CN115514660A - 数据缓存方法、装置、电子设备及存储介质 - Google Patents

Abstract

本公开关于一种数据缓存方法、装置、电子设备及存储介质。所述方法包括：在通过终端设备的目标应用呈现内容的过程中，获取当前时间信息以及终端设备的当前位置信息；将当前时间信息和当前位置信息输入至预训练的网络状态预测模型，通过网络状态预测模型预测终端设备在当前时间之后的至少一种网络状态，以及各网络状态的持续时长；在网络状态满足预设网络状态的情况下，在目标应用中缓存与该网络状态的持续时长相匹配的待呈现内容。相比于现有技术由用户手动缓存信息内容，本公开可以基于预设网络状态的持续时长来缓存相适应的待呈现内容，从而可以提高数据缓存的智能性。

Description

数据缓存方法、装置、电子设备及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种数据缓存方法、装置、电子设备及存储介质。

背景技术

随着计算机技术的发展，出现了一种数据缓存技术，在使用应用程序时，用户可以通过预先下载的方式，将由应用程序提供的信息数据预先存储至移动终端中，那么在用户出于无网络或者网络状态较差的环境时，则可以利用应用程序查看预先下载的信息内容。

相关技术中，目前针对应用程序的数据缓存通常是由用户主动触发，用户可以自行通过应用程序下载其承载的信息内容，来实现信息内容的缓存。然而这种方式依赖于用户的手动下载，同时由于信息内容的下载会占用带宽，在用户无法清楚了解信息内容的下载量的前提下，有可能会出现信息内容下载量较大，从而造成带宽资源的浪费，又或者是出现信息内容下载量较小，无法保证用户在无网络或者网络状态较差的环境时都可以随时查看缓存的信息内容。因此，现有的数据缓存方法不够智能。

发明内容

本公开提供一种数据缓存方法、装置、电子设备及存储介质，以至少解决相关技术中数据缓存方法不够智能的问题。本公开的技术方案如下：

根据本公开实施例的第一方面，提供一种数据缓存方法，包括：

在通过终端设备的目标应用呈现内容的过程中，获取当前时间信息以及所述终端设备的当前位置信息；

将所述当前时间信息和所述当前位置信息输入至预训练的网络状态预测模型，通过所述网络状态预测模型预测所述终端设备在当前时间之后的至少一种网络状态，以及各所述网络状态的持续时长；

在所述网络状态满足预设网络状态的情况下，在所述目标应用中缓存与该网络状态的持续时长相匹配的待呈现内容。

在一示例性实施例中，所述通过所述网络状态预测模型预测所述终端设备在当前时间之后的网络状态，以及所述网络状态的持续时长，包括：通过所述网络状态预测模型生成所述终端设备的网络信号强度变化轨迹；根据所述网络信号强度变化轨迹，确定所述终端设备在当前时间之后的网络状态，以及所述网络状态的持续时长。

在一示例性实施例中，所述预设网络状态包括弱网状态或无网络状态中的至少一种，所述根据所述网络信号强度变化轨迹，确定所述终端设备在当前时间之后的网络状态，以及所述网络状态的持续时长，包括：基于所述网络信号强度变化轨迹，获取网络信号强度小于或等于所述预设网络状态对应的信号强度阈值的时间区间；将所述时间区间对应的区间长度作为所述预设网络状态的持续时长。

在一示例性实施例中，所述将所述当前时间信息和所述当前位置信息输入至预训练的网络状态预测模型之前，还包括：通过样本终端设备的目标应用获取训练样本数据；所述训练样本数据包括所述样本终端设备在历史时间周期中的历史时间信息、历史位置信息，以及所述样本终端设备在所述历史时间周期中的历史网络信号强度变化轨迹；将所述历史时间信息以及所述历史位置信息输入待训练的网络状态预测模型，得到所述样本终端设备在所述历史时间区间中的预测网络信号强度变化轨迹；利用所述预测网络信号强度变化轨迹以及所述历史网络信号强度变化轨迹对所述网络状态预测模型进行训练，得到所述预训练的网络状态预测模型。

在一示例性实施例中，所述通过样本终端设备的目标应用获取训练样本数据，包括：通过样本终端设备的目标应用获取所述样本终端设备在所述历史时间周期中各个时间点对应的历史时间信息、历史位置信息，以及历史网络信号强度信息；基于所述各个时间点的顺序，以及所述各个时间点的历史网络信号强度信息，得到所述历史网络信号强度变化轨迹。

在一示例性实施例中，所述待呈现内容为多媒体内容；所述在所述目标应用中缓存与该网络状态的持续时长相匹配的待呈现内容，包括：根据所述目标应用当前呈现的多媒体内容，获取候选多媒体内容；从所述候选多媒体内容中获取播放时长与所述预设网络状态的持续时长相匹配的多媒体内容，作为待呈现内容，并在所述目标应用中缓存所述待呈现内容。

在一示例性实施例中，所述多媒体内容包括第一视频内容以及第二视频内容；所述第一视频内容的播放时长小于预设的第一播放时长，所述第二视频内容的播放时长大于预设的第二播放时长，所述第一播放时长小于所述第二播放时长；所述根据所述目标应用当前呈现的多媒体内容，获取候选多媒体内容，包括：在所述目标应用当前呈现的多媒体内容为第一视频内容的情况下，根据所述目标应用的用户账号的用户特征获取所述候选多媒体内容；在所述目标应用当前呈现的多媒体内容为第二视频内容的情况下，根据所述第二视频内容的内容信息获取所述候选多媒体数据。

在一示例性实施例中，所述多媒体内容包括音乐内容；所述根据所述目标应用当前呈现的多媒体内容，获取候选多媒体内容，包括：在所述目标应用当前呈现的多媒体内容为音乐内容的情况下，获取所述目标应用当前播放的音乐内容对应的音乐列表；将所述音乐列表中包含的音乐内容作为所述候选多媒体内容。

根据本公开实施例的第二方面，提供一种数据缓存装置，包括：

当前信息获取单元，被配置为执行在通过终端设备的目标应用呈现内容的过程中，获取当前时间信息以及所述终端设备的当前位置信息；

网络状态预测单元，被配置为执行将所述当前时间信息和所述当前位置信息输入至预训练的网络状态预测模型，通过所述网络状态预测模型预测所述终端设备在当前时间之后的至少一种网络状态，以及各所述网络状态的持续时长；

呈现内容缓存单元，被配置为执行在所述网络状态满足预设网络状态的情况下，在所述目标应用中缓存与该网络状态的持续时长相匹配的待呈现内容。

在一示例性实施例中，网络状态预测单元，进一步被配置为执行通过所述网络状态预测模型生成所述终端设备的网络信号强度变化轨迹；根据所述网络信号强度变化轨迹，确定所述终端设备在当前时间之后的网络状态，以及所述网络状态的持续时长。

在一示例性实施例中，所述预设网络状态包括弱网状态或无网络状态中的至少一种，网络状态预测单元，进一步被配置为执行基于所述网络信号强度变化轨迹，获取网络信号强度小于或等于所述预设网络状态对应的信号强度阈值的时间区间；将所述时间区间对应的区间长度作为所述预设网络状态的持续时长。

在一示例性实施例中，所述装置还包括：预测模型训练单元，被配置为执行通过样本终端设备的目标应用获取训练样本数据；所述训练样本数据包括所述样本终端设备在历史时间周期中的历史时间信息、历史位置信息，以及所述样本终端设备在所述历史时间周期中的历史网络信号强度变化轨迹；将所述历史时间信息以及所述历史位置信息输入待训练的网络状态预测模型，得到所述样本终端设备在所述历史时间区间中的预测网络信号强度变化轨迹；利用所述预测网络信号强度变化轨迹以及所述历史网络信号强度变化轨迹对所述网络状态预测模型进行训练，得到所述预训练的网络状态预测模型。

在一示例性实施例中，预测模型训练单元，进一步被配置为执行通过样本终端设备的目标应用获取所述样本终端设备在所述历史时间周期中各个时间点对应的历史时间信息、历史位置信息，以及历史网络信号强度信息；基于所述各个时间点的顺序，以及所述各个时间点的历史网络信号强度信息，得到所述历史网络信号强度变化轨迹。

在一示例性实施例中，所述待呈现内容为多媒体内容；呈现内容缓存单元，进一步被配置为执行根据所述目标应用当前呈现的多媒体内容，获取候选多媒体内容；从所述候选多媒体内容中获取播放时长与所述预设网络状态的持续时长相匹配的多媒体内容，作为待呈现内容，并在所述目标应用中缓存所述待呈现内容。

在一示例性实施例中，所述多媒体内容包括第一视频内容以及第二视频内容；所述第一视频内容的播放时长小于预设的第一播放时长，所述第二视频内容的播放时长大于预设的第二播放时长，所述第一播放时长小于所述第二播放时长；呈现内容缓存单元，进一步被配置为执行在所述目标应用当前呈现的多媒体内容为第一视频内容的情况下，根据所述目标应用的用户账号的用户特征获取所述候选多媒体内容；在所述目标应用当前呈现的多媒体内容为第二视频内容的情况下，根据所述第二视频内容的内容信息获取所述候选多媒体数据。

在一示例性实施例中，所述多媒体内容包括音乐内容；呈现内容缓存单元，进一步被配置为执行在所述目标应用当前呈现的多媒体内容为音乐内容的情况下，获取所述目标应用当前播放的音乐内容对应的音乐列表；将所述音乐列表中包含的音乐内容作为所述候选多媒体内容。

根据本公开实施例的第三方面，提供一种电子设备，包括：处理器；用于存储所述处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令，以实现如第一方面中任一项实施例所述的数据缓存方法。

根据本公开实施例的第四方面，提供一种计算机可读存储介质，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如第一方面中任一项实施例所述的数据缓存方法。

根据本公开实施例的第五方面，提供一种计算机程序产品，所述计算机程序产品中包括指令，所述指令被电子设备的处理器执行时，使得所述电子设备能够执行如第一方面任一项实施例所述的数据缓存方法。

本公开的实施例提供的技术方案至少带来以下有益效果：

在通过终端设备的目标应用呈现内容的过程中，获取当前时间信息以及终端设备的当前位置信息；将当前时间信息和当前位置信息输入至预训练的网络状态预测模型，通过网络状态预测模型预测终端设备在当前时间之后的至少一种网络状态，以及各网络状态的持续时长；在网络状态满足预设网络状态的情况下，在目标应用中缓存与该网络状态的持续时长相匹配的待呈现内容。本公开通过在目标应用呈现内容时采集当前时间与当前位置，之后则可以通过预先训练的网络状态预测模型来预测网络状态和网络状态的时长，并且还可以获取预设网络状态的持续时长，从而基于该持续时长缓存相匹配的待呈现内容，相比于现有技术由用户手动缓存信息内容，本公开可以基于预设网络状态的持续时长来缓存相适应的待呈现内容，从而可以提高数据缓存的智能性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理，并不构成对本公开的不当限定。

图1是根据一示例性实施例示出的一种数据缓存方法的流程图。

图2是根据一示例性实施例示出的训练网络状态预测模型的流程图。

图3是根据一示例性实施例示出的缓存待呈现内容的流程图。

图4是根据一示例性实施例示出的获取候选多媒体内容的流程图。

图5是根据一示例性实施例示出的预测网络状态和持续时长的方法的流程图。

图6是根据一示例性实施例示出的一种数据缓存装置的框图。

图7是根据一示例性实施例示出的一种电子设备的框图。

具体实施方式

为了使本领域普通人员更好地理解本公开的技术方案，下面将结合附图，对本公开实施例中的技术方案进行清楚、完整地描述。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

还需要说明的是，本公开所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于展示的数据、分析的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

图1是根据一示例性实施例示出的一种数据缓存方法的流程图，如图1所示，数据缓存方法用于终端设备中，包括以下步骤。

在步骤S101中，在通过终端设备的目标应用呈现内容的过程中，获取当前时间信息以及终端设备的当前位置信息。

其中，终端设备可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，目标应用则是终端设备当前呈现内容所对应的应用程序，而当前时间信息则指的是目标应用呈现内容过程中所对应的当前时间，该当前时间信息可以是终端设备设定的时间信息，也可以是目标应用中内置的时间信息，而当前位置信息则指的是终端设备当前时间所在的位置信息。具体来说，在用户通过终端设备上的目标应用进行内容呈现的过程中，终端设备还可以实时采集当前时间信息，以及当前时间信息所对应的位置，即当前位置信息。

在步骤S102中，将当前时间信息和当前位置信息输入至预训练的网络状态预测模型，通过网络状态预测模型预测终端设备在当前时间之后的至少一种网络状态，以及各网络状态的持续时长。

而网络状态预测模型则是预先训练的，用于预测终端设备的网络状态的神经网络模型，该网络状态预测模型可以预先部署于终端中，而网络状态则指的是终端设备的网络质量状态，可以指的是网络信号的强弱，由于终端设备在不同的时间和地点网络信号的强度都有所不同，因此该网络状态预测模型可以基于终端的当前时间和当前位置来预测之后的网络状态，而持续时长则指的是每一个网络状态所持续的时长，例如该网络状态预测模型可以预测终端设备处于无网络状态的时长，那么该时长则可以作为无网络状态的持续时长。

具体来说，终端设备在采集到当前时间信息和当前位置信息后，还可以进一步地将上述当前时间信息和当前位置信息输入至预先配置在终端设备中训练完成的网络状态预测模型，之后网络状态预测模型则可以输出当前时间之后，该终端设备所处的网络状态，以及各个网络状态的持续时长。

在步骤S103中，在网络状态满足预设网络状态的情况下，在目标应用中缓存与该网络状态的持续时长相匹配的待呈现内容。

待呈现内容则指的是还未在目标应用上呈现的内容，该待呈现内容的时长可以和预设网络状态所对应的持续时长相匹配，例如可以是待呈现内容的时长和预设网络状态所对应的持续时长相同，预设网络状态则可以是预先设定的一种网络状态，可以是无网络状态。本实施例中，如果终端设备预测得到的网络状态中包含有预设网络状态，还可以进一步地获取该预设网络状态的持续时长，并基于该持续时长来缓存相匹配的待呈现内容。

例如，预设网络状态可以是无网络状态，终端设备预测出无网络状态后，还可以进一步获取终端设备处于无网络状态的持续时长，可以是5分钟，那么终端则可以获取呈现时长为5分钟的信息内容，可以是播放时长为5分钟的视频数据，作为待呈现内容，并将其在目标应用中缓存。

上述数据缓存方法中，在通过终端设备的目标应用呈现内容的过程中，获取当前时间信息以及终端设备的当前位置信息；将当前时间信息和当前位置信息输入至预训练的网络状态预测模型，通过网络状态预测模型预测终端设备在当前时间之后的至少一种网络状态，以及各网络状态的持续时长；在网络状态满足预设网络状态的情况下，在目标应用中缓存与该网络状态的持续时长相匹配的待呈现内容。本公开通过在目标应用呈现内容时采集当前时间与当前位置，之后则可以通过预先训练的网络状态预测模型来预测网络状态和网络状态的时长，并且还可以获取预设网络状态的持续时长，从而基于该持续时长缓存相匹配的待呈现内容，相比于现有技术由用户手动缓存信息内容，本公开可以基于预设网络状态的持续时长来缓存相适应的待呈现内容，从而可以提高数据缓存的智能性。

在一示例性实施例中，步骤S102可以进一步包括：通过网络状态预测模型生成终端设备的网络信号强度变化轨迹；根据网络信号强度变化轨迹，确定终端设备在当前时间之后的网络状态，以及网络状态的持续时长。

其中，网络信号强度变化轨迹指的是网络信号强度的变化轨迹，该轨迹可以是通过网络信号强度的变化折线图来体现，以表征各个时间点网络信号强度的变化情况，而网络状态则可以由网络信号强度决定。本实施例中，网络状态预测模型可以是网络信号强度的预测模型，在终端得到当前时间信息和当前位置信息，并将其输入至网络状态预测模型后，则可以通过网络状态预测模型来生成终端设备的网络信号强度的变化折线图，作为该终端设备的网络信号强度变化轨迹，之后，则可以基于该网络信号强度变化轨迹，来确定出终端设备在当前时间之后的网络状态，以及每一个网络状态的持续时长。例如，网络信号强度变化轨迹表征终端设备在当前时间之后的网络状态变化情况可以是由网络状态A-网络状态B-网络状态A，并且每个网络状态阶段的时长可以分别是时长A、时长B以及时长C，那么网络状态A的持续时长则可以是时长A+时长C，而网络状态B的持续时长则可以是时长B。

本实施例中，网络状态预测模型可以用于生成终端设备的网络信号强度变化轨迹，并且可以进一步基于该网络信号强度变化轨迹来确定出终端设备当前时间之后的网络状态，以及每一个网络状态的持续时长，从而进一步提高了网络状态预测的直观性与准确性。

进一步地，预设网络状态包括弱网状态或无网络状态中的至少一种，根据网络信号强度变化轨迹，确定终端设备在当前时间之后的网络状态，以及网络状态的持续时长，可以进一步包括：基于网络信号强度变化轨迹，获取网络信号强度小于或等于预设网络状态对应的信号强度阈值的时间区间；将时间区间对应的区间长度作为预设网络状态的持续时长。

本实施例中，预设网络状态可以是弱网状态或者无网络状态，那么在终端设备预测出在当前时间之后终端设备可能处于弱网状态或者无网络状态时，则可以在目标应用中预先缓存有待呈现内容，从而在终端设备实际处于弱网状态与无网络状态下时，用户则可以通过终端设备呈现在目标应用中预先缓存的待呈现内容，来保证终端设备在弱网状态与无网络状态下的正常内容呈现。而信号强度阈值则可以是预先设定的网络信号强度阈值，用于判断终端设备是否处于弱网状态或者无网络状态，如果网络信号强度变化轨迹中存在网络信号强度小于或者等于信号强度阈值的时间区间，那么该时间区间则可以作为网络状态为弱网状态或者无网络状态的时间区间，因此终端设备可以将该时间区间的区间长度作为弱网状态或者无网络状态的持续时长，即预设网络状态的持续时长。

例如，信号强度阈值可以是信号强度A，在终端设备得到网络信号强度变化轨迹后，则可以从该变化轨迹中，确定出网络信号强度小于或者等于信号强度A的时间区间，可以分别是时间区间A和时间区间C，并且时间区间A和时间区间C的区间长度分别是时长A以及时长C，那么终端设备则可以将该区间长度，即时长A+时长C作为终端设备处于弱网状态或无网络状态的持续时长。

本实施例中，终端设备可以将弱网状态或无网络状态作为预设网络状态，从而可以基于网络信号强度变化轨迹，得到网络信号强度小于或等于该信号强度阈值的时间区间，并且可以通过时间区间的区间长度来确定出预设网络状态的持续时长，通过上述方式可以保证终端设备在弱网状态与无网络状态下的正常内容呈现，从而提高终端设备内容呈现的智能性。

另外，如图2所示，步骤S102之前，还可以包括：

在步骤S201中，通过样本终端设备的目标应用获取训练样本数据；训练样本数据包括样本终端设备在历史时间周期中的历史时间信息、历史位置信息，以及样本终端设备在历史时间周期中的历史网络信号强度变化轨迹。

其中，训练样本数据是用于训练网络状态预测模型时所使用的样本数据，该训练样本数据可以是样本终端设备在使用目标应用时提供，例如，目标应用中可以设置有埋点数据，在用户使用目标应用时，则可以通过埋点数据来记录数据，并将记录的数据作为训练网络状态预测模型的样本数据，即训练样本数据。而训练样本数据则可以是样本终端设备在历史时间周期中的时间信息，即历史时间信息，位置信息，即历史位置信息，以及在历史时间周期中网络信号强度的变化轨迹，即历史网络信号强度变化轨迹。

具体来说，样本终端设备可以通过其携带的目标应用采集该样本终端设备在某一个历史时间周期，例如，每一天或者每一个月的时间信息，即历史时间信息，并采集该历史时间周期下的地理位置信息，即历史位置信息，以及采集该历史时间周期中网络信号强度的变化轨迹，即历史网络信号强度变化轨迹，从而得到用于训练网络状态预测模型的训练样本数据。

在步骤S202中，将历史时间信息以及历史位置信息输入待训练的网络状态预测模型，得到样本终端设备在历史时间区间中的预测网络信号强度变化轨迹。

待训练的网络状态预测模型指的是还未训练的网络状态预测模型，而预测网络信号强度变化轨迹则指的是待训练的网络状态预测模型输出的网络信号强度变化轨迹。在通过样本终端设备的目标应用采集到训练样本数据后，还可以将上述训练样本数据中的历史时间信息以及历史位置信息输入至上述待训练的网络状态预测模型中，由待训练的网络状态预测模型输出得到样本终端设备在历史时间区间中的预测网络信号强度变化轨迹。

在步骤S203中，利用预测网络信号强度变化轨迹以及历史网络信号强度变化轨迹对网络状态预测模型进行训练，得到预训练的网络状态预测模型。

在得到预测网络信号强度变化轨迹后，还可以利用训练样本数据中的历史网络信号强度变化轨迹与预测网络信号强度变化轨迹，得到网络状态预测模型的误差损失，从而利用该误差损失对网络状态预测模型进行训练，直到得到训练完成的网络状态预测模型，即预训练的网络状态预测模型。

本实施例中，还可以通过样本终端设备的目标应用采集训练样本数据，从而实现网络状态预测模型的训练，以进一步提高得到的网络状态预测模型的预测准确率。

进一步地，步骤S201可以进一步包括：通过样本终端设备的目标应用获取样本终端设备在历史时间周期中各个时间点对应的历史时间信息、历史位置信息，以及历史网络信号强度信息；基于各个时间点的顺序，以及各个时间点的历史网络信号强度信息，得到历史网络信号强度变化轨迹。

历史网络信号强度信息指的是历史时间周期中每一个时间点的网络信号强度信息，本实施例中，可以通过样本终端设备的目标应用来得到该样本终端设备在历史时间周期中，每一个时间点所对应的时间信息，作为各个时间点对应的历史时间信息，每一个时间点所对应的地理位置信息，作为各个时间点对应的历史位置信息，以及每一个时间点样本终端设备的网络信号强度信息，作为各个时间点对应的历史网络信号强度信息。之后，还可以按照每一个时间点的时间顺序，以及类一个时间点的历史网络信号强度信息，来生成该历史时间周期的网络信号强度变化轨迹，即历史网络信号强度变化轨迹。

例如，历史时间周期包含的时间点可以是时间点A、时间点B以及时间点C，并且各个时间点的时间顺序是时间点A-时间点B-时间点C，终端设备可以基于每个时间点的历史网络信号强度信息，以及上述时间点的时间顺序，生成由时间点A的历史网络信号强度信息-时间点B的历史网络信号强度信息-时间点C的历史网络信号强度信息所组成的历史网络信号强度变化轨迹。

本实施例中，还可以通过样本终端设备的目标应用得到样本终端设备在历史时间周期中每一个时间点的历史时间信息、历史位置信息，以及历史网络信号强度信息，从而进一步基于每一个时间点的顺序生成历史网络信号强度变化轨迹，从而进一步提高历史网络信号强度变化轨迹的准确性。

在一示例性实施例中，待呈现内容为多媒体内容；如图3所示，步骤S103可以进一步包括：

在步骤S301中，根据目标应用当前呈现的多媒体内容，获取候选多媒体内容。

本实施例中，待呈现内容可以是多媒体内容，该目标应用可以是多媒体应用，例如可以是视频播放应用或者音乐播放应用等等，候选多媒体内容则指的是由终端设备的目标应用根据当前呈现的多媒体内容，筛选出的可以被用于在终端设备中缓存的多媒体内容，例如可以是与当前呈现的多媒体内容主题相关的其他多媒体内容，或者可以是与当前呈现的多媒体内容相同作者的多媒体内容等等。具体来说，终端设备在预测出终端设备的网络状态满足预设的网络状态时，则可以根据终端设备当前在目标应用中呈现的多媒体内容，来筛选出相应的候选多媒体内容。

在步骤S302中，从候选多媒体内容中获取播放时长与预设网络状态的持续时长相匹配的多媒体内容，作为待呈现内容，并在目标应用中缓存待呈现内容。

之后，终端设备则可以进一步地从筛选出的候选多媒体内容中，得到播放时长与预设网络状态的持续时长相匹配的多媒体内容，作为待呈现内容并在目标应用中缓存。

本实施例中，如果待呈现内容为多媒体内容时，终端设备可以先基于目标应用当前呈现的多媒体内容筛选出候选多媒体内容，之后则可以进一步地从候选多媒体内容中将播放时长与预设网络状态的持续时长相匹配的多媒体内容，作为待呈现内容进行缓存，从而可以使得待呈现内容可以与用户当前观看的多媒体内容相适应，进一步提高多媒体内容呈现的智能性。

进一步地，多媒体内容包括第一视频内容以及第二视频内容；第一视频内容的播放时长小于预设的第一播放时长，第二视频内容的播放时长大于预设的第二播放时长，第一播放时长小于第二播放时长；如图4所示，步骤S301可以进一步包括：

在步骤S401中，在目标应用当前呈现的多媒体内容为第一视频内容的情况下，根据目标应用的用户账号的用户特征获取候选多媒体内容。

本实施例中，作为待呈现内容的多媒体内容可以是视频内容，而视频内容可以包括两种，分别为第一视频内容以及第二视频内容，其中第一视频内容指的是播放时长小于第一播放时长的视频内容，例如可以是某些短视频，而第二视频内容则指的是播放时长大于第二播放时长的视频内容，并且该第二播放时长要大于第一播放时长，例如第二视频内容可以是诸如电视剧或者电影等长视频。同时，对于第一视频内容以及第二视频内容，终端设备获取候选多媒体内容的方式可以有所不同。

具体来说，如果目标应用当前呈现的多媒体内容为第一视频内容，即短视频时，终端设备可以根据用户登陆目标应用的用户账号的用户特征，来获取候选多媒体内容，例如可以是根据用户账号的历史播放行为，来筛选出与用户账号的用户兴趣特征以及用户感兴趣的主题等，来得到与用户相关的短视频，作为候选多媒体内容。

在步骤S402中，在目标应用当前呈现的多媒体内容为第二视频内容的情况下，根据第二视频内容的内容信息获取候选多媒体数据。

而如果目标应用当前呈现的多媒体内容为第二视频内容，即长视频时，终端设备则可以根据当前呈现的第二视频内容，来获取与第二视频内容相关的候选多媒体内容，例如第二视频内容可以是某个电视剧，那么终端设备则可以将当前播放的电视剧的下一剧集作为候选多媒体内容，而如果第二视频内容为某个电影，那么终端设备则可以将该电影的待播放部分作为候选多媒体数据。

本实施例中，作为待呈现内容的多媒体内容可以是视频内容，其中视频内容可以包括第一视频内容和第二视频内容，如果目标应用当前呈现的是第一视频内容时，终端设备则可以根据用户账号的用户特征来获取候选多媒体内容，而如果目标应用当前呈现的是第二视频内容时，终端设备则可以根据呈现的视频内容的内容信息获取候选多媒体内容，从而进一步提高了获取候选多媒体数据的智能性。

另外，多媒体内容包括音乐内容；步骤S301可以进一步包括：在目标应用当前呈现的多媒体内容为音乐内容的情况下，获取目标应用当前播放的音乐内容对应的音乐列表；将音乐列表中包含的音乐内容作为候选多媒体内容。

本实施例中，作为待呈现内容的多媒体内容还可以是音乐内容，音乐列表则指的是用户播放音乐的列表，如果目标应用当前呈现的多媒体内容为音乐内容的情况下，终端设备则可以获取目标应用当前播放的音乐内容对应的音乐列表，即用户当前正在收听的音乐列表，并且将音乐列表中包含的音乐内容作为候选多媒体内容。

本实施例中，作为待呈现内容的多媒体内容可以是音乐内容，此时终端设备可以将当前播放的音乐内容对应的音乐列表中包含的音乐作为候选多媒体内容，从而进一步使得缓存的音乐可以是与用户相适应的音乐，进一步提高了音乐缓存的智能性。

在一示例性实施例中，还提供了一种预测移动端设备不同网络状态和持续时长的方法，如图5所示，该方法具体可以包括以下步骤：

1、信息采集：

在应用程序增加埋点数据来记录用户在不同时间点，不同地理位置对应的网络状态，并实时上传到服务端。

2、处理和清洗数据：

在收集数据之后，将数据存储在数据池或数据仓库中，同时会清除重复数据、不真实输入、系统错误和其他类型的偏差。

3、分析数据，输出模型：

完成数据采集以及预处理之后，就可以根据这些数据进行分析。例如可以通过数据挖掘、人工智能、机器学习、预测分析、深度学习、神经网络等方法实现数据分析。最终，则可以构建出一个预测网络状态变化的模型。并且不断的进行模型训练，提升预测模型的准确度。

例如可以是通过采集在某个时间周期内，可以是每周或者每月，在各种地理位置下用户网络状态变化的轨迹。通过以上信息，就可以根据当前的时间和用户位置，推测出用户网络状态接下来的变化情况。

4、模型下发：

将优化过的模型转换为移动设备侧推理引擎支持的格式，并将其部署到移动设备上。

5、模型应用：

针对不同应用程序，在合适的时机通过推理引擎加载模型，并执行推理预测，例如可以包括以下应用场景：

(1)在短视频应用程序的应用：当预测到应用程序即将发生无网弱网的时候，获取无网弱网的可能时长，根据无网弱网的可能时长，去下载对应播放时长的一批用户没看过的短视频到本地，该视频是跟用户的兴趣、爱好、时效性相关的视频。这样，用户进入无网和弱网环境之后，则可以在推荐页面插入之前下载的视频供用户观看。通过上述方式，一方面可以提高用户的短视频应用程序的使用时长和用户体验，另外一方面因为预测到了用户无网弱网的时长，所以就可以下载一批总时长和弱网时长一样的视频，从而可以节省带宽，防止下载太多的视频造成带宽的浪费。

(2)在对象兑换应用程序中的应用：当预测到应用程序即将发生无网弱网的时候，提前请求用户当前浏览页面里相关的待兑换对象的详细信息：比如待兑换对象的图片、所需资源、对象分类以及评论等信息，当用户到了无网弱网环境的时候，点击到兑换详情页可以看到之前缓存好的兑换对象信息，从而提高用户的应用程序使用时长和用户体验。

(3)在长视频应用程序中的应用：当用户在观看电视剧，电影的时候，当预测到应用程序即将发生无网弱网的时候，获取无网弱网的可能时长，并根据该时长提前下载一部分用户当前在观看的电视剧、电影，下载的时长跟无网弱网时长接近，那么当用户到了无网弱网环境的时候，可以继续观看之前下载好的电视剧电影。通过上述方式，一方面可以提高用户的长视频应用程序的使用时长和用户体验，另外一方面因为预测到了用户无网弱网的时长，所以就可以预先下载用户当前观看的电影或者电视剧列表，并且下载的电影或者电视剧列表总时长和弱网时长一样，从而可以节省带宽，防止下载太多的视频造成带宽的浪费。

(4)在音乐播放应用程序中的应用：当用户在听音乐的时候，当预测到应用程序即将发生无网弱网的时候，获取无网弱网的可能时长，并提前下载一部分用户当前在听的音乐列表，下载的音乐播放时长跟无网弱网时长接近,当用户到了无网弱网环境的时候，可以继续收听之前下载的音乐。通过上述方式，一方面可以提高用户的音乐播放应用程序的使用时长和用户体验，另外一方面因为预测到了用户无网弱网的时长，所以就可以下载一批音乐总时长和弱网时长一样的音乐，从而可以节省带宽，防止下载太多的音乐造成带宽的浪费。

通过上述方法，可以让用户在无网或者弱网的时候，也能顺利的播放视频或者收听音乐，从而提高用户的用户体验，并且还可以预测出用户会在本地无网弱网环境下停留的时长，之后则可以针对性的调整应用程序预加载的视频或音乐数量，能够节省一定的带宽成本。

应该理解的是，虽然图1-图5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-图5中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

可以理解的是，本说明书中上述方法的各个实施例之间相同/相似的部分可互相参见，每个实施例重点说明的是与其他实施例的不同之处，相关之处参见其他方法实施例的说明即可。

图6是根据一示例性实施例示出的一种数据缓存装置的框图。参照图6，该装置包括当前信息获取单元601，网络状态预测单元602和呈现内容缓存单元603。

当前信息获取单元601，被配置为执行在通过终端设备的目标应用呈现内容的过程中，获取当前时间信息以及所述终端设备的当前位置信息；

网络状态预测单元602，被配置为执行将所述当前时间信息和所述当前位置信息输入至预训练的网络状态预测模型，通过所述网络状态预测模型预测所述终端设备在当前时间之后的至少一种网络状态，以及各所述网络状态的持续时长；

呈现内容缓存单元603，被配置为执行在所述网络状态满足预设网络状态的情况下，在所述目标应用中缓存与该网络状态的持续时长相匹配的待呈现内容。

在一示例性实施例中，网络状态预测单元602，进一步被配置为执行通过网络状态预测模型生成终端设备的网络信号强度变化轨迹；根据网络信号强度变化轨迹，确定终端设备在当前时间之后的网络状态，以及网络状态的持续时长。

在一示例性实施例中，预设网络状态包括弱网状态或无网络状态中的至少一种，网络状态预测单元602，进一步被配置为执行基于网络信号强度变化轨迹，获取网络信号强度小于或等于预设网络状态对应的信号强度阈值的时间区间；将时间区间对应的区间长度作为预设网络状态的持续时长。

在一示例性实施例中，数据缓存装置还包括：预测模型训练单元，被配置为执行通过样本终端设备的目标应用获取训练样本数据；训练样本数据包括样本终端设备在历史时间周期中的历史时间信息、历史位置信息，以及样本终端设备在历史时间周期中的历史网络信号强度变化轨迹；将历史时间信息以及历史位置信息输入待训练的网络状态预测模型，得到样本终端设备在历史时间区间中的预测网络信号强度变化轨迹；利用预测网络信号强度变化轨迹以及历史网络信号强度变化轨迹对网络状态预测模型进行训练，得到预训练的网络状态预测模型。

在一示例性实施例中，预测模型训练单元，进一步被配置为执行通过样本终端设备的目标应用获取样本终端设备在历史时间周期中各个时间点对应的历史时间信息、历史位置信息，以及历史网络信号强度信息；基于各个时间点的顺序，以及各个时间点的历史网络信号强度信息，得到历史网络信号强度变化轨迹。

在一示例性实施例中，待呈现内容为多媒体内容；呈现内容缓存单元603，进一步被配置为执行根据目标应用当前呈现的多媒体内容，获取候选多媒体内容；从候选多媒体内容中获取播放时长与预设网络状态的持续时长相匹配的多媒体内容，作为待呈现内容，并在目标应用中缓存待呈现内容。

在一示例性实施例中，多媒体内容包括第一视频内容以及第二视频内容；第一视频内容的播放时长小于预设的第一播放时长，第二视频内容的播放时长大于预设的第二播放时长，第一播放时长小于第二播放时长；呈现内容缓存单元603，进一步被配置为执行在目标应用当前呈现的多媒体内容为第一视频内容的情况下，根据目标应用的用户账号的用户特征获取候选多媒体内容；在目标应用当前呈现的多媒体内容为第二视频内容的情况下，根据第二视频内容的内容信息获取候选多媒体数据。

在一示例性实施例中，多媒体内容包括音乐内容；呈现内容缓存单元603，进一步被配置为执行在目标应用当前呈现的多媒体内容为音乐内容的情况下，获取目标应用当前播放的音乐内容对应的音乐列表；将音乐列表中包含的音乐内容作为候选多媒体内容。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图7是根据一示例性实施例示出的一种用于数据缓存的电子设备700的框图。例如，电子设备700可以是移动电话、计算机、数字广播终端、消息收发设备、游戏控制台、平板设备、医疗设备、健身设备、个人数字助理等。

参照图7，电子设备700可以包括以下一个或多个组件：处理组件702、存储器704、电源组件706、多媒体组件708、音频组件710、输入/输出(I/O)的接口712、传感器组件714以及通信组件716。

处理组件702通常控制电子设备700的整体操作，诸如与显示、电话呼叫、数据通信、相机操作和记录操作相关联的操作。处理组件702可以包括一个或多个处理器720来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件702可以包括一个或多个模块，便于处理组件702和其他组件之间的交互。例如，处理组件702可以包括多媒体模块，以方便多媒体组件708和处理组件702之间的交互。

存储器704被配置为存储各种类型的数据以支持在电子设备700的操作。这些数据的示例包括用于在电子设备700上操作的任何应用程序或方法的指令、联系人数据、电话簿数据、消息、图片、视频等。存储器704可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)、电可擦除可编程只读存储器(EEPROM)、可擦除可编程只读存储器(EPROM)、可编程只读存储器(PROM)、只读存储器(ROM)、磁存储器、快闪存储器、磁盘、光盘或石墨烯存储器。

电源组件706为电子设备700的各种组件提供电力。电源组件706可以包括电源管理系统，一个或多个电源，及其他与为电子设备700生成、管理和分配电力相关联的组件。

多媒体组件708包括在所述电子设备700和用户之间的提供输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件708包括前置摄像头和/或后置摄像头。当电子设备700处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件710被配置为输出和/或输入音频信号。例如，音频组件710包括麦克风(MIC)，当电子设备700处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器704或经由通信组件716发送。在一些实施例中，音频组件710还包括扬声器，用于输出音频信号。

I/O接口712为处理组件702和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件714包括一个或多个传感器，用于为电子设备700提供各个方面的状态评估。例如，传感器组件714可以检测到电子设备700的打开/关闭状态，组件的相对定位，例如所述组件为电子设备700的显示器和小键盘，传感器组件714还可以检测电子设备700或电子设备700组件的位置改变，用户与电子设备700接触的存在或不存在，设备700方位或加速/减速和电子设备700的温度变化。传感器组件714可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件714还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件714还可以包括加速度传感器、陀螺仪传感器、磁传感器、压力传感器或温度传感器。

通信组件716被配置为便于电子设备700和其他设备之间有线或无线方式的通信。电子设备700可以接入基于通信标准的无线网络，如WiFi，运营商网络(如2G、3G、4G或5G)，或它们的组合。在一个示例性实施例中，通信组件716经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件716还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备700可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器704，上述指令可由电子设备700的处理器720执行以完成上述方法。例如，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

在示例性实施例中，还提供一种计算机程序产品，所述计算机程序产品中包括指令，上述指令可由电子设备700的处理器720执行以完成上述方法。

需要说明的，上述的装置、电子设备、计算机可读存储介质、计算机程序产品等根据方法实施例的描述还可以包括其他的实施方式，具体的实现方式可以参照相关方法实施例的描述，在此不作一一赘述。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (11)

1.一种数据缓存方法，其特征在于，包括：

在通过终端设备的目标应用呈现内容的过程中，获取当前时间信息以及所述终端设备的当前位置信息；

将所述当前时间信息和所述当前位置信息输入至预训练的网络状态预测模型，通过所述网络状态预测模型预测所述终端设备在当前时间之后的至少一种网络状态，以及各所述网络状态的持续时长；

在所述网络状态满足预设网络状态的情况下，在所述目标应用中缓存与该网络状态的持续时长相匹配的待呈现内容。

2.根据权利要求1所述的方法，其特征在于，所述通过所述网络状态预测模型预测所述终端设备在当前时间之后的网络状态，以及所述网络状态的持续时长，包括：

通过所述网络状态预测模型生成所述终端设备的网络信号强度变化轨迹；

根据所述网络信号强度变化轨迹，确定所述终端设备在当前时间之后的网络状态，以及所述网络状态的持续时长。

3.根据权利要求2所述的方法，其特征在于，所述预设网络状态包括弱网状态或无网络状态中的至少一种，所述根据所述网络信号强度变化轨迹，确定所述终端设备在当前时间之后的网络状态，以及所述网络状态的持续时长，包括：

基于所述网络信号强度变化轨迹，获取网络信号强度小于或等于所述预设网络状态对应的信号强度阈值的时间区间；

将所述时间区间对应的区间长度作为所述预设网络状态的持续时长。

4.根据权利要求2所述的方法，其特征在于，所述将所述当前时间信息和所述当前位置信息输入至预训练的网络状态预测模型之前，还包括：

通过样本终端设备的目标应用获取训练样本数据；所述训练样本数据包括所述样本终端设备在历史时间周期中的历史时间信息、历史位置信息，以及所述样本终端设备在所述历史时间周期中的历史网络信号强度变化轨迹；

将所述历史时间信息以及所述历史位置信息输入待训练的网络状态预测模型，得到所述样本终端设备在所述历史时间区间中的预测网络信号强度变化轨迹；

利用所述预测网络信号强度变化轨迹以及所述历史网络信号强度变化轨迹对所述网络状态预测模型进行训练，得到所述预训练的网络状态预测模型。

5.根据权利要求4所述的方法，其特征在于，所述通过样本终端设备的目标应用获取训练样本数据，包括：

通过样本终端设备的目标应用获取所述样本终端设备在所述历史时间周期中各个时间点对应的历史时间信息、历史位置信息，以及历史网络信号强度信息；

基于所述各个时间点的顺序，以及所述各个时间点的历史网络信号强度信息，得到所述历史网络信号强度变化轨迹。

6.根据权利要求1所述的方法，其特征在于，所述待呈现内容为多媒体内容；

所述在所述目标应用中缓存与该网络状态的持续时长相匹配的待呈现内容，包括：

根据所述目标应用当前呈现的多媒体内容，获取候选多媒体内容；

从所述候选多媒体内容中获取播放时长与所述预设网络状态的持续时长相匹配的多媒体内容，作为待呈现内容，并在所述目标应用中缓存所述待呈现内容。

7.根据权利要求6所述的方法，其特征在于，所述多媒体内容包括第一视频内容以及第二视频内容；所述第一视频内容的播放时长小于预设的第一播放时长，所述第二视频内容的播放时长大于预设的第二播放时长，所述第一播放时长小于所述第二播放时长；

所述根据所述目标应用当前呈现的多媒体内容，获取候选多媒体内容，包括：

在所述目标应用当前呈现的多媒体内容为第一视频内容的情况下，根据所述目标应用的用户账号的用户特征获取所述候选多媒体内容；

在所述目标应用当前呈现的多媒体内容为第二视频内容的情况下，根据所述第二视频内容的内容信息获取所述候选多媒体数据。

8.根据权利要求6所述的方法，其特征在于，所述多媒体内容包括音乐内容；

所述根据所述目标应用当前呈现的多媒体内容，获取候选多媒体内容，包括：

在所述目标应用当前呈现的多媒体内容为音乐内容的情况下，获取所述目标应用当前播放的音乐内容对应的音乐列表；

将所述音乐列表中包含的音乐内容作为所述候选多媒体内容。

9.一种数据缓存装置，其特征在于，包括：

当前信息获取单元，被配置为执行在通过终端设备的目标应用呈现内容的过程中，获取当前时间信息以及所述终端设备的当前位置信息；

网络状态预测单元，被配置为执行将所述当前时间信息和所述当前位置信息输入至预训练的网络状态预测模型，通过所述网络状态预测模型预测所述终端设备在当前时间之后的至少一种网络状态，以及各所述网络状态的持续时长；

呈现内容缓存单元，被配置为执行在所述网络状态满足预设网络状态的情况下，在所述目标应用中缓存与该网络状态的持续时长相匹配的待呈现内容。

10.一种电子设备，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为执行所述指令，以实现如权利要求1至8中任一项所述的数据缓存方法。

11.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行如权利要求1至8中任一项所述的数据缓存方法。

Images