CN112463205A - 基于ai和大数据的应用程序管理方法及人工智能服务器 - Google Patents

Abstract

本发明的基于AI和大数据的应用程序管理方法及人工智能服务器，能够首先对采用既有触控检测线程解析到的不同用户操作行为数据进行触控区域分析，得到不同的触控区域分布信息，其次通过这些触控区域分布信息确定操作行为画像，进而分析和预测后续用于用户操作解析的目标触控检测线程，以确定出用于进行服务功能调整的应用程序配置结果。还能够根据应用程序配置结果和不同用户操作行为数据进行目标应用程序的数据兼容性分析，从而实现应用程序配置结果的修正，确保智能业务终端在基于修正得到的目标配置结果进行目标应用程序的服务功能调整之后，在进行服务功能调整时能够兼容不同功能模块之间数据处理的协同性，确保目标应用程序的正常使用。

Description

基于AI和大数据的应用程序管理方法及人工智能服务器

技术领域

本申请涉及人工智能、大数据和应用程序技术领域，具体而言，涉及一种基于AI和大数据的应用程序管理方法及人工智能服务器。

背景技术

随着科技的快速发展，智能业务终端的功能越来越强大。现目前，诸如手机、平板电脑、笔记本电脑等智能业务终端能够实现办公、娱乐、休闲的一体化。

应用程序（Application，APP）指为完成某项或多项特定工作的计算机程序，它运行在用户模式，可以和用户进行交互，具有可视的用户界面。安装在智能业务终端上的不同应用程序能够满足用户的不同需求。在一些业务场景下，可能需要对应用程序进行个性化定制以进一步满足不同用户。

然而，常见的针对智能目标业务终端的应用程序调整技术难以确保应用程序在调整后的正常、顺利运行。

发明内容

本申请的第一个方面公开了一种基于AI和大数据的应用程序管理方法，所述方法包括：

统计第一用户操作行为数据的第一触控区域分布信息和第二用户操作行为数据的第二触控区域分布信息，其中，所述第一用户操作行为数据和所述第二用户操作行为数据是由智能业务终端采用不同触控检测线程对用户操作解析得到；

基于所述第一触控区域分布信息和所述第二触控区域分布信息，确定所述用户操作的操作行为画像；

基于所述操作行为画像确定所述智能业务终端后续解析的目标触控检测线程，并按照所述目标触控检测线程确定所述智能业务终端的应用程序配置结果；其中，所述应用程序配置结果用于指示所述智能业务终端对目标应用程序进行服务功能调整；

根据所述应用程序配置结果、所述第一用户操作行为数据以及所述第二用户行为操作数据确定所述目标应用程序的数据兼容结果；通过所述数据兼容结果对所述应用程序配置结果进行修正得到目标配置结果，将所述目标配置结果下发给所述智能业务终端。

优选地，所述操作行为画像和/或所述目标触控检测线程的确定还基于所述用户操作的操作时段；

所述基于所述第一触控区域分布信息和所述第二触控区域分布信息，确定所述用户操作的操作行为画像，包括：

利用所述第一触控区域分布信息获得第一初始操作行为画像；

根据所述第二用户操作行为数据的操作行为轨迹特征获得所述第一用户操作行为数据中不同操作热度的时序权重，并利用所述不同操作热度的时序权重对所述不同操作热度的操作行为标签进行第二标签属性识别，得到第二初始操作行为画像；其中，当所述第二用户操作行为数据为持续性操作数据时所述操作行为轨迹特征为连续性特征序列，当所述第二用户操作行为数据为间断性操作数据时所述操作行为轨迹特征为分布式特征列表；对所述第一初始操作行为画像和所述第二初始操作行为画像进行第一标签属性识别，得到所述用户操作的操作行为画像；

其中，所述操作行为画像的确定还基于所述用户操作的操作时段；所述对所述第一初始操作行为画像和所述第二初始操作行为画像进行第一标签属性识别，得到所述用户操作的操作行为画像，包括：

由所述用户操作的操作时段分别确定所述第一初始操作行为画像和所述第二初始操作行为画像的时序权重；基于所述确定的时序权重，对所述第一初始操作行为画像和所述第二初始操作行为画像进行第一标签属性识别，得到所述用户操作的操作行为画像。

优选地，所述利用所述第一触控区域分布信息获得第一初始操作行为画像，包括：

将所述第一用户操作行为数据中每个行为数据集按照操作行为标签进行排序，并按照排序结果将所述第一用户操作行为数据中的行为数据集划分为多个操作热度聚类；

对所述多个操作热度聚类的操作行为标签进行画像特征识别，得到所述第一初始操作行为画像。

优选地，所述根据所述第二用户操作行为数据的操作行为轨迹特征获得所述第一用户操作行为数据中不同操作热度的时序权重，包括：

利用对应所述操作热度的第一设定的映射关系，获得与所述第二用户操作行为数据的操作行为轨迹特征相映射的时序权重；将与所述第二用户操作行为数据的操作行为轨迹特征相映射的时序权重以及所述操作热度在所述第一用户操作行为数据所占的百分比进行加权，得到所述操作热度的时序权重；

其中，所述第一标签属性识别为属性特征提取；所述第二标签属性识别为属性特征筛分；在所述第一用户操作行为数据的多个操作热度中，以操作行为标签不为最大识别度识别度或最小识别度的一个操作热度作为中间操作热度；操作行为标签的识别度大于所述中间操作热度的操作行为标签的识别度的操作热度为高操作热度，操作行为标签的识别度小于所述中间操作热度的操作行为标签的识别度的操作热度为低操作热度；

当所述第二用户操作行为数据为间断性操作数据时，所述高操作热度对应的第一设定的映射关系表示所述分布式特征列表越集中，则映射的时序权重越小，所述低操作热度对应的第一设定的映射关系表示所述分布式特征列表越分散，则映射的时序权重越大；

当所述第二用户操作行为数据为持续性操作数据时，所述高操作热度对应的第一设定的映射关系表示所述连续性特征序列越短，则映射的时序权重越大，所述低操作热度对应的第一设定的映射关系表示所述连续性特征序列越长，则映射的时序权重越小。

优选地，在所述根据所述第二用户操作行为数据的操作行为轨迹特征获得所述第一用户操作行为数据中不同操作热度的时序权重，并利用所述不同操作热度的时序权重对所述不同操作热度的操作行为标签进行第二标签属性识别，得到第二初始操作行为画像之前，所述方法还包括：

统计所述第二用户操作行为数据中每个操作行为标签的行为数据集的关联分布；

利用第二设定的映射关系，获得分别与所述操作行为标签映射的时序权重；其中，当所述第二用户操作行为数据为间断性操作数据时，所述第二设定的映射关系表示所述操作行为标签的识别度越小，则映射的时序权重越小；当所述第二用户操作行为数据为持续性操作数据时，所述第二设定的映射关系表示所述操作行为标签的识别度越小，则映射的时序权重越大；

利用所述第二用户操作行为数据中每个操作行为标签的时序权重，对所述第二用户操作行为数据中每个操作行为标签的行为数据集的关联分布进行属性特征提取，得到所述第二用户操作行为数据的操作行为轨迹特征；

其中，所述由所述用户操作的操作时段分别确定所述第一初始操作行为画像和所述第二初始操作行为画像的时序权重，包括：

利用第三设定的映射关系，将与所述操作时段映射的时序权重作为所述第二初始操作行为画像的时序权重；其中，所述第三设定的映射关系表示所述操作时段越短，则映射的时序权重越小；由所述第二初始操作行为画像的时序权重确定所述第一初始操作行为画像的时序权重，其中，所述第一初始操作行为画像的时序权重与所述第二初始操作行为画像的时序权重之和为1。

优选地，所述目标触控检测线程的确定还基于所述用户操作的操作时段；所述基于所述操作行为画像确定所述智能业务终端后续解析的目标触控检测线程，包括：

基于所述操作行为画像，选择得到所述智能业务终端后续解析第一用户操作行为数据的第一目标触控检测线程；利用所述用户操作的操作时段，确定所述用户操作的触控操作频率；由所述第一目标触控检测线程和所述触控操作频率，得到所述智能业务终端后续解析第二用户操作行为数据的第二目标触控检测线程；

其中，所述基于所述操作行为画像，选择得到所述智能业务终端后续解析第一用户操作行为数据的第一目标触控检测线程，包括：比对所述操作行为画像与设定的预设行为画像，根据比对结果确定所述第一目标触控检测线程；

其中，所述利用所述用户操作的操作时段，确定所述用户操作的触控操作频率，包括：利用第四设定的映射关系，获得与所述用户操作的操作时段映射的触控次数，以作为所述触控操作频率；其中，所述第四设定的映射关系表示所述操作时段越长，则对应映射的触控次数越小。

优选地，所述方法还包括：利用所述第一触控区域分布信息和/或第二触控区域分布信息，确定所述用户操作的操作时段。

优选地，根据所述应用程序配置结果、所述第一用户操作行为数据以及所述第二用户行为操作数据确定所述目标应用程序的数据兼容结果，包括：

根据所述应用程序配置结果中的应用功能调整清单确定目标应用程序的数据处理调整结果；

根据所述应用程序配置结果中的数据转存路径获取第一目标操作时段和第二目标操作时段的应用程序响应数据的数据存储记录，其中，所述第一目标操作时段与所述第一用户操作行为数据对应，所述第二目标操作时段与所述第二用户操作行为数据对应，所述第一目标操作时段和所述第二目标操作时段为存在目标数据的时段，所述目标数据为用户的连续性线性滑动操作对应的操作数据；

根据所述数据转存路径获取所述第一目标操作时段的应用程序响应数据的线性触控曲线的位置数据；根据所述数据处理调整结果和所述数据存储记录以及所述线性触控曲线的位置数据，确定目标应用程序的数据兼容结果；其中，所述线性触控曲线根据触控传感器传输的触控信号生成；

其中，根据所述数据处理调整结果和所述数据存储记录以及所述线性触控曲线的位置数据，确定目标应用程序的数据兼容结果，包括：

从所述数据处理调整结果中提取待调整的数据类型信息；

将所述数据类型信息添加到所述数据存储记录中，并在所述数据存储记录存在更新时，根据预设数据恢复线程和预设数据检测线程确定经过数据转存后对应的应用程序响应数据的数据缺失结果；

根据所述数据缺失结果和所述线性触控曲线的位置数据确定目标应用程序的数据兼容结果；

其中，所述预设数据恢复线程按照如下步骤建立：

根据第一目标操作时段的应用程序响应数据的数据存储记录和所述目标应用程序的交互型响应数据确定参考响应数据的第一结构化描述信息，其中，所述交互型响应数据中包括所述目标应用程序的系统数据，所述参考响应数据包括第一目标操作时段的应用程序响应数据的一组响应数据；

根据第二目标操作时段的应用程序响应数据的数据存储记录和所述目标应用程序的交互型响应数据确定目标响应数据的第二结构化描述信息，其中，所述目标响应数据包括基于应用程序更新而对应到第二目标操作时段的应用程序响应数据上的更新数据；

根据所述第一结构化描述信息和所述第二结构化描述信息建立所述预设数据恢复线程；

其中，所述预设数据检测线程按照如下步骤建立：

确定所述应用程序响应数据中的响应数据包的数据包类别；其中，不同数据包对应针对不同操作行为反馈的响应数据；

根据所述数据包类别确定该数据包类别对应的数据检测指标；

在所述响应数据包的数据包类别属于第一类别的情况下，确定所述数据检测指标为n个，其中，n为正整数，所述n根据所述数据类型信息的类型描述值确定，所述第一类别包括：所述响应数据包为确定办公操作行为的数据包类别；

在所述响应数据包的数据包类别属于第二类别的情况下，确定所述数据检测指标指标为m个，其中，m为正整数且所述m小于所述n，所述第二类别包括：所述响应数据包为娱乐操作行为的数据包类别；

在所述响应数据包的数据包类别属于第三类别的情况下，确定所述数据检测指标为k个，其中，k为正整数且所述k小于所述m，所述第三类别包括：所述响应数据包为确定解锁操作行为的数据包类别；

基于所述数据检测指标建立所述数据检测线程。

优选地，所述根据所述数据缺失结果和所述线性触控曲线的位置数据确定目标应用程序的数据兼容结果包括：

筛选所述数据缺失结果得到数据缺失比率大于和小于设定比率的响应数据包；

加载所述数据缺失比率大于设定比率的响应数据包至待处理数据集中；

将所述待处理数据集中的响应数据包按照响应时长由大到小的顺序进行排序，并从第一数据包开始遍历所述待处理数据集中的数据包；

遍历所述第一数据包的设定队列范围中的数据包，在存在第二数据包满足响应时长指标条件的情况下，将所述第二数据包加载至预设数据集，其中，所述响应时长指标条件包括：对不同类别的数据包设置的不同响应时长阈值；在完成遍历后将所述第一数据包从所述待处理数据集中删除；重复上述遍历过程，直到所述待处理数据集中的所述第一数据包为空时停止，将所述预设数据集中的第二数据包与所述线性触控曲线的位置数据进行匹配，得到与所述位置数据存在关联关系的第三数据包，将所述第三数据包对应的数据缺失比率进行加权求和，并基于所述加权求和结果确定所述目标应用程序的数据兼容结果；

其中，所述根据所述应用程序配置结果中的数据转存路径获取第一目标操作时段和第二目标操作时段的应用程序响应数据的数据存储记录，包括：

将所述数据转存路径对应的路径特征输入预设第一卷积神经网络，分别获取所述第一目标操作时段的闲置操作时段与非闲置操作时段对应的第一数据存储记录，以及所述第二目标操作时段的闲置操作时段与非闲置操作时段对应的第二数据存储记录，其中，所述预设第一卷积神经网络是用于将所述数据转存路径对应的应用程序响应数据的应用程序输出信息转化为信息标签值的神经网络；

所述根据所述数据转存路径获取所述第一目标操作时段的应用程序响应数据的线性触控曲线的位置数据包括：

将所述数据转存路径对应的路径特征输入预设第二卷积神经网络，获取所述第一目标操作时段的应用程序响应数据的线性触控曲线的位置数据，其中，所述第二卷积神经网络是用于进行曲线特征识别的神经网络。

本申请的第二个方面公开了一种人工智能服务器，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行第一方面所述的方法。

相较于现有技术，本发明实施例提供的基于AI和大数据的应用程序管理方法及人工智能服务器具有以下技术效果：能够首先对采用既有触控检测线程解析到的不同用户操作行为数据进行触控区域分析，从而得到不同的触控区域分布信息，其次通过这些触控区域分布信息确定操作行为画像，进而分析和预测后续用于用户操作解析的目标触控检测线程，以确定出用于进行服务功能调整的应用程序配置结果。此外，还能够根据应用程序配置结果和不同用户操作行为数据进行目标应用程序的数据兼容性分析，从而实现应用程序配置结果的修正，确保智能业务终端在基于修正得到的目标配置结果进行目标应用程序的服务功能调整之后，在进行服务功能调整时能够兼容不同功能模块之间数据处理的协同性，确保目标应用程序的正常使用。

在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

附图中的方法、系统和/或程序将根据示例性实施例进一步描述。这些示例性实施例将参照图纸进行详细描述。这些示例性实施例是非限制的示例性实施例，其中参考数字在附图的各个视图中代表相似的机构。

图1是根据本发明的一些实施例所示的一种示例性基于AI和大数据的应用程序管理系统的框图。

图2是根据本发明的一些实施例所示的一种示例性人工智能服务器中硬件和软件组成的示意图。

图3是根据本发明的一些实施例所示的一种示例性基于AI和大数据的应用程序管理方法和/或过程的流程图。

图4是根据本发明的一些实施例所示的一种示例性基于AI和大数据的应用程序管理装置的框图。

具体实施方式

如背景技术所述，常见的针对智能目标业务终端的应用程序调整技术难以确保应用程序在调整后的正常、顺利运行。针对这一问题，发明人进行研究和分析后发现，忽略应用程序的不同服务功能模块之间的数据处理兼容性是导致应用程序在调整后出现异常的原因。因此，基于这一原因，发明人创新性地提供了一种基于AI和大数据的应用程序管理方法及人工智能服务器，能够在人工智能服务器侧实现对应用程序的智能化管理，确保智能业务终端在对应用程序进行服务功能调整之后，应用程序能够正常运行。

可以理解，上述的应用程序所涉及的类别和领域包括但不限于在线办公、区块链金融、在线云游戏、大数据分析、智慧城市控制、智慧医疗管理等。例如，应用程序可以根据不同的需求进行开发，并通过上述方案进行服务功能的智能化调整。

为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。

在下面的详细描述中，通过实例阐述了许多具体细节，以便提供对相关指导的全面了解。然而，对于本领域的技术人员来说，显然可以在没有这些细节的情况下实施本发明。在其他情况下，公知的方法、程序、系统、组成和/或电路已经在一个相对较高水平上被描述，没有细节，以避免不必要的模糊本发明的方面。

这些和其他特性、当前申请披露的功能、执行的方法、结构中相关元素的功能和部件的组合和生产经济性,在参照附图进行以下描述的考虑中可能会变得更加明显,所有这些形成本申请的一部分。然而，需要理解清楚的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当了解的是，这些图纸不是按比例绘制的。然而，应当明确理解的是，附图仅用于说明和描述的目的，并不意图限制本发明的范围。应当知晓的是，这些附图并不依照比例。

本申请中使用流程图说明根据本申请的实施例的系统所执行的执行过程。应当明确理解的是，流程图的执行过程可以不按顺序执行。相反，这些执行过程可以以相反的顺序或同时执行。另外，可以将至少一个其他执行过程添加到流程图。一个或多个执行过程可以从流程图中删除。

图1是根据本发明的一些实施例所示的一种示例性基于AI和大数据的应用程序管理系统300的框图，基于AI和大数据的应用程序管理系统300可以包括人工智能服务器100和智能业务终端200。

在一些实施例中，如图2所示，人工智能服务器100可以包括处理引擎110、网络模块120和存储器130，处理引擎110和存储器130通过网络模块120通信。

处理引擎110可以处理相关的信息和/或数据以执行本申请中描述的一个或多个功能。例如，在一些实施例中，处理引擎110可以包括至少一个处理引擎(例如，单核处理引擎或多核处理器)。仅作为示例，处理引擎110可以包括中央处理单元(Central ProcessingUnit，CPU)、专用集成电路(Application-Specific Integrated Circuit，ASIC)、专用指令集处理器(Application-Specific Instruction-set Processor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital Signal Processor，DSP)、现场可编程门阵列(Field ProgrammableGate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、精简指令集计算机(Reduced Instruction-Set Computer，RISC)、微处理器等或其任意组合。

网络模块120可以促进信息和/或数据的交换。在一些实施例中，网络模块120可以是任何类型的有线或无线网络或其组合。仅作为示例，网络模块120可以包括缆线网络、有线网络、光纤网络、电信网络、内部网络、互联网、局域网络(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网络(Wireless Local Area Network，WLAN)、城域网(Metropolitan Area Network，MAN)、公用电话交换网(Public Telephone SwitchedNetwork，PSTN)、蓝牙网络、无线个域网络、近场通讯(Near Field Communication，NFC)网络等或上述举例的任意组合。在一些实施例中，网络模块120可以包括至少一个网络接入点。例如，网路120可以包括有线或无线网路接入点，如基站和/或网路接入点。

存储器130可以是，但不限于，随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。其中，存储器130用于存储程序，所述处理引擎110在接收到执行指令后，执行所述程序。

可以理解，图2所示的结构仅为示意，人工智能服务器100还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。

图3是根据本发明的一些实施例所示的一种示例性基于AI和大数据的应用程序管理方法和/或过程的流程图，基于AI和大数据的应用程序管理方法应用于图1中的人工智能服务器100，具体可以包括以下步骤S11-步骤S14所描述的内容。

步骤S11，统计第一用户操作行为数据的第一触控区域分布信息和第二用户操作行为数据的第二触控区域分布信息。

例如，所述第一用户操作行为数据和所述第二用户操作行为数据是由智能业务终端采用不同触控检测线程对用户操作解析得到。用户操作可以是触控操作，如手指滑动或者手指点触。触控区域分布信息用于记录用户在智能业务终端的触摸显示屏上的触控区域对应的位置、区域信息。

步骤S12，基于所述第一触控区域分布信息和所述第二触控区域分布信息，确定所述用户操作的操作行为画像。

例如，操作行为画像用于表征用户操作的操作习惯，例如滑动操作和点触操作的比例，滑动操作的区域、点触操作的区域等。

步骤S13，基于所述操作行为画像确定所述智能业务终端后续解析的目标触控检测线程，并按照所述目标触控检测线程确定所述智能业务终端的应用程序配置结果。

例如，所述应用程序配置结果用于指示所述智能业务终端对目标应用程序进行服务功能调整。目标应用程序可以是娱乐性的应用程序，也可以是办公性的应用程序。服务功能调整例如删除一些不常用的功能模块，将一些功能模块的位置进行调整，增加一些后续需要用到的功能模块等。服务功能调整也可以理解为对目标应用程序和用户之间的交互方式进行调整和修改。目标触控检测线程与第一用户操作行为数据、第二用户操作行为数据对应的触控检测线程不同，通常而言，目标触控检测线程可以在第一用户操作行为数据、第二用户操作行为数据对应的触控检测线程上进行优化。

步骤S14，根据所述应用程序配置结果、所述第一用户操作行为数据以及所述第二用户行为操作数据确定所述目标应用程序的数据兼容结果；通过所述数据兼容结果对所述应用程序配置结果进行修正得到目标配置结果，将所述目标配置结果下发给所述智能业务终端。

例如，数据兼容结果用于表征在对目标应用程序进行服务功能调整之后，目标应用程序在不同的服务功能模式下的数据处理时的兼容性。又例如，若增加一些功能模块，可能会导致基于这些增加的功能模块进行数据采集和处理时，与已有的功能模块相冲突，从而导致目标应用程序在不同的服务功能模式下无法正常运行。因此，数据兼容结果在一定程度上可以作为检测应用程序配置结果是否可行的依据。

例如，目标配置结果能够将目标应用程序在不同的服务功能模式下的数据处理时的兼容性考虑在内，从而确保目标应用程序在不同的服务功能模式下的正常运行。这样，智能业务终端在根据目标配置结果进行服务功能调整时，能够兼容不同功能模块之间数据处理的协同性，确保后续的数据交互和数据处理能够顺利进行。

可以理解的是，在实施上述步骤S11-步骤S14时，能够首先对采用既有触控检测线程解析到的不同用户操作行为数据进行触控区域分析，从而得到不同的触控区域分布信息，其次通过这些触控区域分布信息确定操作行为画像，进而分析和预测后续用于用户操作解析的目标触控检测线程，以确定出用于进行服务功能调整的应用程序配置结果。此外，还能够根据应用程序配置结果和不同用户操作行为数据进行目标应用程序的数据兼容性分析，从而实现应用程序配置结果的修正，确保智能业务终端在基于修正得到的目标配置结果进行目标应用程序的服务功能调整之后，在进行服务功能调整时能够兼容不同功能模块之间数据处理的协同性，确保目标应用程序的正常使用。

在其他的一些示例中，所述操作行为画像和/或所述目标触控检测线程的确定还基于所述用户操作的操作时段。关于这部分内容将在后续进行说明。

在一些示例中，为了确保操作行为画像能够直观、准确地反映用户的真实操作行为，步骤S12所描述的基于所述第一触控区域分布信息和所述第二触控区域分布信息，确定所述用户操作的操作行为画像，可以包括以下步骤S121-步骤S123所描述的内容。

步骤S121，利用所述第一触控区域分布信息获得第一初始操作行为画像。

步骤S122，根据所述第二用户操作行为数据的操作行为轨迹特征获得所述第一用户操作行为数据中不同操作热度的时序权重，并利用所述不同操作热度的时序权重对所述不同操作热度的操作行为标签进行第二标签属性识别，得到第二初始操作行为画像。

在实际应用时，当所述第二用户操作行为数据为持续性操作数据时所述操作行为轨迹特征为连续性特征序列，当所述第二用户操作行为数据为间断性操作数据时所述操作行为轨迹特征为分布式特征列表。

步骤S123，对所述第一初始操作行为画像和所述第二初始操作行为画像进行第一标签属性识别，得到所述用户操作的操作行为画像。

例如，初始操作行为画像为根据对应的触控区域分布信息初步确定的具有较多噪声的行为画像。

如此设计，基于上述步骤S121-步骤S123所描述的内容，在进行操作行为画像的确定时，首先能够初步确定初始操作行为画像，其次实现对初始操作行为画像的第一标签属性识别，这样能够在确保不遗漏用户的每一次触控操作检测的前提下有效剔除噪声画像，从而确保操作行为画像能够直观、准确地反映用户的真实操作行为。

在另一些示例中，所述操作行为画像的确定还基于所述用户操作的操作时段，基于此，步骤S123所描述的对所述第一初始操作行为画像和所述第二初始操作行为画像进行第一标签属性识别，得到所述用户操作的操作行为画像，包括以下步骤S1231和步骤S1232。

步骤S1231，由所述用户操作的操作时段分别确定所述第一初始操作行为画像和所述第二初始操作行为画像的时序权重。

例如，时序权重用于表征初始操作行为画像的时效性，时序权重越大，时效性越长。

步骤S1232，基于所述确定的时序权重，对所述第一初始操作行为画像和所述第二初始操作行为画像进行第一标签属性识别，得到所述用户操作的操作行为画像。

如此，基于上述步骤S1231和步骤S1232所描述的内容，能够确保操作行为画像的时效性，从而避免后续的应用程序调整出现延迟或滞后。

在一个可能的实施例中，步骤S121所描述的利用所述第一触控区域分布信息获得第一初始操作行为画像，可以包括以下步骤S1211和步骤S1212。

步骤S1211，将所述第一用户操作行为数据中每个行为数据集按照操作行为标签进行排序，并按照排序结果将所述第一用户操作行为数据中的行为数据集划分为多个操作热度聚类。

步骤S1212，对所述多个操作热度聚类的操作行为标签进行画像特征识别，得到所述第一初始操作行为画像。

这样一来，在确定第一初始操作行为画像，能够考虑操作热度聚类对应的操作行为标签，从而将与用户的操作行为相关的画像特征进行提取，确保第一初始操作行为画像能够尽可能涵盖用户的操作行为画像。

进一步地，步骤S122所描述的根据所述第二用户操作行为数据的操作行为轨迹特征获得所述第一用户操作行为数据中不同操作热度的时序权重，包括步骤S1221和步骤S1222。

步骤S1221，利用对应所述操作热度的第一设定的映射关系，获得与所述第二用户操作行为数据的操作行为轨迹特征相映射的时序权重。

步骤S1222，将与所述第二用户操作行为数据的操作行为轨迹特征相映射的时序权重以及所述操作热度在所述第一用户操作行为数据所占的百分比进行加权，得到所述操作热度的时序权重。

在上述内容中，所述第一标签属性识别为属性特征提取；所述第二标签属性识别为属性特征筛分；在所述第一用户操作行为数据的多个操作热度中，以操作行为标签不为最大识别度识别度或最小识别度的一个操作热度作为中间操作热度；操作行为标签的识别度大于所述中间操作热度的操作行为标签的识别度的操作热度为高操作热度，操作行为标签的识别度小于所述中间操作热度的操作行为标签的识别度的操作热度为低操作热度；

当所述第二用户操作行为数据为间断性操作数据时，所述高操作热度对应的第一设定的映射关系表示所述分布式特征列表越集中，则映射的时序权重越小，所述低操作热度对应的第一设定的映射关系表示所述分布式特征列表越分散，则映射的时序权重越大；

当所述第二用户操作行为数据为持续性操作数据时，所述高操作热度对应的第一设定的映射关系表示所述连续性特征序列越短，则映射的时序权重越大，所述低操作热度对应的第一设定的映射关系表示所述连续性特征序列越长，则映射的时序权重越小。

在一些可能的实施例中，在步骤S122所描述的根据所述第二用户操作行为数据的操作行为轨迹特征获得所述第一用户操作行为数据中不同操作热度的时序权重，并利用所述不同操作热度的时序权重对所述不同操作热度的操作行为标签进行第二标签属性识别，得到第二初始操作行为画像的步骤之前，所述方法还包括以下步骤（1）-步骤（3）所描述的内容。

（1）统计所述第二用户操作行为数据中每个操作行为标签的行为数据集的关联分布。

例如，所述关联分布可以是行为数据集的关联数据所组成的列表。

（2）利用第二设定的映射关系，获得分别与所述操作行为标签映射的时序权重。

例如，当所述第二用户操作行为数据为间断性操作数据时，所述第二设定的映射关系表示所述操作行为标签的识别度越小，则映射的时序权重越小；当所述第二用户操作行为数据为持续性操作数据时，所述第二设定的映射关系表示所述操作行为标签的识别度越小，则映射的时序权重越大。

（3）利用所述第二用户操作行为数据中每个操作行为标签的时序权重，对所述第二用户操作行为数据中每个操作行为标签的行为数据集的关联分布进行属性特征提取，得到所述第二用户操作行为数据的操作行为轨迹特征。

这样，基于上述步骤（1）-步骤（3）所描述的内容，可以确保第二用户操作行为数据的操作行为轨迹特征不会出现遗漏或者缺失。

更进一步地，步骤S1231所描述的由所述用户操作的操作时段分别确定所述第一初始操作行为画像和所述第二初始操作行为画像的时序权重，包括：利用第三设定的映射关系，将与所述操作时段映射的时序权重作为所述第二初始操作行为画像的时序权重；其中，所述第三设定的映射关系表示所述操作时段越短，则映射的时序权重越小；由所述第二初始操作行为画像的时序权重确定所述第一初始操作行为画像的时序权重，其中，所述第一初始操作行为画像的时序权重与所述第二初始操作行为画像的时序权重之和为1。

在另外的示例中，所述目标触控检测线程的确定还基于所述用户操作的操作时段。基于此，步骤S13所描述的基于所述操作行为画像确定所述智能业务终端后续解析的目标触控检测线程，进一步可以包括以下步骤S131-步骤S133所描述的内容。

步骤S131，基于所述操作行为画像，选择得到所述智能业务终端后续解析第一用户操作行为数据的第一目标触控检测线程。

步骤S132，利用所述用户操作的操作时段，确定所述用户操作的触控操作频率。

步骤S133，由所述第一目标触控检测线程和所述触控操作频率，得到所述智能业务终端后续解析第二用户操作行为数据的第二目标触控检测线程。

可以理解，基于上述步骤S131-步骤S133，能够基于操作时段将用户操作的触控操作频率的考虑在内，从而确保目标触控检测线程与之前的触控检测线程在时序上的区分度，进而确保目标触控检测线程是在之前的触控检测线程上进行优化的。

进一步地，步骤S131所描述的基于所述操作行为画像，选择得到所述智能业务终端后续解析第一用户操作行为数据的第一目标触控检测线程，包括：比对所述操作行为画像与设定的预设行为画像，根据比对结果确定所述第一目标触控检测线程。

进一步地，步骤S132所描述的利用所述用户操作的操作时段，确定所述用户操作的触控操作频率，包括：利用第四设定的映射关系，获得与所述用户操作的操作时段映射的触控次数，以作为所述触控操作频率；其中，所述第四设定的映射关系表示所述操作时段越长，则对应映射的触控次数越小。

在上述示例中，用户操作的操作时段可以利用所述第一触控区域分布信息和/或第二触控区域分布信息确定。

在实际应用时发明人发现，数据兼容结果是确保目标应用程序在服务功能调整之后能够正常运行的关键，为了准确得到数据兼容结果，需要考虑不同的响应数据的转存情况，为实现这一目的，步骤S14所描述的根据所述应用程序配置结果、所述第一用户操作行为数据以及所述第二用户行为操作数据确定所述目标应用程序的数据兼容结果，示例性地可以包括以下步骤S141-步骤S143所描述的内容。

步骤S141，根据所述应用程序配置结果中的应用功能调整清单确定目标应用程序的数据处理调整结果。

例如，数据处理调整结果包括数据转存、数据转换和数据删除等。

步骤S142，根据所述应用程序配置结果中的数据转存路径获取第一目标操作时段和第二目标操作时段的应用程序响应数据的数据存储记录。

例如，所述第一目标操作时段与所述第一用户操作行为数据对应，所述第二目标操作时段与所述第二用户操作行为数据对应，所述第一目标操作时段和所述第二目标操作时段为存在目标数据的时段，所述目标数据为用户的连续性线性滑动操作对应的操作数据。

步骤S143，根据所述数据转存路径获取所述第一目标操作时段的应用程序响应数据的线性触控曲线的位置数据；根据所述数据处理调整结果和所述数据存储记录以及所述线性触控曲线的位置数据，确定目标应用程序的数据兼容结果。

例如，所述线性触控曲线根据触控传感器传输的触控信号生成。

可以理解的是，通过执行上述步骤S141-步骤S143，能够对应用程序响应数据进行分析，从而考虑不同的响应数据的转存情况，并结合应用程序响应数据的线性触控曲线的位置数据准确地得到数据兼容结果，从而确保目标应用程序在基于数据兼容结果修正后的目标配置结果进行服务功能调整之后能够正常运行。

在上述基础上，步骤S143所描述的根据所述数据处理调整结果和所述数据存储记录以及所述线性触控曲线的位置数据，确定目标应用程序的数据兼容结果，进一步可以包括以下步骤S1431-步骤S1433所描述的内容。

步骤S1431，从所述数据处理调整结果中提取待调整的数据类型信息。

步骤S1432，将所述数据类型信息添加到所述数据存储记录中，并在所述数据存储记录存在更新时，根据预设数据恢复线程和预设数据检测线程确定经过数据转存后对应的应用程序响应数据的数据缺失结果。

步骤S1433，根据所述数据缺失结果和所述线性触控曲线的位置数据确定目标应用程序的数据兼容结果。

可以理解，基于上述步骤S1431-步骤S1433，能够考虑应用程序响应数据在数据转存之后的数据缺失结果，从而确保数据兼容结果能够准确反映不同服务功能模式下应用程序响应数据的变化情况，这样能够为后续的应用程序配置结果的修正提供准确可靠的依据。

在实际实施时，步骤S1432中的所述预设数据恢复线程按照如下步骤S1432a1-步骤S1432a3建立。

步骤S1432a1，根据第一目标操作时段的应用程序响应数据的数据存储记录和所述目标应用程序的交互型响应数据确定参考响应数据的第一结构化描述信息，其中，所述交互型响应数据中包括所述目标应用程序的系统数据，所述参考响应数据包括第一目标操作时段的应用程序响应数据的一组响应数据。

步骤S1432a2，根据第二目标操作时段的应用程序响应数据的数据存储记录和所述目标应用程序的交互型响应数据确定目标响应数据的第二结构化描述信息，其中，所述目标响应数据包括基于应用程序更新而对应到第二目标操作时段的应用程序响应数据上的更新数据。

步骤S1432a3，根据所述第一结构化描述信息和所述第二结构化描述信息建立所述预设数据恢复线程。

在实际实施时，步骤S1432中的所述预设数据检测线程按照如下步骤S1432b1-步骤S1432b6建立。

S1432b1，确定所述应用程序响应数据中的响应数据包的数据包类别；其中，不同数据包对应针对不同操作行为反馈的响应数据。

S1432b2，根据所述数据包类别确定该数据包类别对应的数据检测指标。

S1432b3，在所述响应数据包的数据包类别属于第一类别的情况下，确定所述数据检测指标为n个，其中，n为正整数，所述n根据所述数据类型信息的类型描述值确定，所述第一类别包括：所述响应数据包为确定办公操作行为的数据包类别。

S1432b4，在所述响应数据包的数据包类别属于第二类别的情况下，确定所述数据检测指标指标为m个，其中，m为正整数且所述m小于所述n，所述第二类别包括：所述响应数据包为娱乐操作行为的数据包类别。

S1432b5，在所述响应数据包的数据包类别属于第三类别的情况下，确定所述数据检测指标为k个，其中，k为正整数且所述k小于所述m，所述第三类别包括：所述响应数据包为确定解锁操作行为的数据包类别。

S1432b6，基于所述数据检测指标建立所述数据检测线程。

在一个进一步的实施例中，步骤S1433所描述的根据所述数据缺失结果和所述线性触控曲线的位置数据确定目标应用程序的数据兼容结果，可以包括以下步骤S14331-步骤S14334所描述的内容。

步骤S14331，筛选所述数据缺失结果得到数据缺失比率大于和小于设定比率的响应数据包。

步骤S14332，加载所述数据缺失比率大于设定比率的响应数据包至待处理数据集中。

步骤S14333，将所述待处理数据集中的响应数据包按照响应时长由大到小的顺序进行排序，并从第一数据包开始遍历所述待处理数据集中的数据包。

步骤S14334，遍历所述第一数据包的设定队列范围中的数据包，在存在第二数据包满足响应时长指标条件的情况下，将所述第二数据包加载至预设数据集，其中，所述响应时长指标条件包括：对不同类别的数据包设置的不同响应时长阈值；在完成遍历后将所述第一数据包从所述待处理数据集中删除；重复上述遍历过程，直到所述待处理数据集中的所述第一数据包为空时停止，将所述预设数据集中的第二数据包与所述线性触控曲线的位置数据进行匹配，得到与所述位置数据存在关联关系的第三数据包，将所述第三数据包对应的数据缺失比率进行加权求和，并基于所述加权求和结果确定所述目标应用程序的数据兼容结果。

这样一来，通过上述步骤S14331-步骤S14334，能够通过对不同数据包的数据缺失比率进行加权求和确定目标应用程序的数据兼容结果，进而在数据缺失比率层面上确保数据兼容结果的准确性。

进一步地，步骤S142所描述的根据所述应用程序配置结果中的数据转存路径获取第一目标操作时段和第二目标操作时段的应用程序响应数据的数据存储记录，包括：将所述数据转存路径对应的路径特征输入预设第一卷积神经网络，分别获取所述第一目标操作时段的闲置操作时段与非闲置操作时段对应的第一数据存储记录，以及所述第二目标操作时段的闲置操作时段与非闲置操作时段对应的第二数据存储记录，其中，所述预设第一卷积神经网络是用于将所述数据转存路径对应的应用程序响应数据的应用程序输出信息转化为信息标签值的神经网络。

进一步地，步骤S143所描述的根据所述数据转存路径获取所述第一目标操作时段的应用程序响应数据的线性触控曲线的位置数据包括：将所述数据转存路径对应的路径特征输入预设第二卷积神经网络，获取所述第一目标操作时段的应用程序响应数据的线性触控曲线的位置数据，其中，所述第二卷积神经网络是用于进行曲线特征识别的神经网络。神经网络的训练方式为现有技术，在此不作说明。

在上述内容中，所述设定的映射关系是由不同映射对象在不同映射标签下形成的多组线性配对结果组成的。映射对象根据不同的映射关系进行选择，在此不作赘述。

在一个可替换的实施例中，步骤S14所描述的通过所述数据兼容结果对所述应用程序配置结果进行修正得到目标配置结果，将所述目标配置结果下发给所述智能业务终端，可以包括以下步骤a-步骤c所描述的内容。

步骤a，根据所述数据兼容结果对所述应用程序配置结果中的应用程序配置策略进行筛选，得到与所述数据兼容结果之间的影响系数小于设定系数的目标应用程序配置策略。

步骤b，基于所述目标应用程序配置策略生成目标配置结果。

步骤c，将所述目标配置结果下发给所述智能业务终端，以使得所述智能业务终端基于目标配置结果中的目标应用程序配置策略进行应用程序的重设置；其中，所述重设置包括：删除显示的至少部分功能模块，增加显示至少部分功能模块，或调整已显示的至少部分功能模块的位置。

如此设计，通过执行上述步骤a-步骤c，能够对应用程序配置结果进行修正，从而确保智能业务终端在对目标应用程序进行服务功能调整时考虑到不同功能模块之间的协同性和数据兼容性，进而确保智能业务终端在对目标应用程序进行服务功能调整之后，目标应用程序能够正常、顺利的运行。

在一个可替换的实施例中，步骤a所描述的，根据所述数据兼容结果对所述应用程序配置结果中的应用程序配置策略进行筛选，得到与所述数据兼容结果之间的影响系数小于设定系数的目标应用程序配置策略，进一步可以包括以下步骤a1-步骤a4所描述的内容。

步骤a1，确定所述数据兼容结果对应的第一指示数据分布矩阵，确定所述应用程序配置策略对应的第二指示数据分布矩阵，统计所述第一指示数据分布矩阵和所述第二指示数据分布矩阵分别包括的多个具有不同应用程序识别度的指示数据特征；提取所述数据兼容结果在所述第一指示数据分布矩阵的任一指示数据特征的应用程序配置标签，将所述第二指示数据分布矩阵中具有最小应用程序识别度的指示数据特征确定为目标指示数据特征。

步骤a2，根据所述应用程序配置结果的策略优先级分布队列将所述应用程序配置标签映射到所述目标指示数据特征中，以在所述目标指示数据特征中得到应用程序映射标签，并根据所述应用程序配置标签以及所述应用程序映射标签，生成所述数据兼容结果和所述应用程序配置策略之间的影响系数计算模型。

步骤a3，以所述应用程序映射标签为基准标签在所述目标指示数据特征中获取兼容性标签，根据所述影响系数计算模型对应的影响系数计算指标，将所述兼容性标签映射到所述应用程序配置标签所在指示数据特征，在所述应用程序配置标签所在指示数据特征中得到所述兼容性标签对应的影响系数标签，确定所述影响系数标签的标签权重。

步骤a4，获取将所述应用程序配置标签映射到所述目标指示数据特征中的映射路径记录；根据所述影响系数标签与所述映射路径记录上的多个路径节点对应的标签属性之间的相似度，在所述第二指示数据分布矩阵中遍历所述标签权重对应的兼容性权重，直至获取到的所述兼容性权重所在指示数据特征的权重优先级与所述标签权重在所述第一指示数据分布矩阵中的权重优先级一致时，停止获取下一指示数据特征中的兼容性权重，并建立所述标签权重与最后一次获取到的兼容性权重之间的匹配关系，根据所述匹配关系，计算每个应用程序配置策略与所述数据兼容结果之间的影响系数，并得到与所述数据兼容结果之间的影响系数小于设定系数的目标应用程序配置策略；其中，每个应用程序配置策略与所述数据兼容结果之间的影响系数通过将预设影响系数与所述匹配关系中对应的兼容性权重进行加权得到。

这样，通过上述步骤a1-步骤a4，能够对数据兼容结果对应的第一指示数据分布矩阵以及应用程序配置策略对应的第二指示数据分布矩阵进行分析，从而生成数据兼容结果和应用程序配置策略之间的影响系数计算模型，该模型可以为计算算法或者计算公式。进一步地，通过影响系数计算模型能够准确计算每个应用程序配置策略与所述数据兼容结果之间的影响系数，从而实现对目标应用程序配置策略的精准筛分。

图4是根据本发明的一些实施例所示的一种示例性基于AI和大数据的应用程序管理装置140的框图，所述基于AI和大数据的应用程序管理装置140包括以下内容。

信息统计模块141，用于统计第一用户操作行为数据的第一触控区域分布信息和第二用户操作行为数据的第二触控区域分布信息，其中，所述第一用户操作行为数据和所述第二用户操作行为数据是由智能业务终端采用不同触控检测线程对用户操作解析得到。

画像确定模块142，用于基于所述第一触控区域分布信息和所述第二触控区域分布信息，确定所述用户操作的操作行为画像。

配置确定模块143，用于基于所述操作行为画像确定所述智能业务终端后续解析的目标触控检测线程，并按照所述目标触控检测线程确定所述智能业务终端的应用程序配置结果；其中，所述应用程序配置结果用于指示所述智能业务终端对目标应用程序进行服务功能调整；

配置修正模块144，用于根据所述应用程序配置结果、所述第一用户操作行为数据以及所述第二用户行为操作数据确定所述目标应用程序的数据兼容结果；通过所述数据兼容结果对所述应用程序配置结果进行修正得到目标配置结果，将所述目标配置结果下发给所述智能业务终端。

关于上述装置实施例的描述请参阅对图3所示的方法实施例的描述。

基于上述同样的发明构思，还提供了一种基于AI和大数据的应用程序管理系统，关于该系统的描述如下。

1.一种基于AI和大数据的应用程序管理系统，包括互相之间通信的人工智能服务器和智能业务终端；其中，所述人工智能服务器用于：

统计第一用户操作行为数据的第一触控区域分布信息和第二用户操作行为数据的第二触控区域分布信息，其中，所述第一用户操作行为数据和所述第二用户操作行为数据是由智能业务终端采用不同触控检测线程对用户操作解析得到；

基于所述第一触控区域分布信息和所述第二触控区域分布信息，确定所述用户操作的操作行为画像；

基于所述操作行为画像确定所述智能业务终端后续解析的目标触控检测线程，并按照所述目标触控检测线程确定所述智能业务终端的应用程序配置结果；其中，所述应用程序配置结果用于指示所述智能业务终端对目标应用程序进行服务功能调整；

根据所述应用程序配置结果、所述第一用户操作行为数据以及所述第二用户行为操作数据确定所述目标应用程序的数据兼容结果；通过所述数据兼容结果对所述应用程序配置结果进行修正得到目标配置结果，将所述目标配置结果下发给所述智能业务终端。

关于上述系统实施例的描述请参阅对图3所示的方法实施例的描述。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可以对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定术语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同部分两次或多次提到的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的至少一个实施例中的某些特征、结构或特点可以进行适当的组合。

另外，本领域普通技术人员可以理解的是，本申请的各个方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可以被称为“单元”、“组件”或“系统”。此外，本申请的各方面可以表现为位于至少一个计算机可读介质中的计算机产品，所述产品包括计算机可读程序编码。

计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤缆线、RF、或类似介质、或任何上述介质的组合。

本申请各方面执行所需的计算机程序码可以用一种或多种程序语言的任意组合编写，包括面向对象程序设计，如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET，Python等，或类似的常规程序编程语言，如"C"编程语言，Visual Basic，Fortran2003，Perl，COBOL 2002，PHP，ABAP，动态编程语言如Python，Ruby和Groovy或其它编程语言。所述程式设计编码可以完全在用户计算机上执行、或作为独立的软体包在用户计算机上执行、或部分在用户计算机上执行部分在远程计算机执行、或完全在远程计算机或服务器上执行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网络(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非申请专利范围中明确说明，本申请所述处理元件和序列的顺序、数位字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的申请专利范围并不仅限于披露的实施例，相反，申请专利范围旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件装置实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或行动装置上安装所描述的系统。

同样应当理解的是，为了简化本申请揭示的表述，从而帮助对至少一个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法幷不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

Claims (10)

1.一种基于AI和大数据的应用程序管理方法，其特征在于，所述方法包括：

统计第一用户操作行为数据的第一触控区域分布信息和第二用户操作行为数据的第二触控区域分布信息，其中，所述第一用户操作行为数据和所述第二用户操作行为数据是由所述智能业务终端采用不同触控检测线程对用户操作解析得到；

基于所述第一触控区域分布信息和所述第二触控区域分布信息，确定所述用户操作的操作行为画像；

基于所述操作行为画像确定所述智能业务终端后续解析的目标触控检测线程，并按照所述目标触控检测线程确定所述智能业务终端的应用程序配置结果；其中，所述应用程序配置结果用于指示所述智能业务终端对目标应用程序进行服务功能调整；

根据所述应用程序配置结果、所述第一用户操作行为数据以及所述第二用户行为操作数据确定所述目标应用程序的数据兼容结果；通过所述数据兼容结果对所述应用程序配置结果进行修正得到目标配置结果，将所述目标配置结果下发给所述智能业务终端。

2.根据权利要求1所述的方法，其特征在于，所述操作行为画像和/或所述目标触控检测线程的确定还基于所述用户操作的操作时段；

所述基于所述第一触控区域分布信息和所述第二触控区域分布信息，确定所述用户操作的操作行为画像，包括：

利用所述第一触控区域分布信息获得第一初始操作行为画像；

根据所述第二用户操作行为数据的操作行为轨迹特征获得所述第一用户操作行为数据中不同操作热度的时序权重，并利用所述不同操作热度的时序权重对所述不同操作热度的操作行为标签进行第二标签属性识别，得到第二初始操作行为画像；其中，当所述第二用户操作行为数据为持续性操作数据时所述操作行为轨迹特征为连续性特征序列，当所述第二用户操作行为数据为间断性操作数据时所述操作行为轨迹特征为分布式特征列表；对所述第一初始操作行为画像和所述第二初始操作行为画像进行第一标签属性识别，得到所述用户操作的操作行为画像；

其中，所述操作行为画像的确定还基于所述用户操作的操作时段；所述对所述第一初始操作行为画像和所述第二初始操作行为画像进行第一标签属性识别，得到所述用户操作的操作行为画像，包括：

由所述用户操作的操作时段分别确定所述第一初始操作行为画像和所述第二初始操作行为画像的时序权重；基于所述确定的时序权重，对所述第一初始操作行为画像和所述第二初始操作行为画像进行第一标签属性识别，得到所述用户操作的操作行为画像。

3.根据权利要求2所述的方法，其特征在于，所述利用所述第一触控区域分布信息获得第一初始操作行为画像，包括：

将所述第一用户操作行为数据中每个行为数据集按照操作行为标签进行排序，并按照排序结果将所述第一用户操作行为数据中的行为数据集划分为多个操作热度聚类；

对所述多个操作热度聚类的操作行为标签进行画像特征识别，得到所述第一初始操作行为画像。

4.根据权利要求2所述的方法，其特征在于，所述根据所述第二用户操作行为数据的操作行为轨迹特征获得所述第一用户操作行为数据中不同操作热度的时序权重，包括：

利用对应所述操作热度的第一设定的映射关系，获得与所述第二用户操作行为数据的操作行为轨迹特征相映射的时序权重；将与所述第二用户操作行为数据的操作行为轨迹特征相映射的时序权重以及所述操作热度在所述第一用户操作行为数据所占的百分比进行加权，得到所述操作热度的时序权重；

其中，所述第一标签属性识别为属性特征提取；所述第二标签属性识别为属性特征筛分；在所述第一用户操作行为数据的多个操作热度中，以操作行为标签不为最大识别度识别度或最小识别度的一个操作热度作为中间操作热度；操作行为标签的识别度大于所述中间操作热度的操作行为标签的识别度的操作热度为高操作热度，操作行为标签的识别度小于所述中间操作热度的操作行为标签的识别度的操作热度为低操作热度；

当所述第二用户操作行为数据为间断性操作数据时，所述高操作热度对应的第一设定的映射关系表示所述分布式特征列表越集中，则映射的时序权重越小，所述低操作热度对应的第一设定的映射关系表示所述分布式特征列表越分散，则映射的时序权重越大；

当所述第二用户操作行为数据为持续性操作数据时，所述高操作热度对应的第一设定的映射关系表示所述连续性特征序列越短，则映射的时序权重越大，所述低操作热度对应的第一设定的映射关系表示所述连续性特征序列越长，则映射的时序权重越小。

5.根据权利要求2所述的方法，其特征在于，在所述根据所述第二用户操作行为数据的操作行为轨迹特征获得所述第一用户操作行为数据中不同操作热度的时序权重，并利用所述不同操作热度的时序权重对所述不同操作热度的操作行为标签进行第二标签属性识别，得到第二初始操作行为画像之前，所述方法还包括：

统计所述第二用户操作行为数据中每个操作行为标签的行为数据集的关联分布；

利用第二设定的映射关系，获得分别与所述操作行为标签映射的时序权重；其中，当所述第二用户操作行为数据为间断性操作数据时，所述第二设定的映射关系表示所述操作行为标签的识别度越小，则映射的时序权重越小；当所述第二用户操作行为数据为持续性操作数据时，所述第二设定的映射关系表示所述操作行为标签的识别度越小，则映射的时序权重越大；

利用所述第二用户操作行为数据中每个操作行为标签的时序权重，对所述第二用户操作行为数据中每个操作行为标签的行为数据集的关联分布进行属性特征提取，得到所述第二用户操作行为数据的操作行为轨迹特征；

其中，所述由所述用户操作的操作时段分别确定所述第一初始操作行为画像和所述第二初始操作行为画像的时序权重，包括：

利用第三设定的映射关系，将与所述操作时段映射的时序权重作为所述第二初始操作行为画像的时序权重；其中，所述第三设定的映射关系表示所述操作时段越短，则映射的时序权重越小；由所述第二初始操作行为画像的时序权重确定所述第一初始操作行为画像的时序权重，其中，所述第一初始操作行为画像的时序权重与所述第二初始操作行为画像的时序权重之和为1。

6.根据权利要求2所述的方法，其特征在于，所述目标触控检测线程的确定还基于所述用户操作的操作时段；所述基于所述操作行为画像确定所述智能业务终端后续解析的目标触控检测线程，包括：

基于所述操作行为画像，选择得到所述智能业务终端后续解析第一用户操作行为数据的第一目标触控检测线程；利用所述用户操作的操作时段，确定所述用户操作的触控操作频率；由所述第一目标触控检测线程和所述触控操作频率，得到所述智能业务终端后续解析第二用户操作行为数据的第二目标触控检测线程；

其中，所述基于所述操作行为画像，选择得到所述智能业务终端后续解析第一用户操作行为数据的第一目标触控检测线程，包括：比对所述操作行为画像与设定的预设行为画像，根据比对结果确定所述第一目标触控检测线程；

其中，所述利用所述用户操作的操作时段，确定所述用户操作的触控操作频率，包括：利用第四设定的映射关系，获得与所述用户操作的操作时段映射的触控次数，以作为所述触控操作频率；其中，所述第四设定的映射关系表示所述操作时段越长，则对应映射的触控次数越小。

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述方法还包括：利用所述第一触控区域分布信息和/或第二触控区域分布信息，确定所述用户操作的操作时段。

8.根据权利要求2所述的方法，其特征在于，根据所述应用程序配置结果、所述第一用户操作行为数据以及所述第二用户行为操作数据确定所述目标应用程序的数据兼容结果，包括：

根据所述应用程序配置结果中的应用功能调整清单确定目标应用程序的数据处理调整结果；

根据所述应用程序配置结果中的数据转存路径获取第一目标操作时段和第二目标操作时段的应用程序响应数据的数据存储记录，其中，所述第一目标操作时段与所述第一用户操作行为数据对应，所述第二目标操作时段与所述第二用户操作行为数据对应，所述第一目标操作时段和所述第二目标操作时段为存在目标数据的时段，所述目标数据为用户的连续性线性滑动操作对应的操作数据；

根据所述数据转存路径获取所述第一目标操作时段的应用程序响应数据的线性触控曲线的位置数据；根据所述数据处理调整结果和所述数据存储记录以及所述线性触控曲线的位置数据，确定目标应用程序的数据兼容结果；其中，所述线性触控曲线根据触控传感器传输的触控信号生成；

其中，根据所述数据处理调整结果和所述数据存储记录以及所述线性触控曲线的位置数据，确定目标应用程序的数据兼容结果，包括：

从所述数据处理调整结果中提取待调整的数据类型信息；

将所述数据类型信息添加到所述数据存储记录中，并在所述数据存储记录存在更新时，根据预设数据恢复线程和预设数据检测线程确定经过数据转存后对应的应用程序响应数据的数据缺失结果；

根据所述数据缺失结果和所述线性触控曲线的位置数据确定目标应用程序的数据兼容结果；

其中，所述预设数据恢复线程按照如下步骤建立：

根据第一目标操作时段的应用程序响应数据的数据存储记录和所述目标应用程序的交互型响应数据确定参考响应数据的第一结构化描述信息，其中，所述交互型响应数据中包括所述目标应用程序的系统数据，所述参考响应数据包括第一目标操作时段的应用程序响应数据的一组响应数据；

根据第二目标操作时段的应用程序响应数据的数据存储记录和所述目标应用程序的交互型响应数据确定目标响应数据的第二结构化描述信息，其中，所述目标响应数据包括基于应用程序更新而对应到第二目标操作时段的应用程序响应数据上的更新数据；

根据所述第一结构化描述信息和所述第二结构化描述信息建立所述预设数据恢复线程；

其中，所述预设数据检测线程按照如下步骤建立：

确定所述应用程序响应数据中的响应数据包的数据包类别；其中，不同数据包对应针对不同操作行为反馈的响应数据；

根据所述数据包类别确定该数据包类别对应的数据检测指标；

在所述响应数据包的数据包类别属于第一类别的情况下，确定所述数据检测指标为n个，其中，n为正整数，所述n根据所述数据类型信息的类型描述值确定，所述第一类别包括：所述响应数据包为确定办公操作行为的数据包类别；

在所述响应数据包的数据包类别属于第二类别的情况下，确定所述数据检测指标指标为m个，其中，m为正整数且所述m小于所述n，所述第二类别包括：所述响应数据包为娱乐操作行为的数据包类别；

在所述响应数据包的数据包类别属于第三类别的情况下，确定所述数据检测指标为k个，其中，k为正整数且所述k小于所述m，所述第三类别包括：所述响应数据包为确定解锁操作行为的数据包类别；

基于所述数据检测指标建立所述数据检测线程。

9.根据权利要求8所述的方法，其特征在于，所述根据所述数据缺失结果和所述线性触控曲线的位置数据确定目标应用程序的数据兼容结果包括：

筛选所述数据缺失结果得到数据缺失比率大于和小于设定比率的响应数据包；

加载所述数据缺失比率大于设定比率的响应数据包至待处理数据集中；

将所述待处理数据集中的响应数据包按照响应时长由大到小的顺序进行排序，并从第一数据包开始遍历所述待处理数据集中的数据包；

遍历所述第一数据包的设定队列范围中的数据包，在存在第二数据包满足响应时长指标条件的情况下，将所述第二数据包加载至预设数据集，其中，所述响应时长指标条件包括：对不同类别的数据包设置的不同响应时长阈值；在完成遍历后将所述第一数据包从所述待处理数据集中删除；重复上述遍历过程，直到所述待处理数据集中的所述第一数据包为空时停止，将所述预设数据集中的第二数据包与所述线性触控曲线的位置数据进行匹配，得到与所述位置数据存在关联关系的第三数据包，将所述第三数据包对应的数据缺失比率进行加权求和，并基于所述加权求和结果确定所述目标应用程序的数据兼容结果；

其中，所述根据所述应用程序配置结果中的数据转存路径获取第一目标操作时段和第二目标操作时段的应用程序响应数据的数据存储记录，包括：

将所述数据转存路径对应的路径特征输入预设第一卷积神经网络，分别获取所述第一目标操作时段的闲置操作时段与非闲置操作时段对应的第一数据存储记录，以及所述第二目标操作时段的闲置操作时段与非闲置操作时段对应的第二数据存储记录，其中，所述预设第一卷积神经网络是用于将所述数据转存路径对应的应用程序响应数据的应用程序输出信息转化为信息标签值的神经网络；

所述根据所述数据转存路径获取所述第一目标操作时段的应用程序响应数据的线性触控曲线的位置数据包括：

将所述数据转存路径对应的路径特征输入预设第二卷积神经网络，获取所述第一目标操作时段的应用程序响应数据的线性触控曲线的位置数据，其中，所述第二卷积神经网络是用于进行曲线特征识别的神经网络。

10.一种人工智能服务器，其特征在于，包括处理引擎、网络模块和存储器；所述处理引擎和所述存储器通过所述网络模块通信，所述处理引擎从所述存储器中读取计算机程序并运行，以执行权利要求1-9所述的方法。

Images