模型Bayes_a(3，j)的模型参数S_a (3，j)与第3个预设周期的第j个第一基模型Bayes_b(3，j)的模型参数S_b(3，j)不同。

其中，基模型的模型参数，用于表征该基模型中各结点间互相关系的关系强度。也就是说，对第二基模型进行模型训练得到第一基模型，虽然基模型中的结点以及结点间的互相关系(即贝叶斯网络的结构)不会发生变化，即第一基模型与对应第二基模型的结构相同；但是，第一基模型与第二基模型中各结点间互相关系的关系强度会发生变化。

本申请实施例中，采用M个预设周期内采集的APP使用记录,分别对K个第二基模型进行模型训练，可以提升这些基模型进行APP预测的准确率。

由上述公式(1)可知：第m个预设周期的第二基模型的模型参数，是根据前m-1个预设周期的第一基模型的模型参数计算得到的；而前m-1个预设周期的第一基模型中、任一个预设周期的第一基模型都是采用对应预设周期的APP使用记录训练得到的。由此可见，本申请实施例中，在第m个预设周期对基模型进行模型训练时，不是仅参考第m-1个预设周期(即第m个预设周期的上一个预设周期)内采集的APP使用记录，而是参考前m-1个预设周期内采集的APP使用记录。可以理解，连续的多个预设周期内采集的APP使用记录可以反映出用户对APP的使用习惯。因此，参考前m-1个预设周期内APP的多条APP使用记录，在第m个预设周期对基模型进行模型训练，有利于提升基模型进行APP预测的准确率。

随着时间的变化，用户使用APP的习惯也可能会发生变化。也就是说，采用手机中近期使用APP的APP使用记录进行模型训练，有利于提升基模型进行APP预测的准确率。基于此，本申请实施例中，参考前m-1个预设周期内采集的APP使用记录，在第m个预设周期对基模型进行模型训练时，针对前m-1个预设周期中各个预设周期设置了不同的衰减因子(如Q、Q²或者Q³等)。由于Q<1；因此，由公式(1)可知：距离第m个预设周期越远的预设周期的第一基模型的模型参数的衰减越严重，在该预设周期内采集的APP使用记录对第m个预设周期的第一基模型的影响越小；而距离第m个预设周期越近的预设周期的第一基模型的模型参数的衰减越小，在该预设周期内采集的APP使用记录对第m个预设周期的第一基模型的影响越大。也就是说，本申请实施例中，在第m个预设周期对基模型进行模型训练时，更加关注近期APP的APP使用记录。这样，有利于提升基模型进行APP预测的准确率。

在上述第二种情况(即K≥2的情况)下，手机可以训练得到K个第一基模型。由于不同第一基模型的结构不同；因此，不同第一基模型在第M个预设周期之后的各个预设周期进行 APP预测的预测性能也可能不同。例如，第一基模型a与第一基模型b的结构不同，第一基模型a在一个预设周期的进行APP预测的准确率为75％，第一基模型b在同一个预设周期的进行APP预测的准确率为95％。并且，同一第一基模型在不同预设周期进行APP预测的预测性能也可能不同。例如，第一基模型a在预设周期a的进行APP预测的准确率为95％，该第一基模型a在预设周期b的进行APP预测的准确率为64％。预设周期a与预设周期b不是同一个预设周期。因此，如何从K个第一基模型中，为各个预设周期选择预测性能最好的第一基模型，对于提升APP预测的准确率尤为重要。

为了可以从K个第一基模型中为各个预设周期选择预测性能最好的第一基模型，手机在执行S301-S303的过程中，还可以执行S501，以获取用于训练元模型的训练样本。该元模型可以用于在上述第二种情况下，从第M+p个预设周期的K个第一基模型中选择出一个第一基模型，用于预测第M+p+1个预设周期内下一个可能被使用的APP，以提升APP预测的准确率。其中，p是按照由小到大的顺序依次在{1,2,3,4……}中取值的正整数。

在手机执行上述阶段(1)的过程中，手机还可以执行阶段(2)，以训练元模型。具体的，如图3所示，上述阶段(2)，即元模型预训练阶段，可以包括S501-S502。需要说明的是，图3仅给出本申请实施例包括的方法步骤流程，而并不限定执行各个步骤的先后顺序。例如，手机可以在执行S301-S303的过程中，执行S501-S502。

需要说明的是，元模型的详细介绍，以及元模型从多个第一基模型中选择出一个第一基模型的具体方法，可以参考以下实施例中的相关描述，这里不予赘述。

其中，在手机执行S301得到第m个预设周期内各个APP的APP使用记录，并执行S303得到第m个预设周期的K个第一基模型之后，本申请实施例的方法还可以包括S501。其中， m是按照由小到大的顺序依次在{1,2，……M-1，M}中取值的正整数。

S501、手机获取第m个预设周期的K个第一基模型的任务特征。其中，m是按照由小到大的顺序依次在{1,2，……M-1，M}中取值的正整数。

可以理解，手机可以分别获取第m个预设周期的K个第一基模型中每个第一基模型的任务特征。本申请实施例中，以第m个预设周期的第j个第一基模型的任务特征为例，详细介绍S501。其中，j为1-K中任一正整数。

本申请实施例中，第m个预设周期的第j个第一基模型的任务特征，用于表征第m个预设周期的第j个第一基模型进行APP预测的性能。第m个预设周期的第j个第一基模型进行APP预测的性能可以体现为：第m个预设周期的第j个第一基模型进行APP预测的任务难度和任务表现。其中，该任务难度用于指示第m个预设周期的第j个第一基模型进行APP预测的难易程度。该任务表现用于指示第m个预设周期的第j个第一基模型进行APP预测的准确率。

具体的，第m个预设周期的第j个第一基模型的任务特征，可以包括图5所示的任务特征(1)和任务特征(2)。任务特征(1)：第m个预设周期的第j个第一基模型的第一预测参数。任务特征(2)：M个预设周期中、前m个预设周期内APP的使用频次分布参数。

以下详细介绍上述任务特征(1)和任务特征(2)。

任务特征(1)：第m个预设周期的第j个第一基模型的第一预测参数，用于表征第m个预设周期的第j个第一基模型进行APP预测的任务表现(即准确率)。

其中，假设手机在第m个预设周期内采集了H条APP使用记录。H≥2，H为正整数。手机执行S303得到第m个预设周期的第j个第一基模型之后，手机可以针对上述H条APP的使用记录分别执行S501a-S501b，以得到第m个预设周期的第j个第一基模型的第一预测参数。

S501a、手机分别将第m个预设周期内采集的H条APP使用记录作为输入，运行第m个预设周期的第j个第一基模型，得到H个第二预测结果。

示例性的，本申请实施例中，以“手机将第m个预设周期内采集的第h条APP使用记录作为输入，运行第m个预设周期的第j个第一基模型，得到第h个第二预测结果”为例，介绍S501a的具体实现方法。其中，h是按照由小到大的顺序依次在{1,2，……H-1，H}中取值的正整数。

例如，假设m＝2，h＝2，预设周期为一个星期。那么，第m个预设周期内采集的第h条APP 使用记录可以为表1所示的第2个星期内采集的第2条APP使用记录，即表1所示的记录编号为g+2的APP使用记录。

可以理解，手机执行S303之后，第m个预设周期的第j个第一基模型便可以具备根据 APP使用记录预测用户将要使用的APP的能力。如此，手机便可以将第m个预设周期内采集的第h条APP使用记录作为输入，运行第m个预设周期的第j个第一基模型，得到第h个第二预测结果。

在实现方式(1)中，上述第h个第二预测结果可以包括：N个APP中每个APP下一次被用户使用的概率。

其中，手机执行S501a，运行第m个预设周期的第j个第一基模型，可以针对每条APP使用记录得到一个第二预测结果。例如，如表5所示，为本申请实施例提供的一种第m个预设周期的第j个第一基模型的H个第二预测结果实例表。

表5

表5所示的第1个第二预测结果中，APP-1下一次被用户使用的概率(如85％)最大；第 2个第二预测结果中，APP-N下一次被用户使用的概率(如80％)最大；第h个第二预测结果中，APP-n下一次被用户使用的概率(如68％)最大；第H个第二预测结果中，APP-2下一次被用户使用的概率(如76％)最大。

在实现方式(2)中，上述第h个第二预测结果可以包括：一个APP的标识。该APP的标识是上述N个APP下一次被用户使用的概率中，最大的概率对应的APP的标识。也就是说，在这种实现方式中，第m个预设周期的第j个第一基模型可以仅输出最大的概率对应的APP 的标识，而不需要输出N个概率。

例如，结合表5所示的各个APP被使用的概率，请参考表6，为这种实现方式中提供的一种第m个预设周期的第j个第一基模型的H个第二预测结果实例表。

表6

需要说明的是，“手机将第m个预设周期内采集的第h条APP使用记录作为输入，运行第 m个预设周期的第j个第一基模型，得到第h个第二预测结果”的具体方法，可以参考常规技术中，运行贝叶斯网络的模型得到预测结果的方法，本申请实施例这里不予赘述。

S501b、手机根据第m个预设周期内采集的H条APP使用记录对应的APP的标识，以及H 个第二预测结果，获得第m个预设周期的第j个第一基模型的第一预测参数。

具体的，手机可以判断第m个预设周期内采集的第h条APP使用记录对应的APP的标识，是否与第h个第二预测结果匹配。然后，手机可以统计H个第二预测结果中、与APP使用记录对应的APP的标识匹配的第二预测结果的数量。最后，手机可以计算上述数量与H的比值，得到第m个预设周期的第j个第一基模型的第一预测参数。

在上述实现方式(1)中，第h条APP使用记录对应的APP的标识与第h个第二预测结果匹配，具体可以为：第h个第二预测结果中概率最大的APP是第h条APP使用记录对应的APP，即第h个第二预测结果中概率最大的APP的标识与第h条APP使用记录对应的APP的标识相同。

可以理解，如果第h条APP使用记录对应的APP的标识与第h个第二预测结果匹配，则表示第h个第二预测结果准确。如果第h条APP使用记录对应的APP的标识与第h个第二预测结果不匹配，则表示第h个第二预测结果是不准确。

例如，假设第1条APP使用记录对应的APP为APP-2，第2条APP使用记录对应的APP为APP-N,第h条APP使用记录对应的APP为APP-n，第H条APP使用记录对应的APP为APP-2。

如表5所示，第1个第二预测结果中，APP-1下一次被用户使用的概率(如85％)最大，概率最大的APP(如APP-1)不是第1条APP使用记录对应的APP(如APP-2)；第1条APP使用记录对应的APP的标识与第1个第二预测结果不匹配。第2个第二预测结果中，APP-N下一次被用户使用的概率(如80％)最大，概率最大的APP(如APP-N)是第2条APP使用记录对应的APP(如APP-N)；第2条APP使用记录对应的APP的标识与第2个第二预测结果匹配。第h个第二预测结果中，APP-n下一次被用户使用的概率(如68％)最大，概率最大的APP(如 APP-n)是第h条APP使用记录对应的APP(如APP-n)；第h条APP使用记录对应的APP的标识与第h个第二预测结果匹配。第H个第二预测结果中，APP-2下一次被用户使用的概率(如 76％)最大，概率最大的APP(如APP-2)是第H条APP使用记录对应的APP(如APP-2)；第 H条APP使用记录对应的APP的标识与第H个第二预测结果匹配。

假设H＝4。H个第二预测结果中、与APP使用记录对应的APP的标识匹配的第二预测结果的数量为3。那么，第m个预设周期的第j个第一基模型的第一预测参数则为3/4＝75％。也就是说，在第m个预设周期，第j个第一基模型进行APP预测的准确率为75％。

本申请实施例中，手机执行S501可以得到第m个预设周期的K个第一基模型的第一预测参数。例如，请参考表7，为第m个预设周期的K个第一基模型的第一预测参数实例表。

表7

需要说明的是，以第h个第二预测结果为例，YES表示第h个第二预测结果准确，即第h 个第二预测结果与第h条APP使用记录对应的APP的标识匹配；NO表示第h个第二预测结果不准确，即第h个第二预测结果与第h条APP使用记录对应的APP的标识不匹配。

任务特征(2)：M个预设周期中、前m个预设周期内APP的使用频次分布参数，用于表征第m个预设周期的第j个第一基模型进行APP预测的任务难度。

举例来说，假设M＝3。当m＝1时，上述任务特征(2)可以是手机统计3个预设周期中，第1个预设周期内APP被使用的频次得到的。当m＝2时，上述任务特征(2)可以是手机统计 2个预设周期(包括第1个预设周期和第2个预设周期)内APP被使用的频次得到的。当m＝3 时，上述任务特征(2)可以是手机统计3个预设周期(包括第1个预设周期、第2个预设周期和第3个预设周期)内APP被使用的频次得到的。

其中，在手机执行S301得到第m个预设周期内各个APP的APP使用记录之后，手机便可以统计得到前m个预设周期内APP的以下(a)-(f)六种分布参数。(a)前m个预设周期内 N个APP的使用频次分布维度；(b)前m个预设周期内N个APP的使用频次分布期望；(c) 前m个预设周期内N个APP的使用频次分布方差；(d)前m个预设周期内N个APP的使用频次分布最大值；(e)前m个预设周期内N个APP的使用频次分布最小值；(f)前m个预设周期内N个APP的使用频次分布中位值。其中，本申请实施例中的频次可以为频率或次数。以下实施例中，以频次可以是次数为例，举例说明任务特征(2)。

例如，假设M＝2，N＝5。即手机中包括5个APP，如APP-1、APP-2、APP-3、APP-4和APP-5。在第1个预设周期内，这5个APP被使用的次数分别为：X_APP-1 ¹＝5、X_APP-2 ¹＝10、X_APP-3 ¹＝22、X_APP-4 ¹＝16、 X_APP-5 ¹＝17。在第2个预设周期内，这5个APP被使用的次数分别为：X_APP-1 ²＝20、X_APP-2 ²＝15、X_APP-3 ²＝10、 X_APP-4 ²＝12、X_APP-5 ²＝16。

在上述M＝2，手机中包括5个APP的示例中，m＝1的情况下，手机可以统计得到以下分布参数：

(a)前m个预设周期内APP的使用频次分布维度为：Y_APP-1 ¹＝X_APP-1 ¹＝5，Y_APP-2 ¹＝X_APP-2 ¹＝10， Y_APP-3 ¹＝X_APP-3 ¹＝22，Y_APP-4 ¹＝X_APP-4 ¹＝16，Y_APP-5 ¹＝X_APP-5 ¹＝17。

(b)前m个预设周期内APP的使用频次分布期望为：E1＝(Y_APP-1 ¹+Y_APP-2 ¹+Y_APP-3 ¹+Y_APP-4 ¹+Y_APP-5 ¹) /5＝(5+10+22+16+17)/5＝14。

(c)前m个预设周期内APP的使用频次分布方差为：б²(1)＝[(Y_APP-1 ¹-E1)²+(Y_APP-2 ¹-E1) ²+(Y_APP-3 ¹-E1)²+(Y_APP-4 ¹-E1)²+(Y_APP-5 ¹-E1)²]/5＝34.8。

(d)前m个预设周期内APP的使用频次分布最大值为：Y_ZD ¹＝Y_APP-3 ¹＝22。

(e)前m个预设周期内APP的使用频次分布最小值为：Y_ZX ¹＝Y_APP-1 ¹＝5。

(f)前m个预设周期内APP的使用频次分布中位值为：Y_ZW ¹＝Y_APP-4 ¹＝16。

在上述M＝2，手机中包括5个APP的实例中，m＝2的情况下，手机可以统计得到以下分布参数：

(a)前m个预设周期内APP的使用频次分布维度为：Y_APP-1 ²＝X_APP-1 ¹+X_APP-1 ²＝5+20＝25， Y_APP-2 ²＝X_APP-2 ¹+X_APP-2 ²＝10+15＝25，Y_APP-3 ²＝X_APP-3 ¹+X_APP-3 ²＝22+10＝32，Y_APP-4 ²＝X_APP-4 ¹+X_APP-4 ²＝16+12＝28，Y_APP-5 ²＝X_APP-5 ¹+X_APP-5 ²＝17+16＝33。

(b)前m个预设周期内APP的使用频次分布期望为：E2＝(Y_APP-1 ²+Y_APP-2 ²+Y_APP-3 ²+Y_APP-4 ²+Y_APP-5 ²) /5＝(25+25+32+28+33)/5＝28.6。

(c)前m个预设周期内APP的使用频次分布方差为：б²(2)＝[(Y_APP-1 ²-E2)²+(Y_APP-2 ²-E2) ²+(Y_APP-3 ²-E2)²+(Y_APP-4 ²-E2)²+(Y_APP-5 ²-E2)²]/5＝9.84。

(d)前m个预设周期内APP的使用频次分布最大值为：Y_ZD ²＝Y_APP-3 ²＝Y_APP-5 ²＝32。

(e)前m个预设周期内APP的使用频次分布最小值为：Y_ZX ²＝Y_APP-1 ²＝Y_APP-2 ²＝25。

(f)前m个预设周期内APP的使用频次分布中位值为：Y_ZW ²＝Y_APP-4 ²＝28。

需要说明的是，上述M＝2，N＝5，m＝2的情况下，上述(a)前m个预设周期内APP的使用频次分布维度还可以为：前m个预设周期内各个APP的使用频次的平均值。如Y_APP-1 ²＝(X_APP-1 ¹+X_APP-1 ²)/2＝(5+20)/2＝12.5，Y_APP-2 ²＝(X_APP-2 ¹+X_APP-2 ²)/2＝(10+15)＝12.5，Y_APP-3 ²＝(X_APP-3 ¹+X_APP-3 ²) /2＝(22+10)＝16，Y_APP-4 ²＝(X_APP-4 ¹+X_APP-4 ²)/2＝(16+12)＝14，Y_APP-5 ²＝(X_APP-5 ¹+X_APP-5 ²)/2＝(17+16) /2＝16.5。上述(b)前m个预设周期内APP的使用频次分布期望、(c)前m个预设周期内APP 的使用频次分布方差、(d)前m个预设周期内APP的使用频次分布最大值、(e)前m个预设周期内APP的使用频次分布最小值和(f)前m个预设周期内APP的使用频次分布中位值，可以是根据该前m个预设周期内各个APP的使用频次的平均值计算得到的。

在一些实施例中，上述任务特征(2)可以包括：上述(c)前m个预设周期内N个APP的使用频次分布方差。

其中，前m个预设周期内N个APP的使用频次分布方差，可以表征前m个预设周期内，N 个APP的使用频次的波动情况。其中，前m个预设周期内N个APP的使用频次分布方差越大，表示N个APP的使用频次与(b)中的期望的偏离长度越大，前m个预设周期内N个APP的使用频次的波动越大。

第一基模型从N个APP中预测出下一个被用户使用的APP时，从使用频次的波动较小的 N个APP中选择出一个APP的任务难度，大于从使用频次的波动较大的N个APP中选择出一个APP的任务难度。

例如，以上述N＝5，M＝2为例。APP-1、APP-2、APP-3、APP-4和APP-5在前1个预设周期内APP的使用频次分布维度为：Y_APP-1 ¹＝5，Y_APP-2 ¹＝10，Y_APP-3 ¹＝22，Y_APP-4 ¹＝16，Y_APP-5 ¹＝17。前1个预设周期内APP的使用频次分布方差为：б²(1)＝34.8。APP-1、APP-2、APP-3、APP-4和APP-5在前2个预设周期内APP的使用频次分布维度为：Y_APP-1 ²＝25，Y_APP-2 ²＝25，Y_APP-3 ²＝32，Y_APP-4 ²＝28， Y_APP-5 ²＝32，前2个预设周期内APP的使用频次分布方差为：б²(2)＝9.84。

其中，б²(1)>б²(2)。相比于Y_APP-1 ²＝25，Y_APP-2 ²＝25，Y_APP-3 ²＝32，Y_APP-4 ²＝28，Y_APP-5 ²＝32；Y_APP-1 ¹＝5， Y_APP-2 ¹＝10，Y_APP-3 ¹＝22，Y_APP-4 ¹＝16，Y_APP-5 ¹＝17中，各个APP的使用频次的波动较大。因此，从N个 APP的使用频次分布方差来看，第1个预设周期的K个第一基模型进行APP预测的任务难度小于第2个预设周期的K个第一基模型进行APP预测的任务难度。

在另一些实施例中，APP的使用频次在N个APP的使用频次的排位也会影响上述任务难度。即(d)前m个预设周期内N个APP的使用频次分布最大值、(e)前m个预设周期内N个APP的使用频次分布最小值和(f)前m个预设周期内N个APP的使用频次分布中位值，也会影响上述任务难度。上述任务特征(2)可以包括：(d)前m个预设周期内N个APP的使用频次分布最大值、(e)前m个预设周期内N个APP的使用频次分布最小值和(f)前m个预设周期内N个APP的使用频次分布中位值。

具体的，假设N个APP中的第n个APP是用户下一个要使用的APP。在N个APP的使用频次分布方差一定的前提下，如果该第n个APP的使用频次是前m个预设周期内N个APP的使用频次分布最大值，那么基模型从N个APP中准确预测出该第n个APP是用户下一个要使用的APP的可能性则较高；如果该第n个APP的使用频次是前m个预设周期内N个APP的使用频次分布中位值，那么基模型从N个APP中准确预测出该第n个APP是用户下一个要使用的APP的可能性则较低；如果该第n个APP的使用频次是前m个预设周期内N个APP的使用频次分布最小值，那么基模型从N个APP中准确预测出该第n个APP是用户下一个要使用的 APP的可能性则更低。

在另一些实施例中，上述任务特征(2)可以包括：上述(c)前m个预设周期内N个APP的使用频次分布方差、(d)前m个预设周期内N个APP的使用频次分布最大值、(e)前m个预设周期内N个APP的使用频次分布最小值和(f)前m个预设周期内N个APP的使用频次分布中位值。

在另一些实施例中，上述任务特征(2)可以包括：上述(a)前m个预设周期内N个APP的使用频次分布维度；(b)前m个预设周期内N个APP的使用频次分布期望；(c)前m个预设周期内N个APP的使用频次分布方差；(d)前m个预设周期内N个APP的使用频次分布最大值；(e)前m个预设周期内N个APP的使用频次分布最小值；(f)前m个预设周期内N个 APP的使用频次分布中位值。

其中，上述各个实施例仅以举例方式给出任务特征(2)的可能的实现方式示例。上述任务特征(2)中具体包括的内容可以由设计人员设计，本申请实施例这里不予赘述。

需要说明的是，对于第m个预设周期的K个第一基模型而言，前m个预设周期内APP的使用频次分布参数是相同的。也就是说，第m个预设周期的K个第一基模型进行APP预测的任务难度是相同的。

示例性的，假设任务特征(2)(即前m个预设周期内APP的使用频次分布参数)包括：(c)前m个预设周期内APP的使用频次分布方差。结合上述M＝2，手机中包括5个APP的实例。在m＝2的情况下，前m个预设周期内APP的使用频次分布参数为：前2个预设周期内APP 的使用频次分布方差б²(2)＝9.84。假设K＝3，对于第2个预设周期的第1个第一基模型、第2个预设周期的第2个第一基模型，以及第2个预设周期的第3个第一基模型而言，前2 个预设周期内APP的使用频次分布参数是相同的(均为9.84)。也就是说，第2个预设周期的3个第一基模型进行APP预测的任务难度是相同的。

但是，第m个预设周期的K个第一基模型进行APP预测的任务表现(即准确率)可能不同。

示例性的，结合上述M＝2，手机中包括5个APP，m＝2，K＝3的实例。假设由于第2个预设周期的第1个第一基模型、第2个预设周期的第2个第一基模型，以及第2个预设周期的第3个第一基模型的模型结构(即对应贝叶斯网络的结构)不同。因此，即使将同样的数据(如第2个预设周期的APP使用记录)作为输入，第2个预设周期的第1个第一基模型、第 2个预设周期的第2个第一基模型，与第2个预设周期的第3个第一基模型，进行APP预测的结果可能不同，任务表现也可能不同。

例如，假设第2个预设周期手机采集到两条APP使用记录，即上述H＝2。第1条APP使用记录中，用户前一个使用的APP是APP-2，当前使用的APP是APP-1。第2条APP使用记录中，用户前一个使用的APP是APP-1，当前使用的APP是APP-3。

手机可以执行S501a，将第1条APP使用记录作为输入，运行第2个预设周期的第1个第一基模型，预测出用户下一个要使用的APP为APP-1(与第1条APP使用记录中记录的当前使用的APP-1相同)；将第2条APP使用记录作为输入，运行第2个预设周期的第1个第一基模型，预测出用户下一个要使用的APP为APP-2(与第1条APP使用记录中记录的当前使用的APP-3不同)。手机可以执行S501b，获得第2个预设周期的第1个第一基模型的第一预测参数50％。

手机可以执行S501a，将第1条APP使用记录作为输入，运行第2个预设周期的第2个第一基模型，预测出用户下一个要使用的APP为APP-1(与第1条APP使用记录中记录的当前使用的APP-1相同)；将第2条APP使用记录作为输入，运行第2个预设周期的第2个第一基模型，预测出用户下一个要使用的APP为APP-3(与第1条APP使用记录中记录的当前使用的APP-3相同)。手机可以执行S501b，获得第2个预设周期的第2个第一基模型的第一预测参数100％。

手机可以执行S501a，将第1条APP使用记录作为输入，运行第2个预设周期的第3个第一基模型，预测出用户下一个要使用的APP为APP-2(与第1条APP使用记录中记录的当前使用的APP-1不同)；将第2条APP使用记录作为输入，运行第2个预设周期的第3个第一基模型，预测出用户下一个要使用的APP为APP-3(与第1条APP使用记录中记录的当前使用的APP-3相同)。手机可以执行S501b，获得第2个预设周期的第3个第一基模型的第一预测参数50％。

上述实例中，将第1条APP使用记录作为输入，第2个预设周期的第1个第一基模型与第2个预设周期的第2个第一基模型的预测结果(用户下一个要使用的APP为APP-1)相同。但是，将第2条APP使用记录作为输入，第2个预设周期的第1个第一基模型与第2个预设周期的第2个第一基模型的预测结果不同，如APP-2与APP-3不同。因此，第2个预设周期的第1个第一基模型与第2个预设周期的第2个第一基模型的第一预测参数不同，其任务表现不同。

上述实例中，将第2条APP使用记录作为输入，第2个预设周期的第2个第一基模型与第2个预设周期的第3个第一基模型的预测结果(用户下一个要使用的APP为APP-3)相同。但是，将第1条APP使用记录作为输入，第2个预设周期的第2个第一基模型与第2个预设周期的第3个第一基模型的预测结果不同，如APP-1与APP-2不同。因此，第2个预设周期的第2个第一基模型与第2个预设周期的第3个第一基模型的第一预测参数不同，其任务表现不同。

综上所述，第m个预设周期的K个第一基模型进行APP预测的任务难度相同，任务表现不同；因此，第m个预设周期的K个第一基模型的性能不同。其中，在同一任务难度下，任务表现(即准确率)越高，则性能越好；任务表现(即准确率)越低，则性能越差。因此，本申请实施例中，如图5所示，多个预设周期的K个第一基模型的任务特征可以用于训练元模型，使得元模型具备从K个第一基模型中选择出性能最好的基模型的能力。

需要说明的是，一般而言，第m个预设周期的K个第一基模型进行APP预测的任务表现是不同的。但是，不排除第m个预设周期的多个第一基模型(如两个或两个以上)进行APP预测的任务表现相同的情况。

在一些实施例中，上述第m个预设周期的K个第一基模型的任务特征(2)可以不同。其中，第m个预设周期的第j个第一基模型进行APP预选，从N个APP中预先选择出y个APP (y≥2，y为正整数)。然后，第m个预设周期的第j个第一基模型可以在这y个APP中进行 APP预测。其中，同一预设周期的不同第一基模型进行APP预选，所选择的APP可以不同，所选择的APP数量也可以不同。

在该实施例中，第m个预设周期的K个第一基模型的任务特征(2)可以包括：(a)前m个预设周期内y个APP的使用频次分布维度；(b)前m个预设周期内y个APP的使用频次分布期望；(c)前m个预设周期内y个APP的使用频次分布方差；(d)前m个预设周期内y个 APP的使用频次分布最大值；(e)前m个预设周期内y个APP的使用频次分布最小值；(f) 前m个预设周期内y个APP的使用频次分布中位值。或者，第m个预设周期的K个第一基模型的任务特征(2)可以包括：(c)前m个预设周期内y个APP的使用频次分布方差；(d)前 m个预设周期内y个APP的使用频次分布最大值；(e)前m个预设周期内y个APP的使用频次分布最小值；(f)前m个预设周期内y个APP的使用频次分布中位值。或者，第m个预设周期的K个第一基模型的任务特征(2)可以包括：(c)前m个预设周期内y个APP的使用频次分布方差。或者，第m个预设周期的K个第一基模型的任务特征(2)可以包括：(d)前m 个预设周期内y个APP的使用频次分布最大值；(e)前m个预设周期内y个APP的使用频次分布最小值；(f)前m个预设周期内y个APP的使用频次分布中位值。

可以理解，由于同一预设周期的不同第一基模型进行APP预选，所选择的APP可以不同，所选择的APP数量也可以不同；因此，第m个预设周期的K个第一基模型的任务特征(2)不同。

例如，示例性的，结合上述M＝2，手机中包括5个APP，m＝2，K＝3的实例。上述任务特征(2)(即前m个预设周期内APP的使用频次分布参数)包括：(c)前m个预设周期内APP 的使用频次分布方差。

假设第2个预设周期的第1个第一基模型进行APP预选，从APP-1、APP-2、APP-3和APP-4、 APP-5中选择出3个APP，如APP-2、APP-3和APP-4。第2个预设周期的第1个第一基模型的任务特征(2)则可以包括前2个预设周期内APP-2、APP-3和APP-4的使用频次分布方差。

假设第2个预设周期的第2个第一基模型进行APP预选，从APP-1、APP-2、APP-3和APP-4、 APP-5中选择出2个APP，如APP-2和APP-4。第2个预设周期的第2个第一基模型的任务特征(2)则可以包括前2个预设周期内APP-2和APP-4的使用频次分布方差。

假设第2个预设周期的第3个第一基模型进行APP预选，从APP-1、APP-2、APP-3和APP-4、 APP-5中选择出3个APP，如APP-1、APP-2和APP-3。第2个预设周期的第3个第一基模型的任务特征(2)则可以包括前2个预设周期内APP-1、APP-2和APP-3的使用频次分布方差。

其中，前2个预设周期内APP-2、APP-3和APP-4的使用频次分布方差、前2个预设周期内APP-2和APP-4的使用频次分布方差，以及前2个预设周期内APP-1、APP-2和APP-3的使用频次分布方差不同。因此，第2个预设周期的第1个第一基模型、第2个预设周期的第2 个第一基模型，以及第2个预设周期的第3个第一基模型的任务特征(2)不同。

当然，可能也会存在第m个预设周期的多个第一基模型(如两个或两个以上)的任务特征(2)相同的情况。例如，如果上述第2个预设周期的第1个第一基模型和第2个预设周期的第2个第一基模型进行APP预选，选择出相同的3个APP(如APP-2、APP-3和APP-4)；那么，第2个预设周期的第1个第一基模型和第2个预设周期的第2个第一基模型的任务特征 (2)则是相同的。但是，即使第2个预设周期的第1个第一基模型的任务特征(2)与第2 个预设周期的第2个第一基模型的任务特征(2)相同；这两个第一基模型的任务特征(1) 也可能是不同的。因此，第2个预设周期的第1个第一基模型和第2个预设周期的第2个第一基模型进行APP预测的性能不同。

需要说明的是，如果第m个预设周期的有多个第一基模型的任务特征(1)相同，且任务特征(2)相同，则表示第m个预设周期的多个第一基模型进行APP预测的性能相同。如果第m个预设周期的多个第一基模型进行APP预测的性能相同，且该多个第一基模型是第m个预设周期的K个第一基模型中、任务表现最好(即准确率最高)的基模型；那么，元模型则可以随机在该多个第一基模型中选择一个第一基模型作为第m+1个预设周期的预设基模型。如此，元模型还是可以从第m个预设周期的K个第一基模型中选择出预测性能最好的第一基模型，作为第m+1个预设周期的预设基模型。

综上所述，第m个预设周期的K个第一基模型进行APP预测的任务难度不同，任务表现不同；因此，第m个预设周期的K个第一基模型的性能不同。因此，本申请实施例中，如图 5所示，多个预设周期的K个第一基模型的任务特征可以用于训练元模型，使得元模型具备从K个第一基模型中选择出性能最好的基模型的能力。

S502、手机将第m个预设周期的K个第一基模型的任务特征作为训练样本，训练元模型，使元模型具备从K个第一基模型中选择出预设基模型的能力。

其中，预设基模型是第m个预设周期的K个第一基模型中，由元模型选择的在第m个预设周期内进行APP预测的准确率最高的第一基模型。

其中，m是按照由小到大的顺序依次在{1,2，……M-1，M}中取值的正整数。本申请实施例中的元模型是一种回归器模型。该回归器模型可以通过回归算法进行变量关系的运算。其中，回归算法是一种统计类机器学习算法。例如，常见的回归算法包括：最小二乘法(线性回归)算法，逻辑回归算法，逐步式回归算法或者多元自适应回归样条等。

示例性的，第m个预设周期的K个第一基模型的任务特征中，任务特征(2)和任务特征 (1)均可以作为元模型的训练样本中的输入，用于训练元模型。

需要说明的是，手机将第m个预设周期的K个第一基模型的任务特征作为训练样本，训练元模型的具体方法，可以参考常规技术中训练元模型的方法，本申请实施例这里不予赘述。

在手机执行上述阶段(1)之后，手机便可以得到第M个预设周期的K个第一基模型；在手机执行上述阶段(2)之后，手机便可以得到训练后的元模型。并且，在阶段(2)之后，手机还可以得到第M个预设周期的K个第一基模型的任务特征，该第M个预设周期的K个第一基模型的任务特征可用于元模型从第M个预设周期的K个第一基模型中，选择出第M+1个预设周期的预设基模型。具体的，在阶段(1)和阶段(2)之后，手机可以执行阶段(3)，将第M个预设周期的K个第一基模型的任务特征作为输入，运行元模型，从第M个预设周期的K个第一基模型中，选择出第M+1个预设周期的预设基模型；然后，运行该第M+1个预设周期的预设基模型，在第M+1个预设周期进行APP预测。具体的，如图3所示，上述阶段(3)，即模型使用阶段，可以包括S601-S604。如图6所示，上述阶段(3)，即模型使用阶段，可以包括S600-S604。

S600、手机采集N个APP的APP使用记录。

其中，电子设备可以在每个预设周期，采集N个APP的APP使用记录。其中，APP使用记录可以包括：使用APP的场景信息、应用信息和设备信息。该场景信息、应用信息和设备信息的详细描述，可以参考S301中的相关介绍，本申请实施例这里不予赘述。手机在一个预设周期采集N个APP的APP使用记录的方法，可以参考上述实施例对S301的详细描述，本实施例这里不予赘述。

S601、手机获取第M+p个预设周期的K个第一基模型。p是按照由小到大的顺序依次在 {0,1,2,3,4……}中取值的正整数。

示例性的，手机可获取第M+p个预设周期的K个第二基模型；然后将第m+p个预设周期内采集的APP使用记录作为训练样本，分别训练所述第M+p个预设周期的K个第二基模型，得到所述第M+p个预设周期的K个第一基模型。

需要说明的是，当p＝0时，手机可以不执行S601，而是直接使用执行S303得到的第M 个预设周期的K个第一基模型，执行S602。

当p≥1时，手机可以执行S601，获取第M+p个预设周期的K个第一基模型。其中，手机执行S601获取第M+p个预设周期的K个第一基模型的具体方法，可以参考上述实施例中对S302-S303和S303a-S303b的详细描述，本实施例这里不予赘述。

S602、手机从第M+p个预设周期的K个第一基模型中，选择出第M+p+1个预设周期的预设基模型。该第M+p+1个预设周期的预设基模型是第M+p个预设周期的K个第一基模型中的一个基模型。

在一种实现方式中，手机可从第M+p个预设周期的K个第一基模型中，随机选择一个第一基模型，作为第M+p+1个预设周期的预设基模型。

在另一种实现方式中，手机可以在第M+p个预设周期，分别运行第M+p个预设周期的K 个第一基模型，并统计每个第一基模型进行APP预测的准确率；然后，将进行APP预测的准确率最高的第一基模型作为第M+p+1个预设周期的预设基模型。

在另一种实现方式中，手机可运行上述元模型，从第M+p个预设周期的K个第一基模型中，选择出第M+p+1个预设周期的预设基模型。具体的，S602可以包括S602a-S602b。例如，如图7所示，图6所示的S602可以包括：S602a-S602b。

S602a、手机获取第M+p个预设周期的K个第一基模型的任务特征。

需要说明的是，当p＝0时，手机可以不执行S602a，而是直接使用执行S501得到的第M 个预设周期的K个第一基模型的任务特征，执行S602b。当p≥1时，手机可以执行S602a，获取第M+p个预设周期的K个第一基模型的任务特征。其中，手机执行S602a获取第M+p个预设周期的K个第一基模型的任务特征的具体方法，可以参考上述实施例中S501、 S501a-S501b的具体实现方法，本实施例这里不予赘述。

S602b、手机将第M+p个预设周期的K个第一基模型的任务特征作为输入，运行元模型，从第M+p个预设周期的K个第一基模型中，选择出第M+p+1个预设周期的预设基模型。

其中，第M+p+1个预设周期的预设基模型是第M+p个预设周期的K个第一基模型中进行 APP预测的准确率最高的基模型。

在一种实现方式中，手机将第M+p个预设周期的K个第一基模型的任务特征作为输入，运行元模型之后，元模型可以输出元模型预测的、第M+p个预设周期的K个第一基模型在第 M+p个预设周期进行APP预测的准确率。手机可以将第M+p个预设周期的K个第一基模型中、进行APP预测的准确率最高的第一基模型，确定为第M+p+1个预设周期的预设基模型。

在另一种实现方式中，手机将第M+p个预设周期的K个第一基模型的任务特征作为输入，运行元模型之后，元模型可以输出第M+p个预设周期的K个第一基模型中、在第M+p个预设周期进行APP预测的准确率最高的第一基模型的标识。元模型输出的标识对应的第一基模型是第M+p+1个预设周期的预设基模型。

S603、手机将第M+p+1个预设周期采集的第f条APP使用记录作为输入，运行第M+p+1 个预设周期的预设基模型，得到第M+p+1个预设周期的第f个第一预测结果，f为正整数。

S604、手机将第M+p+1个预设周期的第f个第一预测结果所指示的APP预加载至内存。

其中，第一预测结果的详细描述可以参考上述实施例对第二预测结果的介绍，本申请实施例这里不予赘述。

参考上述实施例对第二预测结果的介绍，可知：在实现方式(1)中，第M+p+1个预设周期的第f个第一预测结果可以包括：N个APP中每个APP下一次被用户使用的概率。该第一预测结果所指示的APP是N个APP中下一次被用户使用的概率最大的APP。

在实现方式(2)中，第M+p+1个预设周期的第f个第一预测结果可以包括：N个APP下一个被用户使用的概率中，最大的概率对应的APP的标识。

需要说明的是，在第M+p+1个预设周期内，手机可以执行S600采集到多条APP使用记录。具体的，响应于用户的启动操作启动一个APP后，手机便可以执行S600采集一条新的APP使用记录；然后，手机可以执行S603，将该新的APP使用记录作为输入，运行第M+p+1个预设周期的预设基模型，得到第一预测结果；最后，手机可以执行S604将第一预测结果所指示的 APP(预测APP)预加载至内存。由于第一预测结果所指示的APP已预加载至内存；因此，当手机接收到用户用于打开该预测APP的操作，响应于对该预测APP的启动操作，便可以快速启动预测APP。手机启动预测APP后，手机便又可以执行S600采集一条新的APP使用记录；然后，手机可以继续执行S603-S604，进行APP预测和预加载。

本申请实施例中，由电子设备统计用户的APP使用记录，并根据APP使用记录运行从多个第一基模型中选择的预设基模型进行APP预测。而不是由服务器统计数据。这样，可以保护用户的隐私不被泄露，提升用户信息的安全性。

并且，每个电子设备可以统计使用该电子设备的APP使用记录。其中，不同用户使用APP 的习惯不同；因此，不同电子设备所统计的数据则不同。不同电子设备所统计的数据可以体现出对应用户使用APP的习惯；因此，一个电子设备采用该电子设备统计的数据，运行基模型预测对应用户下一个将启动的APP，可以智能的提升该电子设备进行APP预测的准确率。

进一步的，本申请实施例中，不同预设周期可以进行APP预测所使用的基模型可能不同。具体的，元模型可以根据前一个预设周期的K个第一基模型进行APP预测的性能(如任务难度和任务表现)，从K个第一基模型中选择出一个预测性能最好的第一基模型，作为下一个预设周期的预设基模型。这样，可以进一步提升手机进行APP预测的准确率。

需要说明的是，虽然手机在每个预设周期(如第M+p+1个预设周期)内，只会使用元模型选择出的预设基模型(即一个第一基模型)的预测结果。但是，在每个预设周期的K个第一基模型都会进行APP预测。根据每个预设周期的K个第一基模型进行APP预测的结果，手机可以统计到该预设周期K个第一基模型的任务特征(1)，该任务特征(1)可以作为元模型的输入，为下一个预设周期选择预设基模型。当然，元模型的输入不仅包括任务特征(1)，还包括任务特征(2)。

例如，手机执行S602a，获取的第M+p个预设周期的K个第一基模型的任务特征，包括：第M+p个预设周期的K个第一基模型的任务特征(1)。该任务特征(1)是第M+p个预设周期的K个第一基模型所对应的K个第一预测参数，用于表征第M+p个预设周期的K个第一基模型进行APP预测的任务表现(即准确率)。

在一些实施例中，在第M+p+1个预设周期结束时，手机还可以根据前M+p个预设周期的 K第一基模型的模型参数，确定第M+p+1个预设周期的K个第二基模型的模型参数。然后，手机可以训练第M+p+1个预设周期的K个第二基模型，得到第M+p+1个预设周期的K个第一基模型。其中，第M+p+1个预设周期的K个第一基模型中预测性能最好的第一基模型，可以用于在第M+p+2个预设周期进行APP预测。具体的，在上述S601之后，上述方法还可以包括：手机将第M+p+1个预设周期内采集的APP使用记录作为训练样本，分别训练第M+p+1个预设周期的K个第二基模型，得到第M+p+1个预设周期的K个第一基模型。

需要说明的是，手机得到第M+p+1个预设周期的K个第一基模型的具体方法，可以参考上述实施例的S303中“手机将第m个预设周期内采集的APP使用记录作为训练样本，分别训练第m个预设周期的K个第二基模型，得到第m个预设周期的K个第一基模型”的具体描述，本申请实施例这里不予赘述。

本申请实施例中，手机在使用基模型进行APP预测的过程中，还可以周期性的使用各个预设周期采集的APP使用记录训练基模型。这样，可以提升基模型进行APP预测的准确率。

进一步的，在第M+p+1个预设周期结束时，手机还可以将第M+p+1个预设周期的K个第一基模型的任务特征作为训练样本，训练元模型。具体的，上述方法还可以包括：手机获取第M+p+1个预设周期的K个第一基模型的任务特征，并将第M+p+1个预设周期的K个第一基模型的任务特征作为训练样本，训练元模型。

其中，手机执行将第M+p+1个预设周期的K个第一基模型的任务特征作为训练样本，训练得到的元模型，用于在从第M+p+1个预设周期的K个第一基模型中，选择出第M+p+2个预设周期的预设基模型。

本申请实施例中，手机可以将前一个预设周期的K个第一基模型的任务特征作为训练样本，训练元模型。这样，可以提升元模型预测下一个周期的预测性能最好的第一基模型的准确率，从而可以智能的提升手机进行APP预测的准确率。

上述实施例中，手机可先执行上述阶段(1)，对预设结构的K个贝叶斯网络进行模型训练，得到第M个预设周期的K个第一基模型。同时，手机可执行阶段(2)，对元模型进行模型训练，得到具备从多个基模型中选择出预设基模型(即进行APP预测的准确率最高的基模型)的能力的元模型。阶段(1)和阶段(2)之后，手机可执行阶段(3)，运行元模型从第 M个预设周期的K个第一基模型中，选择出第M+1个预设周期的预设基模型；再运行该第M+1 个预设周期的预设基模型进行APP预测和预加载。

需要注意的是，上述实施例中，在阶段(3)，手机进行APP预测所使用的基模型(如第 M+1个预设周期的预设基模型)是经过M个预设周期的模型训练得到的。需要说明的是，虽然在前M个预设周期，手机不进行APP预测；但是，经过M个预设周期的模型训练(如基模型的模型训练)，可以提升基模型进行APP预测的准确率。因此，从M+1个预设周期开始，采用经过M个预设周期的模型训练的基模型进行APP预测，可以智能的提升电子设备进行APP 预测的准确率。

而在另一些实施例中，手机可以使用未经过模型训练的K个基模型(即K个不同的贝叶斯网络)进行APP预测。例如，如图8所示，本申请实施例的方法可以包括S801-S810。

S801、手机采集N个APP的APP使用记录。

其中，手机采集N个APP的APP使用记录的方法，可以参考上述实施例对S301的详细描述，本实施例这里不予赘述。

S802、手机随机从未训练的K个第一基模型中，选择出第M+1个预设周期的预设基模型。

其中，上述未训练的K个第一基模型是第M个预设周期的K个第一基模型。该第M个预设周期的K个第一基模型是预设的K个不同的贝叶斯网络。

S803、手机将第M+1个预设周期内采集的第f条APP使用记录作为输入，运行第M+1个预设周期的预设基模型，得到第M+1个预设周期的第一预测结果。其中，f为正整数。

S804、手机将第M+1个预设周期的第一预测结果所指示的APP预加载至内存。

需要说明的是，S802-S804的详细描述，可以参考上述实施例中对S603-S604的描述，本申请实施例这里不予赘述。

S805、手机获取第M+p+1个预设周期的K个第二基模型。其中，第M+p+1个预设周期的K个第二基模型是由前M+p个预设周期的K个第一基模型得到的。p是按照由小到大的顺序依次在{0,1,2,3,4……}中取值的正整数。

S806、手机将第M+p+1个预设周期内采集的APP使用记录作为训练样本作为输入，分别训练所述第M+p+1个预设周期的K个第二基模型，得到第M+p+1个预设周期的K个第一基模型。

需要说明的是，S805-S806的详细描述，可以参考上述实施例中对S302-S303的描述，本申请实施例这里不予赘述。

S807、手机获取第M+p+1个预设周期的K个第一基模型的任务特征，并将第M+p+1个预设周期的K个第一基模型的任务特征作为训练样本，训练元模型。

需要说明的是，S807的详细描述，可以参考上述实施例中对S501-S502的描述，本申请实施例这里不予赘述。S807中的元模型可以是阶段(2)的模型训练得到的元模型；或者， S807中的元模型也可以是未经过模型的一种回归器模型。本实施例对此不作限制。

S808、手机将第M+p+1个预设周期的K个第一基模型的任务特征作为输入，运行元模型，从第M+p+1个预设周期的K个第一基模型中，选择出第M+p+2个预设周期的预设基模型。

其中，手机可获取第M+p+1个预设周期的K个第一基模型的任务特征，并将第M+p+1个预设周期的K个第一基模型的任务特征作为输入，运行元模型之后，元模型可以输出元模型预测的、第M+p+1个预设周期的K个第一基模型在第M+p+2个预设周期进行APP预测的准确率。手机可以将第M+p+1个预设周期的K个第一基模型中、进行APP预测的准确率最高的第一基模型，确定为第M+p+2个预设周期的预设基模型。

S809、手机将第M+p+2个预设周期内采集的第f条APP使用记录作为输入，运行第M+p+2 个预设周期的预设基模型，得到第M+p+2个预设周期的第一预测结果。

S810、手机将第M+p+2个预设周期的第一预测结果所指示的APP预加载至内存。

其中，S809-S810的详细描述，可以参考上述实施例中对S603-S604的描述，本申请实施例这里不予赘述。

本申请实施例中，手机可以使用未经过模型训练的K个基模型(即K个不同的贝叶斯网络)进行APP预测。而不是经过M个预设周期的模型训练后，使用训练后的基模型进行APP 预测。这样，不需要等待M个预设周期，从手机出厂后第一次开机被用户使用开始，该手机便可以进行APP预测和预加载，为用户提供APP的预加载服务。

并且，本实施例中，由手机统计用户使用APP的相关数据，并将统计的数据作为训练样本对基模型进行模型训练；而不是由服务器统计数据并进行模型训练。这样，可以保护用户的隐私不被泄露，提升用户信息的安全性。

每个手机可以统计使用该手机的用户使用APP的相关数据。其中，不同用户使用APP的习惯不同；因此，不同手机所统计的数据则不同。不同手机所统计的数据可以体现出对应用户使用APP的习惯；因此，一个手机采用该手机统计的数据对基模型进行模型训练，然后通过训练后的基模型预测对应用户下一个将启动的APP，可以智能的提升该手机进行APP预测的准确率。

进一步的，本申请实施例中，不同预设周期可以进行APP预测所使用的基模型可能不同。具体的，元模型可以根据前一个预设周期的K个第二基模型进行APP预测的性能(如任务难度和任务表现)，从K个第二基模型中选择出一个预测性能最好的第二基模型，作为下一个预设周期的预设基模型。这样，可以进一步提升手机进行APP预测的准确率。

在一些实施例中，在上述第一种情况(即K＝1的情况)下，手机每个预设周期只训练一个第二基模型，得到一个第一基模型。在这种情况下，从第M+p个预设周期开始，手机可以直接使用第M+p个预设周期的第一基模型，预测第M+p+1个预设周期内下一个可能被使用的APP。手机不需要通过元模型，选择用于预测APP的基模型。因此，手机不需要获取用于训练元模型的训练样本。并且，在阶段(3)中，手机可以直接执行以下步骤：手机在第M+p+1个预设周期内，采集APP使用记录；手机将第M+p+1个预设周期内采集的第f条APP使用记录作为输入，运行第M+p个预设周期的第一基模型，得到第一预测结果；手机将第一预测结果所指示的APP预加载至内存。其中，f为正整数。

可以理解的是，上述电子设备(如手机)为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请实施例的范围。

本申请实施例可以根据上述方法示例对上述电子设备(如手机)进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

图9示出了上述实施例中所涉及的电子设备的一种可能的结构示意图。如图9所示，电子设备900可以包括基模型预训练模块901、元模型预训练模块902和APP预测模块(也称为模型使用模块)903。

其中，基模型预训练模块901用于对预设结构的K个贝叶斯网络进行模型训练，K为正整数。例如，基模型预训练模块901用于支持电子设备900执行上述实例中的S301，S302，S303，S303a-S303b，和/或用于本文所描述的技术的其它过程。

元模型预训练模块902用于对元模型进行模型训练。例如，元模型预训练模块902用于支持电子设备900执行上述实例中的S301，S501，S501a-S501b，S502，和/或用于本文所描述的技术的其它过程。

APP预测模块903用于使用训练得到的元模型和基模型预测用户下一个将启动的APP。例如，APP预测模块903用于支持电子设备900执行上述实例中的S301，S600，S601-S604， S602a-S602b，S801-S810，和/或用于本文所描述的技术的其它过程。

进一步的，APP预测模块903还用于在进行APP预测的过程中，训练基模型。APP预测模块903还用于在进行APP预测的过程中，训练元模型。

在采用集成的单元的情况下，上述电子设备900的基模型预训练模块901、元模型预训练模块902和APP预测模块903的功能可以集成在处理模块中实现。上述元模型和基模型(如第一基模型或第二基模型)可以保存在存储模块中。当然，电子设备900的单元模块包括但不限于上述处理模块和存储模块。例如，该电子设备900还可以包括显示模块。该显示模块可以用于显示手机响应于用户的操作所启动的APP的界面。

例如，处理模块可以为一个或多个处理器(如图2所示的处理器210)，存储模块可以为存储器(如图2所示的内部存储器221)。显示模块可以为显示屏(如图2所示的显示屏294)。其中，上述一个或多个处理器、存储器和显示屏等可以连接在一起，例如通过总线连接。上述存储器用于存储计算机程序代码，该计算机程序代码包括计算机指令。当处理器执行计算机指令时，电子设备可执行上述方法实施例中手机执行的各个功能或者步骤。该电子设备的结构可以参考图2所示的电子设备200的结构。

本申请实施例还提供一种芯片系统，如图10所示，该芯片系统包括至少一个处理器1001 和至少一个接口电路1002。处理器1001和接口电路1002可通过线路互联。例如，接口电路 1002可用于从其它装置(例如电子设备的存储器)接收信号。又例如，接口电路1002可用于向其它装置(例如处理器1001)发送信号。示例性的，接口电路1002可读取存储器中存储的指令，并将该指令发送给处理器1001。当所述指令被处理器1001执行时，可使得电子设备(如图2所示的电子设备200)执行上述实施例中的各个步骤。当然，该芯片系统还可以包含其他分立器件，本申请实施例对此不作具体限定。

本申请实施例还提供一种计算机存储介质，该计算机存储介质包括计算机指令，当所述计算机指令在上述电子设备(如图2所示的电子设备200)上运行时，使得该电子设备执行上述方法实施例中手机执行的各个功能或者步骤。

本申请实施例还提供一种计算机程序产品，当所述计算机程序产品在计算机上运行时，使得所述计算机执行上述方法实施例中手机执行的各个功能或者步骤。

通过以上实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等) 或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims

1.一种应用的预加载方法，其特征在于，应用于电子设备，所述电子设备中包括N个应用APP，N≥2，N为正整数，所述方法包括：

所述电子设备采集所述N个APP的APP使用记录；

所述电子设备获取第M个预设周期的K个第一基模型，其中，M为正整数，所述第M个预设周期的K个第一基模型是贝叶斯网络；

所述电子设备从所述第M个预设周期的K个第一基模型中，选择出第M+1个预设周期的预设基模型，其中，所述第M+1个预设周期的预设基模型是所述第M个预设周期的K个第一基模型中的一个基模型；

所述电子设备将所述第M+1个预设周期采集的第f条APP使用记录作为输入，运行所述第M+1个预设周期的预设基模型，得到所述第M+1个预设周期的第一预测结果，其中，f为正整数，所述第一预测结果用于指示所述N个APP中、下一个被用户使用的概率最大的APP；

所述电子设备将所述第M+1个预设周期的第一预测结果所指示的APP加载至内存；

所述电子设备获取第M个预设周期的K个第一基模型，包括：所述电子设备获取第m个预设周期的K个第二基模型，m是按照由小到大的顺序依次在{1,2，……M-1，M}中取值的正整数，当m=1时，所述第m个预设周期的K个第二基模型是预设的K个不同的贝叶斯网络，当m≥2时，所述第m个预设周期的K个第二基模型是由前m-1个预设周期的K个第一基模型得到的；

所述电子设备将所述第m个预设周期内采集的APP使用记录作为训练样本，分别训练所述第m个预设周期的K个第二基模型，得到所述第m个预设周期的K个第一基模型。

2.根据权利要求1所述的方法，其特征在于，当m≥2时，所述电子设备获取第m个预设周期的K个第二基模型，包括：

所述电子设备针对前m-1个预设周期的K个第一基模型中的每个第一基模型，分别执行以下操作，以得到所述第m个预设周期的K个第二基模型：

根据所述前m-1个预设周期的第j个第一基模型的模型参数，乘以预设衰减因子Q，计算所述第m个预设周期的第j个第二基模型的模型参数，得到所述第m个预设周期的第j个第二基模型，其中Q<1。

3.根据权利要求1-2中任一项所述的方法，其特征在于，所述电子设备中包括元模型，所述元模型具备从多个基模型中选择出进行APP预测的准确率最高的基模型的能力，所述元模型是一种回归器模型；

所述电子设备从所述第M个预设周期的K个第一基模型中，选择出第M+1个预设周期的预设基模型，包括：

所述电子设备获取所述第M个预设周期的K个第一基模型的任务特征，其中，所述第M个预设周期的第j个第一基模型的任务特征，用于表征所述第M个预设周期的第j个第一基模型进行APP预测的性能，j为1-K中任一正整数；

所述电子设备将所述第M个预设周期的K个第一基模型的任务特征作为输入，运行所述元模型，从所述第M个预设周期的K个第一基模型中，选择出所述第M+1个预设周期的预设基模型，其中，所述第M+1个预设周期的预设基模型是所述第M个预设周期的K个第一基模型中进行APP预测的准确率最高的基模型。

4.根据权利要求3所述的方法，其特征在于，所述电子设备获取所述第M个预设周期的K个第一基模型的任务特征，包括：

所述电子设备针对所述第M个预设周期的K个第一基模型中的每个第一基模型执行以下操作，以得到所述第M个预设周期的K个第一基模型的任务特征：

将所述第M个预设周期内采集的H条APP使用记录作为输入，运行所述第M个预设周期的第j个第一基模型，得到H个第二预测结果，H≥2，H为正整数；

根据所述第M个预设周期内采集的H条APP使用记录对应的APP的标识，以及所述H个第二预测结果，获得所述第M个预设周期的第j个第一基模型的第一预测参数，其中，所述第一预测参数用于表征所述第M个预设周期的第j个第一基模型进行APP预测的准确率；

获取前M个预设周期内、所述N个APP的使用频次分布参数，其中，所述使用频次分布参数用于表征所述第M个预设周期的第j个第一基模型进行APP预测的任务难度；

其中，所述第M个预设周期的K个第一基模型的任务特征包括：所述第M个预设周期的K个第一基模型的第一预测参数，以及所述使用频次分布参数。

5.根据权利要求4所述的方法，其特征在于，所述使用频次分布参数至少包括以下任一种参数：前M个预设周期内、所述N个APP的使用频次分布方差；前M个预设周期内N个APP的使用频次分布最大值；前M个预设周期内N个APP的使用频次分布最小值；前M个预设周期内N个APP的使用频次分布中位值。

6.根据权利要求4-5中任一项所述的方法，其特征在于，在所述电子设备将所述第M个预设周期的K个第一基模型的任务特征作为输入，运行所述元模型，从所述第M个预设周期的K个第一基模型中，选择出所述第M+1个预设周期的预设基模型之前，所述方法还包括：

所述电子设备将第m个预设周期的K个第一基模型的任务特征作为训练样本，训练所述元模型，使所述元模型具备从多个基模型中选择出进行APP预测的准确率最高的基模型的能力，其中，m是按照由小到大的顺序依次在{1,2，……M-1，M}中取值的正整数。

7.根据权利要求3所述的方法，其特征在于，在所述电子设备将所述第M个预设周期的K个第一基模型的任务特征作为输入，运行所述元模型，从所述第M个预设周期的K个第一基模型中，选择出所述第M+1个预设周期的预设基模型之前，所述方法还包括：

8.根据权利要求1-2、4-5、7中任一项所述的方法，其特征在于，所述方法还包括：

所述电子设备获取所述第M+1个预设周期的K个第二基模型，其中，所述第M+1个预设周期的K个第二基模型是由前M个预设周期的K个第一基模型得到的；

所述电子设备将所述第M+1个预设周期内采集的APP使用记录作为训练样本作为输入，分别训练所述第M+1个预设周期的K个第二基模型，得到所述第M+1个预设周期的K个第一基模型；

所述电子设备获取所述第M+1个预设周期的K个第一基模型的任务特征，并将所述第M+1个预设周期的K个第一基模型的任务特征作为训练样本，训练元模型；

所述电子设备将所述第M+1个预设周期的K个第一基模型的任务特征作为输入，运行所述元模型，从所述第M+1个预设周期的K个第一基模型中，选择出所述第M+2个预设周期的预设基模型，其中，所述第M+2个预设周期的预设基模型是所述第M+1个预设周期的K个第一基模型中进行APP预测的准确率最高的基模型；

所述电子设备将所述第M+2个预设周期采集的第f条APP使用记录作为输入，运行所述第M+2个预设周期的预设基模型，得到第M+2个预设周期的第一预测结果；

所述电子设备将所述第M+2个预设周期的第一预测结果所指示的APP加载至内存。

9.根据权利要求3所述的方法，其特征在于，所述方法还包括：

10.一种应用的预加载方法，其特征在于，应用于电子设备，所述电子设备中包括N个应用APP，N≥2，N为正整数，所述方法包括：

所述电子设备采集所述N个APP的APP使用记录；

所述电子设备随机从第M个预设周期的K个第一基模型中，选择出第M+1个预设周期的预设基模型，M为正整数；其中，所述第M个预设周期的K个第一基模型是预设的K个不同的贝叶斯网络；

所述电子设备将所述第M+1个预设周期采集的第f条APP使用记录作为输入，运行所述第M+1个预设周期的预设基模型，得到第M+1个预设周期的第一预测结果，f为正整数；

所述电子设备将所述第M+1个预设周期的第一预测结果所指示的APP预加载至内存；

所述电子设备获取所述第M+1个预设周期的K个第一基模型的任务特征，并将所述第M+1个预设周期的K个第一基模型的任务特征作为训练样本，训练元模型，其中，所述元模型具备从多个基模型中选择出进行APP预测的准确率最高的基模型的能力，所述元模型是一种回归器模型，所述第M+1个预设周期的第j个第一基模型的任务特征，用于表征所述第M+1个预设周期的第j个第一基模型进行APP预测的性能，j为1-K中任一正整数；

所述电子设备将所述第M+1个预设周期的K个第一基模型的任务特征作为输入，运行所述元模型，从所述第M+1个预设周期的K个第一基模型中，选择出第M+2个预设周期的预设基模型，其中，所述第M+2个预设周期的预设基模型是所述第M+1个预设周期的K个第一基模型中进行APP预测的准确率最高的基模型；

11.一种电子设备，其特征在于，所述电子设备中包括N个应用APP，N≥2，N为正整数；所述电子设备包括：存储器、显示屏和一个或多个处理器；所述存储器、所述显示屏与所述处理器耦合；所述显示屏用于显示APP的界面；

其中，所述存储器用于存储计算机程序代码，所述计算机程序代码包括计算机指令；当所述计算机指令被所述处理器执行时，使得所述电子设备执行以下操作：

采集所述N个APP的APP使用记录；

获取第M个预设周期的K个第一基模型，其中，M为正整数，所述第M个预设周期的K个第一基模型是贝叶斯网络；

从所述第M个预设周期的K个第一基模型中，选择出第M+1个预设周期的预设基模型，其中，所述第M+1个预设周期的预设基模型是所述第M个预设周期的K个第一基模型中的一个基模型；

将所述第M+1个预设周期采集的第f条APP使用记录作为输入，运行所述第M+1个预设周期的预设基模型，得到所述第M+1个预设周期的第一预测结果，其中，f为正整数，所述第一预测结果用于指示所述N个APP中、下一个被用户使用的概率最大的APP；

将所述第M+1个预设周期的第一预测结果所指示的APP加载至内存；

所述获取第M个预设周期的K个第一基模型，包括：获取第m个预设周期的K个第二基模型，其中，m是按照由小到大的顺序依次在{1,2，……M-1，M}中取值的正整数，当m=1时，所述第m个预设周期的K个第二基模型是预设的K个不同的贝叶斯网络，当m≥2时，所述第m个预设周期的K个第二基模型是由前m-1个预设周期的K个第一基模型得到的；

将所述第m个预设周期内采集的APP使用记录作为训练样本，分别训练所述第m个预设周期的K个第二基模型，得到所述第m个预设周期的K个第一基模型。

12.根据权利要求11所述的电子设备，其特征在于，当所述计算机指令被所述处理器执行时，使得所述电子设备还执行以下步骤：

当m≥2时，针对前m-1个预设周期的K个第一基模型中的每个第一基模型，分别执行以下操作，以得到所述第m个预设周期的K个第二基模型：

根据所述前m-1个预设周期的第j个第一基模型的模型参数，乘以预设衰减因子Q，计算所述第m个预设周期的第j个第二基模型的模型参数，得到所述第m个预设周期的第j个第二基模型，Q<1。

13.根据权利要求11-12中任一项所述的电子设备，其特征在于，所述电子设备中包括元模型，所述元模型具备从多个基模型中选择出进行APP预测的准确率最高的基模型的能力，所述元模型是一种回归器模型；

当所述计算机指令被所述处理器执行时，使得所述电子设备还执行以下步骤：

获取所述第M个预设周期的K个第一基模型的任务特征，其中，所述第M个预设周期的第j个第一基模型的任务特征，用于表征所述第M个预设周期的第j个第一基模型进行APP预测的性能，j为1-K中任一正整数；

将所述第M个预设周期的K个第一基模型的任务特征作为输入，运行所述元模型，从所述第M个预设周期的K个第一基模型中，选择出所述第M+1个预设周期的预设基模型，其中，所述第M+1个预设周期的预设基模型是所述第M个预设周期的K个第一基模型中进行APP预测的准确率最高的基模型。

14.根据权利要求13所述的电子设备，其特征在于，当所述计算机指令被所述处理器执行时，使得所述电子设备还执行以下步骤：

针对所述第M个预设周期的K个第一基模型中的每个第一基模型执行以下操作，以得到所述第M个预设周期的K个第一基模型的任务特征：

15.根据权利要求14所述的电子设备，其特征在于，所述使用频次分布参数至少包括以下任一种参数：前M个预设周期内、所述N个APP的使用频次分布方差；前M个预设周期内N个APP的使用频次分布最大值；前M个预设周期内N个APP的使用频次分布最小值；前M个预设周期内N个APP的使用频次分布中位值。

16.根据权利要求14-15中任一项所述的电子设备，其特征在于，当所述计算机指令被所述处理器执行时，使得所述电子设备还执行以下步骤：

在将所述第M个预设周期的K个第一基模型的任务特征作为输入，运行所述元模型，从所述第M个预设周期的K个第一基模型中，选择出所述第M+1个预设周期的预设基模型之前，将第m个预设周期的K个第一基模型的任务特征作为训练样本，训练所述元模型，使所述元模型具备从多个基模型中选择出进行APP预测的准确率最高的基模型的能力，其中，m是按照由小到大的顺序依次在{1,2，……M-1，M}中取值的正整数。

17.根据权利要求13所述的电子设备，其特征在于，当所述计算机指令被所述处理器执行时，使得所述电子设备还执行以下步骤：

18.根据权利要求11-12、14-15、17中任一项所述的电子设备，其特征在于，当所述计算机指令被所述处理器执行时，使得所述电子设备还执行以下步骤：

获取所述第M+1个预设周期的K个第二基模型，其中，所述第M+1个预设周期的K个第二基模型是由前M个预设周期的K个第一基模型得到的；

将所述第M+1个预设周期内采集的APP使用记录作为训练样本作为输入，分别训练所述第M+1个预设周期的K个第二基模型，得到所述第M+1个预设周期的K个第一基模型；

获取所述第M+1个预设周期的K个第一基模型的任务特征，并将所述第M+1个预设周期的K个第一基模型的任务特征作为训练样本，训练元模型；

将所述第M+1个预设周期的K个第一基模型的任务特征作为输入，运行所述元模型，从所述第M+1个预设周期的K个第一基模型中，选择出所述第M+2个预设周期的预设基模型，其中，所述第M+2个预设周期的预设基模型是所述第M+1个预设周期的K个第一基模型中进行APP预测的准确率最高的基模型；

将所述第M+2个预设周期采集的第f条APP使用记录作为输入，运行所述第M+2个预设周期的预设基模型，得到第M+2个预设周期的第一预测结果；

将所述第M+2个预设周期的第一预测结果所指示的APP加载至内存。

19.根据权利要求13所述的电子设备，其特征在于，当所述计算机指令被所述处理器执行时，使得所述电子设备还执行以下步骤：

20.一种电子设备，其特征在于，所述电子设备中包括N个应用APP，N≥2，N为正整数；所述电子设备包括：存储器、显示屏和一个或多个处理器；所述存储器、所述显示屏与所述处理器耦合；所述显示屏用于显示APP的界面；

采集所述N个APP的APP使用记录；

随机从第M个预设周期的K个第一基模型中，选择出第M+1个预设周期的预设基模型，M为正整数；其中，所述第M个预设周期的K个第一基模型是预设的K个不同的贝叶斯网络；

将所述第M+1个预设周期采集的第f条APP使用记录作为输入，运行所述第M+1个预设周期的预设基模型，得到第M+1个预设周期的第一预测结果，f为正整数；

将所述第M+1个预设周期的第一预测结果所指示的APP预加载至内存；

获取所述第M+1个预设周期的K个第一基模型的任务特征，并将所述第M+1个预设周期的K个第一基模型的任务特征作为训练样本，训练元模型，其中，所述元模型具备从多个基模型中选择出进行APP预测的准确率最高的基模型的能力，所述元模型是一种回归器模型，所述第M+1个预设周期的第j个第一基模型的任务特征，用于表征所述第M+1个预设周期的第j个第一基模型进行APP预测的性能，j为1-K中任一正整数；

将所述第M+1个预设周期的K个第一基模型的任务特征作为输入，运行所述元模型，从所述第M+1个预设周期的K个第一基模型中，选择出第M+2个预设周期的预设基模型，其中，所述第M+2个预设周期的预设基模型是所述第M+1个预设周期的K个第一基模型中进行APP预测的准确率最高的基模型；

21.一种芯片系统，其特征在于，所述芯片系统应用于包括存储器和显示屏的电子设备；所述芯片系统包括一个或多个接口电路和一个或多个处理器；所述接口电路和所述处理器通过线路互联；所述接口电路用于从所述存储器接收信号，并向所述处理器发送所述信号，所述信号包括所述存储器中存储的计算机指令；当所述处理器执行所述计算机指令时，所述电子设备执行如权利要求1-10中任一项所述的方法。

22.一种计算机可读存储介质，其特征在于，包括计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行如权利要求1-10中任一项所述的方法。