CN113051126B - 画像构建方法、装置、设备及存储介质 - Google Patents

画像构建方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113051126B
CN113051126B CN201911380404.7A CN201911380404A CN113051126B CN 113051126 B CN113051126 B CN 113051126B CN 201911380404 A CN201911380404 A CN 201911380404A CN 113051126 B CN113051126 B CN 113051126B
Authority
CN
China
Prior art keywords
performance
target
portrait
dimension
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911380404.7A
Other languages
English (en)
Other versions
CN113051126A (zh
Inventor
韩新杰
帅朝春
戴堃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Oppo Mobile Telecommunications Corp Ltd
Original Assignee
Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Oppo Mobile Telecommunications Corp Ltd filed Critical Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority to CN201911380404.7A priority Critical patent/CN113051126B/zh
Publication of CN113051126A publication Critical patent/CN113051126A/zh
Application granted granted Critical
Publication of CN113051126B publication Critical patent/CN113051126B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/60—Software deployment
    • G06F8/65—Updates
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/55—Push-based network services
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Security & Cryptography (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了一种画像构建方法、装置、设备及存储介质，属于互联网技术领域。该方法包括：获取目标终端的性能数据，性能数据是在终端运行过程中采集到的与性能相关的数据；根据性能数据确定各个画像维度的画像维度值，画像维度包括可量化画像维度和离散画像维度，且可量化画像维度的画像维度值为可量化数值，离散画像维度的画像维度值为离散值；构建包括可量化画像维度和离散画像维度的目标性能画像。本申请实施例中，通过从多个画像维度来构建性能画像，从而利用性能画像从多个维度刻画出终端使用过程中与性能相关的用户行为，提高了表征终端性能特性指标的全面性和准确性，有助于后续基于性能画像对不同终端的性能进行针对性优化。

Description

画像构建方法、装置、设备及存储介质
技术领域
本申请实施例涉及互联网技术领域，特别涉及一种画像构建方法、装置、设备及存储介质。
背景技术
终端在使用过程中，终端厂商会定期向终端推送安装包，以便终端根据该安装包进行相应的系统优化和升级，以解决终端在使用过程中的漏洞。
相关技术中，针对同一型号的终端，终端厂商一般会推送相同的安装包，供终端进行系统优化和升级。然而，由于不同用户使用终端时的习惯不同，会造成终端在系统性能和应用方面的差异，且不同用户对更新的需求也是不同的，相应的，针对同一型号的终端使用相同的推送内容，无法满足不同用户的需求。
发明内容
本申请实施例提供了一种画像构建方法、装置、设备及存储介质。所述技术方案如下：
一方面，本申请实施例提供了一种画像构建方法，所述方法包括：
获取目标终端的性能数据，所述性能数据是在终端运行过程中采集到的与性能相关的数据；
根据所述性能数据确定各个画像维度的画像维度值，所述画像维度包括可量化画像维度和离散画像维度，且所述可量化画像维度的所述画像维度值为可量化数值，所述离散画像维度的所述画像维度值为离散值；
构建包括所述可量化画像维度和所述离散画像维度的目标性能画像。
另一方面，本申请实施例提供了一种画像构建装置，所述装置包括：
第一获取模块，用于获取目标终端的性能数据，所述性能数据是在终端运行过程中采集到的与性能相关的数据；
第一确定模块，用于根据所述性能数据确定各个画像维度的画像维度值，所述画像维度包括可量化画像维度和离散画像维度，且所述可量化画像维度的所述画像维度值为可量化数值，所述离散画像维度的所述画像维度值为离散值；
构建模块，用于构建包括所述可量化画像维度和所述离散画像维度的目标性能画像。
另一方面，本申请实施例提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述方面所述的画像构建方法。
另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如上述方面所述的画像构建方法。
另一方面，还提供了一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述方面所述的画像构建方法。
采用本申请实施例提供的画像构建方法，通过在终端运行过程中采集与性能相关的数据(性能数据)，并根据性能数据确定可量化画像维度的画像维度值，以及离散画像维度的画像维度值，从而根据可量化画像维度和离散画像维度确定出目标性能画像。通过从多个画像维度来构建性能画像，从而利用性能画像从多个维度刻画出终端使用过程中与性能相关的用户行为，提高了表征终端性能特性指标的全面性和准确性，有助于后续基于性能画像对不同终端的性能进行针对性优化。
附图说明
图1示出了本申请一个示例性实施例提供的实施环境的示意图；
图2示出了本申请一个示例性实施例示出的画像构建方法的流程图；
图3示出了本申请另一个示例性实施例示出的画像构建方法的流程图；
图4示出了本申请另一个示例性实施例示出的画像构建方法的流程图；
图5示出了本申请一个示例性实施例示出的确定目标性能优化策略过程的流程图；
图6示出了本申请另一个示例性实施例示出的确定目标性能优化策略过程的流程图；
图7示出了本申请一个实施例提供的画像构建装置的结构框图；
图8示出了本申请一个示例性实施例提供的终端的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
请参考图1，其示出了本申请一个示例性实施例提供的实施环境的示意图，该实施环境中包含终端101和服务器102。
终端101中安装有多个应用，且终端101是具有数据收集和处理功能的电子设备。比如，终端101可以是智能手机、平板电脑、PC(Personal Computer，个人计算机)或其他电子设备。本申请实施例中，终端101可以在运行过程中采集与性能相关的数据，即性能数据；可选的，终端101可以根据性能数据构建性能画像；可选的，终端101中预先存储有人群分类模型，并能够根据构建的性能画像以及人群分类模型，确定出终端用户所属的人群。
可选的，终端101中还存储有针对不同人群的性能优化策略，通过执行相应的性能优化策略，终端101能够提高运行质量，并降低运行时的功耗。
终端101和服务器102之间通过有线或无线网络相连。
服务器102可以是一台服务器，若干台服务器构成的服务器集群或云服务器。本申请实施例中，服务器102具有接收终端101发送的性能数据、处理分析该性能数据、以及推送人群分类模型和性能优化策略等功能。
本申请实施例中，服务器102可以和大量终端进行数据交互，即可以接收大量终端上报的性能数据(或基于性能数据构建的性能画像)，并利用大量性能画像对聚类模型进行训练，从而得到人群分类模型；可选的，服务器102根据人群分类模型对不同终端对应的性能画像进行分群聚类之后，可以得到多个预设群体以及预设群体对应的人群性能画像；可选的，开发人员可以根据人群性能画像制定多种性能优化策略；可选的，服务器102可以将人群聚类模型、人群性能画像以及性能优化策略推送给终端101，以便终端101在本地根据采集到的性能数据，确定出适用于当前终端用户的性能优化策略，进而基于确定出的性能优化策略对终端进行优化。
请参考图2，其示出了本申请一个示例性实施例示出的画像构建方法的流程图。本实施例以该方法应用于图1所示的终端来举例说明。该方法包括：
步骤201，获取目标终端的性能数据，性能数据是在终端运行过程中采集到的与性能相关的数据。
其中，该性能数据可以包括用户对终端性能进行优化操作时产生的数据、终端启动应用过程中采集到的数据、终端运行应用过程中采集到的数据以及终端运行过程中的硬件运行参数中的至少一种。
可选的，该性能数据可以包括：后台清理频次、省电模式开启频次、应用冷启动时长、应用热启动时长、应用丢帧次数、丢帧应用类型、中央处理器(Central ProcessingUnit，CPU)使用时长、图形处理器(Graphics Processing Unit，GPU)使用时长和终端温度中的至少一种。当然，除了上述性能数据外，终端还可以采集其他与性能相关的数据(比如开启高性能模式的频次等等)，本实施例对此并不构成限定。
在一种可能的实施方式中，终端在运行过程中采集与性能相关的数据，并存储在特定的存储分区中(避免数据泄露)，以便后续对该性能数据进行分析处理。
步骤202，根据性能数据确定各个画像维度的画像维度值，画像维度包括可量化画像维度和离散画像维度。
其中，性能画像对应的各个画像维度可以是预先设置在终端中，也可以是服务器根据大量的样本性能数据确定出的，并将该画像维度推送给各个目标终端中。
在一种可能的实施方式中，为了提高画像维度的描述准确性，终端定期对采集到的性能数据进行处理，得到各个画像维度的画像维度值。可选的，终端根据15天内采集到的性能数据来确定各个画像维度的画像维度值。
其中，可量化画像维度的画像维度值为可量化数值。可选的，该可量化数值可以根据采集到的性能数据，通过相应的量化算法计算得到。比如，终端根据应用冷启动时长和应用热启动时长可以计算得到应用启动速度这一可量化画像维度的画像维度值。
其中，离散画像维度的画像维度值为离散值。可选的，离散画像维度的画像维度值可以为枚举值。比如，当离散画像维度为丢帧应用类型时，该离散画像维度的画像维度值可以是游戏类应用、视频类应用、购物类应用、社交类应用中的至少一种。
步骤203，构建包括可量化画像维度和离散画像维度的目标性能画像。
在一种可能的实施方式中，目标终端根据各个画像维度的画像维度值，生成目标性能画像。
可选的，该目标性能画像可以从多个维度描述终端的性能特征，比如用户对终端性能的敏感程度、终端的应用启动速度、终端的应用运行质量以及终端的硬件使用程度。
由于不同用户的使用习惯不同，且对终端性能的需求不同，因此不同终端构建出的性能画像之间存在差异，相应的，可以基于不同的性能画像为不同的终端制定不同的优化策略，使优化后终端的性能更加符合用户的使用习惯以及性能需求，实现针对性的终端优化。
综上所述，本申请实施例中，通过在终端运行过程中采集与性能相关的数据(性能数据)，并根据性能数据确定可量化画像维度的画像维度值，以及离散画像维度的画像维度值，从而根据可量化画像维度和离散画像维度确定出目标性能画像。通过从多个画像维度来构建性能画像，从而利用性能画像从多个维度刻画出终端使用过程中与性能相关的用户行为，提高了表征终端性能特性指标的全面性和准确性，有助于后续基于性能画像对不同终端的性能进行针对性优化。
在一种可能的应用场景下，目标终端也可以将性能数据上报至服务器，由服务器根据该性能数据，以及预先确定的画像维度，构建出目标终端对应的目标性能画像，并将该目标性能画像推送给目标终端，无需目标终端进行目标性能画像的构建，可以减少目标终端的数据处理量。
由于终端采集到的性能数据的多样性，相应的，确定不同画像维度的画像维度值，所需要使用的性能数据也可能不同，为了提高确定出的画像维度值的准确性，在确定画像维度值之前，需要从性能数据中确定出各个画像维度对应的目标性能数据。
请参考图3，其示出了本申请另一个示例性实施例示出的画像构建方法的流程图。本实施例以该方法应用于图1所示的终端来举例说明。该方法包括：
步骤301，获取目标终端的性能数据，性能数据是在终端运行过程中采集到的与性能相关的数据。
本步骤的实施方式可以参考步骤201，本实施例在此不做赘述。
步骤302，对于可量化画像维度中的目标可量化画像维度，获取目标可量化画像维度对应的目标性能数据，其中，不同可量化画像维度对应不同性能数据。
可选的，性能画像中的可量化画像维度包括但不限于：性能敏感度、应用启动速度、应用运行质量以及硬件使用程度中的至少一种。
在一种可能的实施方式中，开发人员可以预先将可量化画像维度与其对应的目标想能数据类型相关联，并作为出厂设置存储在目标终端中，以便后续目标终端根据该关联关系，确定目标性能数据。示意性的，与可量化画像维度相关的性能数据可以包括：后台清理频次、省电模式开启频次、应用冷启动时长、应用热启动时长、应用丢帧次数、CPU使用时长、GPU使用时长和终端温度中的至少一种。
由于可量化画像维度中还包含多个维度，每个维度也有其对应的目标性能数据，因此，针对可量化画像维度中的各个维度，也应确定其对应的目标性能数据。
示意性的，如图4所示，步骤302可以包括步骤302A、步骤302B和步骤302C。
步骤302A，将后台清理频次和省电模式开启频次，确定为性能敏感度对应的目标性能数据。
后台清理时，终端会结束后台进程，从而释放出内存以及处理器处理资源，以提升终端性能；而开启省电模式(或称为低功耗模式、低性能模式)时，终端会对处理器的工作频率进行限制，并限制使用高性能应用，以降低终端功耗(终端性能相应下降)。相较于对终端性能的敏感程度较低的用户，对终端性能的敏感程度较高的用户经常会进行后台清理；而相较于对终端性能的敏感程度较高的用户，对终端性能的敏感程度较低的用户经常会开启省电模式，因此在一种可能的实施方式中，终端该可以后台清理频次和省电模式开启频次，确定为性能敏感度对应的目标性能数据，进而根据后台清理频次和省电模式开启频次确定性能敏感度这一画像维度对应的画像维度值。
可选的，后台清理频次与目标画像维度值呈正相关关系，省电模式开启频次与目标画像维度值呈负相关关系。
可选的，以1小时为性能数据采集周期为例，该后台清理频次即为1小时内进行后台清理的次数，省电模式开启频次即为1小时内开启省电模式的次数。
步骤303B，将应用冷启动时长和应用热启动时长，确定为应用启动速度对应的目标性能数据。
应用启动可以分为冷启动和热启动两种，其中，冷启动是指在后台未运行目标应用的情况下在前台启动该目标应用的过程，热启动是指后台运行目标应用的情况下在前台启动该目标应用的过程。由于应用启动速度可以直观体现出终端的性能，因此在一种可能的实施方式中，终端将采集到的应用冷启动时长和应用热启动时长，确定为应用启动速度对应的目标性能数据，进而根据应用冷启动时长和应用热启动时长确定应用启动速度这一画像维度对应的画像维度值。
可选的，应用冷启动时长以及应用热启动时长与目标画像维度值呈负相关关系。
可选的，以1小时为性能数据采集周期为例，应用冷启动时长即为1小时内冷启动应用时的平均时长，应用热启动时长即为1小时内热启动应用时的平均时长。
步骤303C，将应用丢帧次数确定为应用运行质量对应的目标性能数据。
终端在进行图像显示时，需要由CPU(或GPU)进行图像渲染，从而将渲染完成的图像数据下发至显示屏组件进行显示。当CPU(或GPU)性能不足时，图像渲染将会造成延迟，导致同一帧图像重复显示，引起丢帧或卡顿。因此，在一种可能的实施方式中，终端将各个应用运行状态下的应用丢帧次数，确定为应用运行质量对应的目标性能数据，进而根据应用丢帧次数确定应用运行质量这一画像维度对应的画像维度值。
可选的，应用丢帧次数与目标画像维度值呈负相关关系，即丢帧次数越多，表明应用运行质量越差。
可选的，以1小时为性能数据采集周期为例，应用丢帧次数即为各个应用在1小时内的丢帧总次数。
步骤303D，将CPU使用时长、GPU使用时长和终端温度，确定为硬件使用程度对应的目标性能数据。
除了上述与用户习惯以及应用相关的画像维度外，性能画像中还可以包括硬件使用程度这一画像维度。相应的，终端将运行过程中采集到的硬件运行参数确定为硬件使用程度对应的目标性能数据。
在一种可能的实施方式中，终端将CPU使用时长(包括CPU各个核心的使用时长)、GPU使用时长以及终端温度确定为硬件使用程度对应的目标性能数据。
可选的，CPU使用时长、GPU使用时长以及终端温度均与目标画像维度值呈正相关关系。
可选的，以1小时为性能数据采集周期为例，CPU使用时长为1小时内各个核心的运行时长，GPU使用时长为1小时内GPU的运行时长，终端温度为1小时内终端的内部平均温度。
需要说明的是，本实施例仅以上述性能数据以及可量化画像维度为例进行示意性说明，在其他可能的实施方式中，可以将其他的性能数据组合确定为上述可量化画像维度对应的目标数据，本申请实施例对此并不构成限定。
步骤303，根据目标性能数据，通过目标可量化画像维度对应的目标维度值算法计算目标可量化画像维度的目标画像维度值。
可选的，终端中预先设置有维度值算法，用于对目标性能数据进行分析计算，从而抽象出各个可量化画像维度对应的画像维度值。维度值算法可以是加权平均法，或算术平均法等，本实施例对采用的维度值算法不构成限定。
在一种可能的实施方式中，当确定出各个可量化画像维度分别对应的目标性能数据之后，即可以结合维度值算法，计算得到各个可量化画像维度分别对应的画像维度值。
示意性的，以加权平均法为例，若目标可量化画像维度为性能敏感度，其对应的目标性能数据为后台清理频次和省电模式开启频次，则性能敏感度对应的目标画像维度值可以表示为：
Figure BDA0002342037320000091
其中，
Figure BDA0002342037320000092
代表性能敏感度对应的目标画像维度值，为采集周期内的后台清理频次，为后台清理频次对应的权重，为采集周期内的省电模式开启频次，为省电模式开启频次对应的权重。
在一种可能的实施方式中，终端对7天内采集到的后台清理频次(1小时为采集周期)进行平均值计算，得到A＝2.5；对7天内采集到的省电模式开启频次(1小时为采集周期)进行平均值计算，得到B＝1.5。当f1＝2,f2＝-1，则得到的电量敏感度对应的目标画像维度值为3.5。
可选的，不同可量化画像维度对应不同维度值算法。
比如，若可量化画像维度为硬件使用程度，则其对应的维度值算法可以是：
Figure BDA0002342037320000093
其中，
Figure BDA0002342037320000094
代表硬件使用程度对应的目标画像维度值，C为采集周期内的CPU使用时长，f3为CPU使用时长对应的权重，D为采集周期内的GPU使用时长，f4为GPU使用时长对应的权重，E为采集周期内的终端温度，f5为终端温度对应的权重。
可选的，对于同一性能数据，其在不同可量化画像维度中的权重是不同的。
可选的，若目标性能数据与目标画像维度值呈负相关关系，则其对应的权重可以为负值，相应的，若目标性能数据与目标画像维度值呈正相关关系，则其对应的权重可以为正值。
步骤304，根据离散画像维度对应的目标性能数据，确定离散画像维度的目标画像维度值。
其中，离散画像维度可以包括但不限于：丢帧应用类型、丢帧次数最多的应用类型、常用应用类型、占用CPU时长最高的应用类型。
在一种可能的实施方式中，与可量化画像维度类似，开发人员可以预先将离散画像维度与其对应的目标性能数据类型相关联，作为出厂设置存储在目标终端中。
可选的，离散画像维度的维度值可以用1、2、3等数字来表示，比如，游戏类应用为1、社交类应用为2、通信类应用为3。
步骤305，构建包括可量化画像维度和离散画像维度的目标性能画像。
在一种可能的实施方式中，终端将可量化画像维度的画像维度值和离散画像维度的画像维度值确定为目标性能画像。
示意性的，目标性能画像可以包括：性能敏感度：5、应用启动速度：10、应用运行质量6.5、丢帧次数最多的应用类型：游戏应用、硬件使用程度：4。
在一种可能的实施方式中，终端还可以将用户属性数据作为性能画像的一部分，从而根据可量化画像维度、所述离散画像维度和用户属性数据构建目标性能画像，使得性能画像能够覆盖用户使用终端时的性能特征以及终端用户的静态特征，有助于提高后续基于性能画像进行人群分类的准确性。
可选的，用户属性数据中包括年龄、性别、地区和职业中的至少一种。
本实施例中，通过获取各个画像维度对应的目标性能数据，并根据预先设置的画像维度值算法，计算得到各个画像维度的目标画像维度值，从而将各个目标画像维度值确定为目标性能画像，使得目标性能画像可以包含多种维度，且各个维度又综合分析多种类型的性能数据得到，可以提高目标性能画像的全面性和多样性，从而使得目标性能画像更符合用户对目标终端的使用习惯。
由于目标性能画像可以反映用户使用目标终端的性能需求，在对终端进行性能优化方面可以发挥一定的价值，因此，在一种可能的实施方式中，当目标终端构建出目标性能画像之后，可以根据该目标性能画像来确定对应的性能优化策略，进而根据性能优化策略对终端性能进行优化。
示意性的，如图5所示，其示出了本申请一个示例性实施例示出的确定目标性能优化策略过程的流程图，该方法包括：
步骤501，将目标性能画像输入人群分类模型，得到目标性能画像对应的目标人群，人群分类模型根据不同终端对应的性能画像训练得到。
其中，终端中预先存储有人群分类模型，该人群分类模型可以将性能画像(对应终端用户)划分至预设群体中。该人群分类模型的训练方式可以参考下文实施例，本实施例在此不做赘述。
在一种可能的实施方式中，当目标终端构建出目标性能画像之后，可以将该目标性能画像输入人群分类模型中，得到该目标性能画像对应的目标人群。
可选的，可以将目标性能画像转化为向量的形式输入人群分类模型中。比如，目标性能画像为：性能敏感度：5、应用启动速度：10、应用运行质量6.5、丢帧次数最多的应用类型：2(游戏应用)、硬件使用程度：4，转换得到向量可以表示为(5，10，6.5，2，4)。
可选的，预设群体可以是具有特定含义的群体，比如游戏爱好者、追剧族、电子书爱好者等等，或者，预设群体可以是具有相似性能特征、但不具有特定含义的人群集合，比如，使用游戏类应用频率较高的人群集合、对终端性能需求较高的人群的集合。
可选的，该人群分类模型也可以是服务器推送给各个终端的。
步骤502，获取与目标人群对应的目标性能优化策略。
在一种可能的实施方式中，终端中存储有各个候选人群对应的候选性能优化策略，该候选性能优化策略基于性能候选人群对应的人群性能画像制定，且该人群性能画像是利用人群分类模型对不同终端对应的性能画像进行分群聚类后，根据形成的类簇中的各个性能画像生成的。可选的，该候选性能优化策略由服务器下发给各个终端。
相应的，终端从候选性能优化策略中获取目标人群对应的目标性能优化策略。
步骤503，执行目标性能优化策略。
进一步的，终端在后续运行过程中，执行目标性能优化策略，以提高终端的运行质量。
在一个示意性的例子中，终端确定出的目标人群的目标人群画像指示对性能敏感度高，且在运行游戏类应用时丢帧次数较多时，且目标人群对应的目标性能优化策略为在运行游戏类应用时，自动进行后台清理，并提高CPU的运行频率。相应的，当终端检测到运行游戏类应用时，即执行目标性能优化策略。
由于同一群体中不同终端之间的性能画像存在差异，因此为了进一步提高确定出的性能优化策略与性能画像之间的匹配度，在一种可能的实施方式中，如图6所示，上述步骤502可以包括如下步骤。
步骤502A，获取目标人群对应的目标人群性能画像，目标人群性能画像与目标性能画像的画像维度相同。
在一种可能的实施方式中，终端中预先存储有各个预设群体对应的人群性能画像，当终端根据人群分类模型和目标性能画像确定出目标人群之后，则可以根据该目标人群匹配对应的目标人群性能画像。
在一个示意性的例子中，终端获取到的目标人群性能画像可以是：性能敏感度：0-5、应用启动速度：8-15、应用运行质量5-10、丢帧次数最多的应用类型：2(游戏应用)、硬件使用程度：1-5。
步骤502B，根据目标性能画像和目标人群性能画像，确定目标性能画像中可量化画像维度对应的维度等级，维度等级为离散值。
在一种可能的实施方式中，对于同一目标人群画像中的各个画像维度，其取值区间为一个集合，而属于同一目标群体的不同用户的性能特征可能存在差异，为了使得确定的目标性能优化策略更符合终端的性能特征，因此，可以对目标人群性能画像进行维度等级划分，进一步确定目标性能画像在目标人群性能画像中的维度等级，并根据维度等级针对性的制定相应的目标性能优化策略。
可选的，本步骤可以包括如下步骤：
一，获取目标人群性能画像中可量化画像维度对应的目标数值范围，目标人群性能画像中可量化画像维度对应的数值范围被划分为n个数值子范围，且不同数值子范围对应不同维度等级，n为大于等于2的整数。
在一种可能的实施方式中，终端获取目标人群性能画像中各个可量化画像维度对应的数值范围。示意性的，目标人群性能画像中，性能敏感度的数值范围是0-5，应用启动速度的数值范围是8-15，应用运行质量的数值范围是5-10，硬件使用程程度的数值范围是1-5。
可选的，可以将各个数值子范围进行合理划分，划分为n个数值子范围，并为划分出的n个数值范围设置维度等级。示意性的，可以将电量敏感度值(0-5)划分为5个数值范围，即(0-1)为维度等级1，(1-2)为维度等级2，(2-3)为维度等级3，(3-4)为维度等级4，(4-5)为维度等级5。
二，根据目标性能画像中可量化画像维度对应数值所属的数值范围，确定目标性能画像中可量化画像维度对应的维度等级。
在一种可能的实施方式中，根据目标性能画像中各个可量化画像维度对应的画像维度值，与上述各个维度等级的数值范围，可以确定出目标性能画像中可量化画像维度对应的维度等级。
示意性的，结合上述示例，终端确定目标性能画像中，性能敏感度对应的维度等级为5级。
步骤502C，根据可量化画像维度对应的维度等级以及离散画像维度的画像维度值，确定目标性能画像对应的目标性能优化策略。
在一种可能的实施方式中，开发人员预先针对各个可量化画像维度对应的维度等级以及离散画像维度的画像维度值，制定出对应的性能优化策略，并推送至终端。
相应的，当目标终端确定出目标性能画像中各个可量化画像维度对应的维度等级之后，即可以根据可量化画像维度对应的维度等级以及离散画像维度的画像维度值，从若干候选性能优化策略中确定出目标性能优化策略。
本实施例中，通过将目标性能画像输入人群分类模型中，得到目标性能画像对应的目标人群以及目标人群性能画像，并根据目标性能画像在目标人群性能画像中的维度等级，确定目标终端对应的目标性能优化策略，使得目标性能优化策略更符合当前终端的性能特征，进一步提高终端执行目标性能优化策略后的运行质量。
在一种可能的应用场景下，上述实施例中的人群分类模型是基于聚类模型训练得到的，示意性的，通过非监督方式来训练人群分类模型：
1、将性能画像输入m个聚类模型，得到m个聚类模型输出的m种聚类结果，m为大于等于2的整数，且不同聚类模型采用不同聚类算法。
在一种可能的实施方式中，服务器可以接收多个终端上报的性能数据，并根据各个画像维度，确定出各个终端对应的性能画像，并利用该性能画像训练聚类模型。
由于人群分类模型是将具有相似特征的性能画像进行聚类，而只有大量的性能画像才会呈现一定的聚类现象，为了保证训练得到的人群分类模型的精度，因此，在一种可能的实施方式中，服务器中预先设置有性能画像的数量阈值，即当服务器检测到性能画像的数量达到数量阈值时，即可以根据该性能画像，来训练聚类模型，比如，性能画像的数量阈值可以是500个。
其中，聚类算法可以包括K均值(K-Means)聚类算法、均值偏移聚类算法、密度聚类算法、高斯混合模型(Gaussian Mixture Model，GMM)、层次聚类算法等。本实施例对采用的聚类算法不构成限定。
为了提高获取到的人群分类模型的精度，并实现无监督训练，在一种可能的实施方式中，服务器将性能画像输入m个不同的聚类模型中进行训练，且不同的聚类模型分别采用不同的聚类算法，得到m个聚类结果。示意性的，若将性能画像分别输入聚类模型A和聚类模型B，得到聚类模型A对应的聚类结果为A1、A2、A3、A4等；得到聚类模型B对应的聚类结果为B1、B2、B3、B4等。
2、根据m种聚类结果对m个聚类模型进行交叉训练。
在一种可能的实施方式中，可以采用交叉训练的方式来训练多个聚类模型。示意性的，若采用聚类模型A和聚类模型B，则可以利用聚类模型A的聚类结果对聚类模型B进行训练，利用聚类模型B的聚类结果对聚类模型A进行训练，最终得到的不同聚类模型的聚类效果相近。
3、将训练得到的任一聚类模型确定为人群分类模型。
在一种可能的实施方式中，当各个聚类模型的聚类结果满足收敛条件时(比如各个聚类模型的聚类结果的相似度高于相似度阈值)，可以将其中的任一聚类模型确定为人群分类模型，且该人群分类模型可以实现将性能画像划分到对应的预设群体中。
示意性的，利用人群分类模型可以将各个性能画像进行分群聚类，得到各个性能画像对应的群体，比如，500个性能画像经过人群分类模型，可能得到6个群体。即将该群体作为预设群体。
本实施例中，服务器通过性能数据构建性能画像，当性能画像的数量达到数量阈值时，通过该性能画像训练人群分类，以便后续根据该人群分类模型来确定目标终端用户所属的目标人群，此外，通过使用不同聚类算法，可以使得算法插件化，方便交叉检验无监督聚类结果，既可以提高人群分类模型的精度，同时可以实现自动化的模型训练过程。
在其他可能的实施方式中，服务器可以预先设置聚类的簇数量k以及最大迭代次数N，并将各个簇C初始化为空集。在进行聚类过程中，服务器首先从大量性能画像中随机选取k个性能画像(经过向量化)作为初始化簇的质心，并计算其他性能画像与各个质心之间的向量距离，从而根据该距离，将性能画像添加至距离最近的簇。完成首次聚类后，服务器重新计算各个簇的质心，并比较计算得到的质心与初始化的质心之间的距离。若距离小于距离阈值(即满足收敛条件)，则停止迭代，若距离大于距离阈值，则基于计算得到的质心，重新进行聚类，直至满足收敛条件，或达到最大迭代次数N。
请参考图7，其示出了本申请一个实施例提供的画像构建装置的结构框图。该装置可以通过软件、硬件或者两者的结合实现成为计算机设备的全部或一部分。该装置包括：
第一获取模块701，用于获取目标终端的性能数据，所述性能数据是在终端运行过程中采集到的与性能相关的数据；
第一确定模块702，用于根据所述性能数据确定各个画像维度的画像维度值，所述画像维度包括可量化画像维度和离散画像维度，且所述可量化画像维度的所述画像维度值为可量化数值，所述离散画像维度的所述画像维度值为离散值；
构建模块703，用于构建包括所述可量化画像维度和所述离散画像维度的目标性能画像。
可选的，所述第一确定模块702，包括：
第一获取单元，用于对于所述可量化画像维度中的目标可量化画像维度，获取所述目标可量化画像维度对应的目标性能数据，其中，不同可量化画像维度对应不同性能数据；
计算单元，用于根据所述目标性能数据，通过所述目标可量化画像维度对应的目标维度值算法计算所述目标可量化画像维度的目标画像维度值，其中，不同可量化画像维度对应不同维度值算法。
可选的，所述可量化画像维度包括性能敏感度、应用启动速度、应用运行质量以及硬件使用程度中的至少一种；所述性能数据包括后台清理频次、省电模式开启频次、应用冷启动时长、应用热启动时长、应用丢帧次数、CPU使用时长、GPU使用时长和终端温度；
可选的，所述第一获取单元还用于：
将所述后台清理频次和省电模式开启频次，确定为所述性能敏感度对应的所述目标性能数据；
将所述应用冷启动时长和所述应用热启动时长，确定为所述应用启动速度对应的所述目标性能数据；
将所述应用丢帧次数确定为所述应用运行质量对应的所述目标性能数据；
将所述CPU使用时长、所述GPU使用时长和所述终端温度，确定为所述硬件使用程度对应的所述目标性能数据。
可选的，对于所述性能敏感度，所述后台清理频次与所述目标画像维度值呈正相关关系，所述省电模式开启频次与所述目标画像维度值呈负相关关系；
对于所述应用启动速度，所述应用冷启动时长以及所述应用热启动时长与所述目标画像维度值呈负相关关系；
对于所述应用运行质量，所述应用丢帧次数与所述目标画像维度值呈负相关关系；
对于所述硬件使用程度，所述CPU使用时长、所述GPU使用时长以及所述终端温度与所述目标画像维度值呈正相关关系。
可选的，所述构建模块703，还用于：
获取用户属性数据，所述用户属性数据中包括年龄、性别、地区和职业中的至少一种；
根据所述可量化画像维度、所述离散画像维度和所述用户属性数据构建所述目标性能画像。
可选的，所述装置还包括：
输入模块，用于将所述目标性能画像输入人群分类模型，得到所述目标性能画像对应的目标人群，所述人群分类模型根据不同终端对应的性能画像训练得到；
第二获取模块，用于获取与所述目标人群对应的目标性能优化策略；
执行模块，用于执行所述目标性能优化策略。
可选的，所述装置还包括：
获取各个候选人群对应的候选性能优化策略，所述候选性能优化策略基于所述候选人群对应的人群性能画像制定，所述人群性能画像是利用所述人群分类模型对不同终端对应的性能画像进行分群聚类后，根据形成的类簇中的各个性能画像生成的。
综上所述，本申请实施例中，通过在终端运行过程中采集与性能相关的数据(性能数据)，并根据性能数据确定可量化画像维度的画像维度值，以及离散画像维度的画像维度值，从而根据可量化画像维度和离散画像维度确定出目标性能画像。通过从多个画像维度来构建性能画像，从而利用性能画像从多个维度刻画出终端使用过程中与性能相关的用户行为，提高了表征终端性能特性指标的全面性和准确性，有助于后续基于性能画像对不同终端的性能进行针对性优化。
需要说明的是，上述实施例提供的装置在实现其功能时，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，即将设备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。另外，上述实施例提供的装置与方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
请参考图8，其示出了本申请一个示例性实施例提供的终端800的结构框图。本申请实施例中的终端800可以包括一个或多个如下部件：处理器810、存储器820和屏幕830。
处理器810可以包括一个或者多个处理核心。处理器810利用各种接口和线路连接整个终端800内的各个部分，通过运行或执行存储在存储器820内的指令、程序、代码集或指令集，以及调用存储在存储器820内的数据，执行终端800的各种功能和处理数据。可选地，处理器810可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)、可编程逻辑阵列(Programmable LogicArray，PLA)中的至少一种硬件形式来实现。处理器810可集成中央处理器(CentralProcessing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责屏幕830所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器810中，单独通过一块通信芯片进行实现。
存储器820可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory，ROM)。可选地，该存储器820包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器820可用于存储指令、程序、代码、代码集或指令集。存储器820可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等，该操作系统可以是安卓(Android)系统(包括基于Android系统深度开发的系统)、苹果公司开发的IOS系统(包括基于IOS系统深度开发的系统)或其它系统。存储数据区还可以存储终端800在使用中所创建的数据(比如电话本、音视频数据、聊天记录数据)等。
屏幕830可以为电容式触摸显示屏，该电容式触摸显示屏用于接收用户使用手指、触摸笔等任何适合的物体在其上或附近的触摸操作，以及显示各个应用程序的用户界面。触摸显示屏通常设置在终端800的前面板。触摸显示屏可被设计成为全面屏、曲面屏或异型屏。触摸显示屏还可被设计成为全面屏与曲面屏的结合，异型屏与曲面屏的结合，本申请实施例对此不加以限定。
除此之外，本领域技术人员可以理解，图8中示出的终端800的结构并不构成对终端800的限定，终端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。比如，终端800中还包括射频电路、拍摄组件、传感器、音频电路、无线保真(Wireless Fidelity，WiFi)组件、电源、蓝牙组件等部件，在此不再赘述。
本申请实施例还提供了一种计算机可读介质，该计算机可读介质存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如上各个实施例所述的画像构建方法。
本申请实施例还提供了一种计算机程序产品，该计算机程序产品存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如上各个实施例所述的画像构建方法。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本申请实施例所描述的功能可以用硬件、软件、固件或它们的任意组合来实现。当使用软件实现时，可以将这些功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (9)

1.一种画像构建方法，其特征在于，所述方法包括：
获取目标终端的性能数据，所述性能数据是在终端运行过程中采集到的与性能相关的数据，所述性能数据包括对终端性能进行优化操作时产生的数据、启动应用过程中采集到的数据、运行应用过程中采集到的数据以及运行过程中的硬件运行参数中的至少一种；
根据所述性能数据确定各个画像维度的画像维度值，所述画像维度包括可量化画像维度和离散画像维度，且所述可量化画像维度的所述画像维度值为可量化数值，所述离散画像维度的所述画像维度值为离散值；
构建包括所述可量化画像维度和所述离散画像维度的目标性能画像；
将所述目标性能画像输入人群分类模型，得到所述目标性能画像对应的目标人群，所述人群分类模型根据不同终端对应的性能画像训练得到；
获取所述目标人群对应的目标人群性能画像，所述目标人群性能画像与所述目标性能画像的画像维度相同；
根据所述目标性能画像和所述目标人群性能画像，确定所述目标性能画像中所述可量化画像维度对应的维度等级，所述维度等级为离散值；
根据所述可量化画像维度对应的所述维度等级以及所述离散画像维度的所述画像维度值，确定所述目标性能画像对应的目标性能优化策略，其中，不同维度等级以及不同离散画像维度的所述画像维度值对应不同性能优化策略；
执行所述目标性能优化策略。
2.根据权利要求1所述的方法，其特征在于，所述根据所述性能数据确定各个画像维度的画像维度值，包括：
对于所述可量化画像维度中的目标可量化画像维度，获取所述目标可量化画像维度对应的目标性能数据，其中，不同可量化画像维度对应不同性能数据；
根据所述目标性能数据，通过所述目标可量化画像维度对应的目标维度值算法计算所述目标可量化画像维度的目标画像维度值，其中，不同可量化画像维度对应不同维度值算法。
3.根据权利要求2所述的方法，其特征在于，所述可量化画像维度包括性能敏感度、应用启动速度、应用运行质量以及硬件使用程度中的至少一种；所述性能数据包括后台清理频次、省电模式开启频次、应用冷启动时长、应用热启动时长、应用丢帧次数、中央处理器CPU使用时长、图形处理器GPU使用时长和终端温度；
所述获取所述目标可量化画像维度对应的目标性能数据，包括：
将所述后台清理频次和省电模式开启频次，确定为所述性能敏感度对应的所述目标性能数据；
将所述应用冷启动时长和所述应用热启动时长，确定为所述应用启动速度对应的所述目标性能数据；
将所述应用丢帧次数确定为所述应用运行质量对应的所述目标性能数据；
将所述CPU使用时长、所述GPU使用时长和所述终端温度，确定为所述硬件使用程度对应的所述目标性能数据。
4.根据权利要求3所述的方法，其特征在于，
对于所述性能敏感度，所述后台清理频次与所述目标画像维度值呈正相关关系，所述省电模式开启频次与所述目标画像维度值呈负相关关系；
对于所述应用启动速度，所述应用冷启动时长以及所述应用热启动时长与所述目标画像维度值呈负相关关系；
对于所述应用运行质量，所述应用丢帧次数与所述目标画像维度值呈负相关关系；
对于所述硬件使用程度，所述CPU使用时长、所述GPU使用时长以及所述终端温度与所述目标画像维度值呈正相关关系。
5.根据权利要求1至4任一所述的方法，其特征在于，所述构建包括所述可量化画像维度和所述离散画像维度的目标性能画像，包括：
获取用户属性数据，所述用户属性数据中包括年龄、性别、地区和职业中的至少一种；
根据所述可量化画像维度、所述离散画像维度和所述用户属性数据构建所述目标性能画像。
6.根据权利要求1至4任一所述的方法，其特征在于，所述方法还包括：
获取各个候选人群对应的候选性能优化策略，所述候选性能优化策略基于所述候选人群对应的人群性能画像制定，所述人群性能画像是利用所述人群分类模型对不同终端对应的性能画像进行分群聚类后，根据形成的类簇中的各个性能画像生成的。
7.一种画像构建装置，其特征在于，所述装置包括：
第一获取模块，用于获取目标终端的性能数据，所述性能数据是在终端运行过程中采集到的与性能相关的数据，所述性能数据包括对终端性能进行优化操作时产生的数据、启动应用过程中采集到的数据、运行应用过程中采集到的数据以及运行过程中的硬件运行参数中的至少一种；
第一确定模块，用于根据所述性能数据确定各个画像维度的画像维度值，所述画像维度包括可量化画像维度和离散画像维度，且所述可量化画像维度的所述画像维度值为可量化数值，所述离散画像维度的所述画像维度值为离散值；
构建模块，用于构建包括所述可量化画像维度和所述离散画像维度的目标性能画像；
输入模块，用于将所述目标性能画像输入人群分类模型，得到所述目标性能画像对应的目标人群，所述人群分类模型根据不同终端对应的性能画像训练得到；
第二获取模块，用于获取所述目标人群对应的目标人群性能画像，所述目标人群性能画像与所述目标性能画像的画像维度相同；根据所述目标性能画像和所述目标人群性能画像，确定所述目标性能画像中所述可量化画像维度对应的维度等级，所述维度等级为离散值；根据所述可量化画像维度对应的所述维度等级以及所述离散画像维度的所述画像维度值，确定所述目标性能画像对应的目标性能优化策略，其中，不同维度等级以及不同离散画像维度的所述画像维度值对应不同性能优化策略；
执行模块，用于执行所述目标性能优化策略。
8.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1至6任一所述的画像构建方法。
9.一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中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至6任一所述的画像构建方法。
CN201911380404.7A 2019-12-27 2019-12-27 画像构建方法、装置、设备及存储介质 Active CN113051126B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911380404.7A CN113051126B (zh) 2019-12-27 2019-12-27 画像构建方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911380404.7A CN113051126B (zh) 2019-12-27 2019-12-27 画像构建方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113051126A CN113051126A (zh) 2021-06-29
CN113051126B true CN113051126B (zh) 2022-11-15

Family

ID=76506647

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911380404.7A Active CN113051126B (zh) 2019-12-27 2019-12-27 画像构建方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113051126B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113568745A (zh) * 2021-07-23 2021-10-29 Oppo广东移动通信有限公司 硬件资源控制方法、装置、存储介质以及终端

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017071425A1 (zh) * 2015-10-29 2017-05-04 腾讯科技（深圳）有限公司 版本更新方法及装置
CN107506224A (zh) * 2017-09-29 2017-12-22 百度在线网络技术（北京）有限公司 应用程序升级的提示方法、装置、服务器及存储介质
CN108920160A (zh) * 2018-05-31 2018-11-30 深圳壹账通智能科技有限公司 应用程序app的升级方法、装置、服务器及计算机存储介质
CN110309422A (zh) * 2019-06-24 2019-10-08 维沃移动通信有限公司 推送方法、服务器及终端

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017071425A1 (zh) * 2015-10-29 2017-05-04 腾讯科技（深圳）有限公司 版本更新方法及装置
CN107506224A (zh) * 2017-09-29 2017-12-22 百度在线网络技术（北京）有限公司 应用程序升级的提示方法、装置、服务器及存储介质
CN108920160A (zh) * 2018-05-31 2018-11-30 深圳壹账通智能科技有限公司 应用程序app的升级方法、装置、服务器及计算机存储介质
CN110309422A (zh) * 2019-06-24 2019-10-08 维沃移动通信有限公司 推送方法、服务器及终端

Also Published As

Publication number Publication date
CN113051126A (zh) 2021-06-29

Similar Documents

Publication Publication Date Title
CN110012060B (zh) 移动终端的信息推送方法、装置、存储介质和服务器
CN111310079A (zh) 评论信息排序方法、装置、存储介质及服务器
CN109256147B (zh) 音频节拍检测方法、装置及存储介质
CN110119477B (zh) 一种信息推送方法、装置和存储介质
CN111143697B (zh) 一种内容推荐的方法以及相关装置
CN110741387B (zh) 人脸识别方法、装置、存储介质及电子设备
CN113515672A (zh) 数据处理方法、装置、计算机可读介质及电子设备
CN113051126B (zh) 画像构建方法、装置、设备及存储介质
CN113050782B (zh) 画像构建方法、装置、终端及存储介质
CN103324641A (zh) 信息记录推荐方法和装置
CN113449188A (zh) 应用推荐方法、装置、电子设备及可读存储介质
CN113055423B (zh) 策略的推送方法、策略的执行方法、装置、设备及介质
CN111242239A (zh) 一种训练样本选取方法、装置、以及计算机存储介质
CN109544241B (zh) 一种点击率预估模型的构建方法、点击率预估方法和装置
CN107870811B (zh) 应用清理方法、装置、存储介质及电子设备
CN114756714A (zh) 一种图数据的处理方法、装置以及存储介质
CN113593546B (zh) 终端设备唤醒方法和装置、存储介质及电子装置
CN106844504B (zh) 一种发送歌单标识的方法和装置
CN114996578A (zh) 模型训练方法、目标对象选取方法、装置及电子设备
CN110232393B (zh) 数据的处理方法、装置、存储介质和电子装置
CN114399028A (zh) 信息处理方法、图卷积神经网络训练方法及电子设备
CN114510668A (zh) 数据显示方法、装置、计算机设备及存储介质
CN116450808B (zh) 一种数据的处理方法、装置以及存储介质
CN116798052B (zh) 文本识别模型的训练方法和装置、存储介质及电子设备
EP4318375A1 (en) Graph data processing method and apparatus, computer device, storage medium and computer program product

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant