WO2019062460A1 - 应用控制方法、装置、存储介质以及电子设备 - Google Patents

应用控制方法、装置、存储介质以及电子设备 Download PDF

Info

Publication number
WO2019062460A1
WO2019062460A1 PCT/CN2018/103254 CN2018103254W WO2019062460A1 WO 2019062460 A1 WO2019062460 A1 WO 2019062460A1 CN 2018103254 W CN2018103254 W CN 2018103254W WO 2019062460 A1 WO2019062460 A1 WO 2019062460A1
Authority
WO
WIPO (PCT)
Prior art keywords
application
preset
sampling
time point
connection state
Prior art date
Application number
PCT/CN2018/103254
Other languages
English (en)
French (fr)
Inventor
曾元清
Original Assignee
Oppo广东移动通信有限公司
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 Oppo广东移动通信有限公司 filed Critical Oppo广东移动通信有限公司
Priority to EP18860046.4A priority Critical patent/EP3690650B1/en
Publication of WO2019062460A1 publication Critical patent/WO2019062460A1/zh
Priority to US16/828,515 priority patent/US11403197B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/302—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system component is a software system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
    • G06F11/3075—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting the data filtering being achieved in order to maintain consistency among the monitored data, e.g. ensuring that the monitored data belong to the same timeframe, to the same system or component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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

Definitions

  • the present application relates to the field of computer technologies, and in particular, to an application control method, apparatus, storage medium, and electronic device.
  • the embodiments of the present application provide an application control method, device, storage medium, and electronic device, which can flexibly clean background applications and effectively improve system resources.
  • the embodiment of the present application further provides an electronic device, including a processor and a memory, the processor is electrically connected to the memory, the memory is used to store instructions and data, and the processor is used in any one of the foregoing The steps in the application control method described.
  • the trained Bayesian model controls the background application in the electronic device, including:
  • the post-training Bayesian model and current operational parameters are used to calculate the cleanup rate of each background application, including:
  • the closing the background application according to the cleanup rate comprises:
  • the historical period may be manually set, such as the previous month or the first two months.
  • the sampling time point mainly refers to the sampling frequency, for example, it can be sampled every minute or every two minutes, and can be expressed in the form of x minutes x x x x x x x.
  • Both the charging connection state and the network connection state may include both connected and unconnected situations.
  • the attenuation parameter corresponding to different distribution positions may be set in advance, wherein the correspondence between the attenuation parameter and the distribution position may be one-to-one (that is, once attenuated once a day), or may be one-to-many (also That is, it decays every few days). Since the distribution position is higher, the farther the sampling time point is from the current time, and the longer the time, the lower the reference value of the data, so the smaller the attenuation time parameter corresponding to the sampling time point of the distribution position can be set. .
  • the sampling date type is divided into weekly, which may include weekdays and weekends.
  • the sampling period is divided into daily, which can divide the day into 48 time periods.
  • the preset power range and the preset duration range may be manually set, and the preset power range may include three ranges indicating high power, medium power, and low power, for example, the high power may be 70%. -100%, the medium power can be 40%-70%, the low battery can be 0-40%, etc., the preset duration range can include three intervals indicating short, medium and long, for example, the length can be more than 10min, It can be 5-10min in length and 0-5min in short.
  • steps 1-3 may specifically include:
  • the foreground application obtained before the sampling time point can be regarded as the current foreground application for the foreground application obtained by any sampling.
  • the previous foreground application that is obtained after the sampling time point can be regarded as the next switching application of the current foreground application.
  • different foreground applications that are closest to the current sampling time point can be taken as the previous switching application and Next switch application.
  • all foreground applications may be sorted according to the sampling time point. For any three adjacent different foreground applications after sorting, the front foreground application may serve as the previous switching application of the intermediate foreground application, followed by The foreground application can serve as the next switching application for the intermediate foreground application.
  • the preset duration, the first preset value, and the second preset value may be manually set, and the preset duration is mainly used to define a length of time, which may be 10 minutes, and the first preset value may be Yes 1, the second preset value can be 0.
  • the preset duration is mainly used to define a length of time, which may be 10 minutes, and the first preset value may be Yes 1, the second preset value can be 0.
  • the predicted value of the target prediction application can be set to 1, otherwise, all are set to 0.
  • each training sample may be composed of a plurality of known feature items and data of the tag items, the known The feature item may include the previous switching application, the foreground application, the sampling date type, the sampling period, the preset power range, the preset duration range, the charging connection status, and the network connection status, etc., and the label item is mainly.
  • steps 1-3-4 may specifically include:
  • the sample group and the corresponding attenuation parameter are input into the first preset formula to calculate, and the probability of the corresponding predicted value is obtained, and the first preset formula is:
  • the predicted value includes j1 and j2
  • the sample group includes (S 1 , S 2 ... S m ), 1 ⁇ i ⁇ m , ⁇ is an attenuation parameter, and 0 ⁇ ⁇ ⁇ 1, Indicates the number of occurrences of events in the sample group Si, and P indicates the probability of occurrence of the event;
  • the predicted value, the eigenvalue and the corresponding attenuation parameter in the sample group are input into the second preset formula to obtain a probability of the corresponding eigenvalue and the predicted value, and the second preset formula is:
  • the eigenvalues include (q 1 , q 2 ... q n ), 1 ⁇ j ⁇ n .
  • the Bayesian model can be: Where q 1 , q 2 ... q n are a priori conditions, q n is the eigenvalue corresponding to the nth feature item, and J is the predicted value of the target prediction application. To simplify the calculation, assuming that q 1 , q 2 ... q n are independent of each other, then Thus the Naive Bayes classifier model is obtained:
  • JMAX arg max P(J
  • q 1 ,q 2 ...q n ) argmaxP(q 1
  • the process of training the Bayesian model is the process of probability and statistics, that is, after training the Bayesian model, the probability values of different eigenvalues in each feature item can be obtained, such as P(q 1 ), P( q 1
  • the foregoing step 105 may specifically include:
  • the background application cleanup instruction may be automatically generated by the electronic device, for example, when the memory occupancy reaches a certain limit, or the power is insufficient, or the running speed is too slow, the background application cleanup instruction is generated, and of course, the background application is cleaned up.
  • the instructions may also be generated manually by the user. For example, the user may generate the background application cleanup instruction by clicking the specified cleanup icon.
  • the foregoing step 3-3 may specifically include:
  • the current feature value is input into the third preset formula for calculation, and the cleanable rate is obtained.
  • the third preset formula is:
  • the current sampling date type, the sampling period, the preset power range, the preset duration range, the previous switching application, the foreground application, the charging connection state, and the network may be obtained according to the current operating parameters.
  • q 1 ,q 2 ...q 9 ) P(j2)P(q 1
  • j2) is calculated on the premise that the current eigenvalue occurs , the probability value of occurrence of j2 (that is, the background application that the current prediction needs to be switched to the foreground in a short time), as the cleanable rate, wherein P(q k
  • steps 3-4 may specifically include:
  • the preset threshold and the preset number can be manually set.
  • the preset threshold may be 0.9
  • the preset number may be 4, that is, when the calculated P(j2
  • the application control method provided in this embodiment is applied to an electronic device, and obtains an operation parameter of the electronic device at each sampling time point in a historical period, where the operation parameter includes a foreground application, a remaining power, a duration of a bright screen, and a charging connection state and a network connection state, and determining an attenuation parameter of the corresponding operating parameter according to the sampling time point, and then generating a training sample according to the sampling time point and the operating parameter, and preset the Bayesian according to the training sample and the attenuation parameter
  • the model is trained, and then the background application in the electronic device is controlled based on the trained Bayesian model, so that the background application that needs to be cleaned can be selected according to the usage of the previous application, and the method is simple and flexible. It saves system resources and has a good user experience.
  • the application control device is specifically integrated into the electronic device as an example for detailed description.
  • an application control method may be as follows:
  • the electronic device acquires an operation parameter of each sampling time point in a historical period, where the operating parameter includes a foreground application, a remaining power, a screened duration, a charging connection state, and a network connection state.
  • the historical time period may be the past month
  • the sampling time point may be every minute in the past month.
  • the running parameter may be extracted from a database, and the database may store the usage record of the application in the electronic device in the past month, the on-off record of the screen, the charging record, and the WiFi connection record, as shown in Table 1-4 below. Based on these records, the operating parameters for each sampling time point can be extracted.
  • the electronic device extracts a sampling date from the sampling time point, and determines a distribution position of the sampling date in the historical time period, and then obtains an attenuation parameter corresponding to the operating parameter according to the distribution position.
  • the extracted sampling date is On October 17, 2012, its distribution position was 17/31, and then the attenuation parameter corresponding to 17/31 was obtained.
  • the electronic device determines, according to the sampling time point, a sampling date type and a sampling period, and determines a preset power amount range to which the remaining power belongs, and determines a preset duration range to which the bright screen duration belongs.
  • the sampling time point is 10:55 on October 17, 2012, it can be divided into 48 time periods per day, then the day is Wednesday, the sampling date type is working day, and the sampling time is the 11th time period. If the remaining power is 80%, the preset power range can be 70%-100% of the corresponding high power. If the duration of the bright screen is 3 min, the preset duration may be a short duration corresponding to 0-5 min.
  • the electronic device acquires a target prediction application, and determines a previous switching application and a next switching application of the foreground application from the operating parameters according to the sampling time point.
  • the target prediction application may be the ten most recent applications APP1, APP2...APP10. All foreground applications can be sorted according to the sampling time point. For any three adjacent different foreground applications after sorting, the front foreground application can be used as the last switching application of the intermediate foreground application, and the latter foreground application can be used as the middle.
  • the next switching application of the foreground application for example, for a sampling time point, the foreground application may be APP10, the last switching application may be APP1, and the next switching application may be APP5.
  • the electronic device calculates a difference between a sampling time point of the next switching application and a sampling time point of the foreground application, and determines whether the target prediction application is the next switching application, and whether the difference does not exceed a preset.
  • the duration if yes, determines the predicted value of the target prediction application as the first preset value, and if not, determines the predicted value of the target prediction application as the second preset value.
  • the sampled foreground application may be APP10, and the interval between the next switching application APP5 and APP10 may be 5 minutes, the first preset value may be 1, and the second preset value may be 0, when the target prediction application is used. If it is APP5 and the preset duration is 10min, T1 ⁇ 10, the predicted value of the target prediction application can be set to 1, otherwise, it is set to 0.
  • the electronic device separately obtains the previous switching application, the foreground application, the sampling date type, the sampling period, the preset power range, the preset duration range, the charging connection state, the network connection state, and the feature value corresponding to the target prediction application, and according to the The eigenvalues and predicted values generate training samples.
  • the correspondence between the feature value and the feature item may be as follows in Table 5:
  • the electronic device inputs each training sample and corresponding attenuation parameter into a preset Bayesian model to train the Bayesian model.
  • the foregoing step 207 may specifically include:
  • the sample group and the corresponding attenuation parameter are input into the first preset formula to calculate, and the probability of the corresponding predicted value is obtained, and the first preset formula is:
  • the predicted value includes j1 and j2
  • the sample group includes (S 1 , S 2 ... S m ), 1 ⁇ i ⁇ m , ⁇ is an attenuation parameter, and 0 ⁇ ⁇ ⁇ 1, Indicates the number of occurrences of events in the sample group S i , and P indicates the probability of occurrence of the event;
  • the predicted value, the eigenvalue and the corresponding attenuation parameter in the sample group are input into the second preset formula to obtain a probability of the corresponding eigenvalue and the predicted value, and the second preset formula is:
  • the eigenvalues include (q 1 , q 2 ... q n ), 1 ⁇ j ⁇ n .
  • the Bayesian model can be: Where q 1 , q 2 ... q n are a priori conditions, q n is the eigenvalue corresponding to the nth feature item, and J is the predicted value of the target prediction application. To simplify the calculation, assuming that q 1 , q 2 ... q n are independent of each other, then Thus the Naive Bayes classifier model is obtained:
  • J MAX arg maxP(J
  • q 1 ,q 2 ...q n ) arg maxP(q 1
  • the feature items having the same attenuation parameter can be first classified into one sample group according to the acquisition time point, so that multiple sample groups can be obtained [S 1 , S 2 , S 3 , . . . , S m ], each sample group corresponds to one attenuation parameter, and then, the corresponding probability is calculated by using the first preset formula and the second preset formula.
  • the process of training the Bayesian model is the process of probability and statistics, that is, after training the Bayesian model, the probability values of different eigenvalues in each feature item can be obtained, such as P(q 1 ), P( q 1
  • the electronic device acquires a background application cleanup instruction.
  • the electronic device can automatically generate the background application cleaning instruction.
  • the electronic device acquires the background application and the current running parameter according to the background application cleanup instruction.
  • the electronic device calculates a cleanable rate of each background application by using the trained Bayesian model and current operating parameters.
  • the foregoing step 210 may specifically include:
  • the current feature value is input into the third preset formula for calculation, and the cleanable rate is obtained.
  • the third preset formula is:
  • the current sampling date type, sampling period, preset power range, preset duration range, previous switching application, foreground application, charging connection status, network connection status, and the like may be obtained according to the current operating parameters.
  • n is 9, and the feature values q 1 , q 2 ... q 9 corresponding to the 9 feature items are obtained, and then the formula is used:
  • q 1 ,q 2 ...q 9 ) P(j2)P(q 1
  • j2) is calculated on the premise that the current eigenvalue occurs The probability of occurrence of j2 (that is, the background application that currently needs to be predicted will not switch to the foreground in a short time), as the cleanable rate.
  • the electronic device selects a background application whose cleaning rate is not less than a preset threshold as the target application, or selects a preset number of background applications with the highest cleanup rate as the target application, and closes the target application.
  • the preset threshold may be 0.9, and the preset number may be 4, that is, when the calculated P(j2
  • the application control method wherein the electronic device can acquire the running parameters of each sampling time point in the historical time period, the operating parameters include the foreground application, the remaining power, the screen duration, the charging connection state, and the network.
  • the connection state extracting a sampling date from the sampling time point, and determining a distribution position of the sampling date in the historical time period, and then obtaining an attenuation parameter corresponding to the operating parameter according to the distribution position, and then determining, according to the sampling time point, Sampling the date type and the sampling period, determining a preset power range to which the remaining power belongs, and determining a preset duration range to which the bright screen duration belongs, and then acquiring a target prediction application, and according to the sampling time point, from the running parameter Determining a previous handover application and a next handover application of the foreground application, and then calculating a difference between a sampling time point of the next handover application and a sampling time point of the foreground application, and determining whether the target prediction application is the next Switching the application, and whether the difference does not exceed the preset duration, and if so, Then, the predicted value of the target prediction application is determined as a first preset value, and if not, the predicted value of the target prediction application is
  • a sampling date type a sampling period, a preset power range, a preset duration range, a charging connection state, a network connection state, and a feature value corresponding to the target prediction application, and generating a training sample according to the feature value and the predicted value, and then, each The training sample and the corresponding attenuation parameter are input into a preset Bayesian model to train the Bayesian model, and then obtain a background application cleanup instruction, and obtain a background application according to the background application cleanup instruction, and the current Run the parameters, and then use the trained Bayesian model and the current running parameters to calculate the cleanable rate of each background application, and select the background application whose cleaning rate is not less than the preset threshold as the target application, or select to clean up The highest number of preset background applications as the target application, then close the target application, so that it can be rooted In the past the use of application need to be cleaned better selected background application, the method is simple, high flexibility, saving system resources, good sense of the user experience.
  • an application control device which may be implemented as an independent entity or integrated in an electronic device, such as a terminal.
  • the terminal can include a mobile phone, a tablet computer, a personal computer, and the like.
  • An embodiment of the present application provides an application control apparatus, which is applied to an electronic device, and includes:
  • An acquiring module configured to acquire an operating parameter of the electronic device at each sampling time point in a historical period, where the operating parameter includes a foreground application, a remaining power, a screened duration, a charging connection state, and a network connection state;
  • a determining module configured to determine an attenuation parameter of the corresponding operating parameter according to the sampling time point
  • a generating module configured to generate a training sample according to the sampling time point and the running parameter
  • a training module configured to train the preset Bayesian model according to the training sample and the attenuation parameter
  • the control module is configured to control the background application in the electronic device based on the trained Bayesian model.
  • the determining module is specifically configured to:
  • the generating module comprises:
  • a first determining submodule configured to determine a sampling date type and a sampling period according to the sampling time point
  • a second determining sub-module configured to determine a preset power range to which the remaining power belongs, and determine a preset duration range to which the bright screen duration belongs;
  • the generating submodule is configured to generate a training sample according to the sampling date type, the sampling period, the preset power range, the preset duration range, the foreground application, the charging connection state, and the network connection state.
  • the generating sub-module comprises:
  • a first determining unit configured to determine, according to the sampling time point, the last switching application and the next switching application of the foreground application from the operating parameters
  • a second determining unit configured to determine a predicted value of the target prediction application according to the sampling time point, the next switching application, and the foreground application;
  • a generating unit configured to generate a training sample according to the last switching application, the foreground application, the sampling date type, the sampling period, the preset power range, the preset duration range, the charging connection state, the network connection state, the target prediction application, and the predicted value.
  • the second determining unit is configured to:
  • the predicted value of the target prediction application is determined as a second preset value.
  • the generating unit is for:
  • a training sample is generated based on the feature value and the predicted value.
  • the generating unit is for:
  • the sample group and the corresponding attenuation parameter are input into the first preset formula to calculate, and the probability of the corresponding predicted value is obtained, and the first preset formula is:
  • the predicted value includes j1 and j2
  • the sample group includes (S 1 , S 2 ... S m ), 1 ⁇ i ⁇ m , ⁇ is an attenuation parameter, and 0 ⁇ ⁇ ⁇ 1, Indicates the number of occurrences of events in the sample group S i , and P indicates the probability of occurrence of the event;
  • the predicted value, the eigenvalue and the corresponding attenuation parameter in the sample group are input into the second preset formula to obtain a probability of the corresponding eigenvalue and the predicted value, and the second preset formula is:
  • the eigenvalues include (q 1 , q 2 ... q n ), 1 ⁇ j ⁇ n .
  • control module is for:
  • the background application is closed according to the cleanup rate.
  • FIG. 6 specifically describes an application control apparatus provided by an embodiment of the present application, which is applied to an electronic device, which may include: an obtaining module 10, a determining module 20, a generating module 30, a training module 40, and a control module 50, where :
  • the obtaining module 10 is configured to acquire an operating parameter of the electronic device at each sampling time point in the historical period, where the running parameter includes a foreground application, a remaining power, a screened duration, a charging connection state, and a network connection state.
  • the determining module 20 is configured to determine an attenuation parameter of the corresponding operating parameter according to the sampling time point.
  • the generating sub-module 33 is configured to generate a training sample according to the sampling date type, the sampling period, the preset power range, the preset duration range, the foreground application, the charging connection state, and the network connection state.
  • the obtaining unit 331 is configured to acquire a target prediction application.
  • the foreground application obtained by each sampling in the historical period since the foreground application obtained by each sampling in the historical period is known, the foreground application obtained before the sampling time point can be regarded as the current foreground application for the foreground application obtained by any sampling.
  • the previous switching application the different foreground applications obtained after the sampling time point can be regarded as the next switching application of the current foreground application.
  • the first determining unit 332 can take different foreground applications that are closest to the current sampling time point.
  • the current feature value is input into the third preset formula for calculation, and the cleanable rate is obtained.
  • the third preset formula is: Where 1 ⁇ k ⁇ n, q k is the current eigenvalue.
  • the application control device provided in this embodiment is applied to an electronic device, and the operation parameter of the electronic device is obtained by the acquisition module 10 at each sampling time point in the historical time period, and the operation parameter includes the foreground application, the remaining power, and the light is turned on.
  • the determining module 20 determines the attenuation parameter of the corresponding operating parameter according to the sampling time point.
  • the generating module 30 generates a training sample according to the sampling time point and the operating parameter, and the training module 40 according to the training
  • the sample and attenuation parameters are used to train the preset Bayesian model, and the control module 50 controls the background application in the electronic device based on the trained Bayesian model, so that it can be better selected according to the usage of the previous application.
  • the background application that needs to be cleaned is simple in method, high in flexibility, saves system resources, and has a good user experience.
  • the embodiment of the present application further provides an electronic device, which may be a device such as a smart phone or a tablet computer.
  • the electronic device 900 includes a processor 901, a memory 902, a display screen 903, and a control circuit 904.
  • the processor 901 is electrically connected to the memory 902, the display screen 903, and the control circuit 904, respectively.
  • the processor 901 is a control center of the electronic device 900, and connects various parts of the entire electronic device using various interfaces and lines, executes the electronic by running or loading an application stored in the memory 902, and calling data stored in the memory 902.
  • the various functions and processing data of the device enable overall monitoring of the electronic device.
  • the operating parameter includes a foreground application, a remaining power, a screened duration, a charging connection state, and a network connection state;
  • the processor is configured to perform the following steps when determining an attenuation parameter corresponding to each operating parameter according to the sampling time point:
  • the processor is configured to perform the following steps when generating training samples based on the sampling time point and operating parameters:
  • the training samples are generated according to the sampling date type, sampling period, preset power range, preset duration range, foreground application, charging connection status, and network connection status.
  • the processor is configured to perform the following steps when determining the predicted value of the target prediction application according to the sampling time point, the next switching application, and the foreground application:
  • the predicted value of the target prediction application is determined as a second preset value.
  • the training is generated according to the last switching application, the foreground application, the sampling date type, the sampling period, the preset power range, the preset duration range, the charging connection state, the network connection state, the target prediction application, and the predicted value.
  • the processor is used to perform the following steps:
  • the processor when training a preset Bayesian model based on the training samples and attenuation parameters, the processor is configured to perform the following steps:
  • the predicted value, the eigenvalue and the corresponding attenuation parameter in the sample group are input into the second preset formula to obtain a probability of the corresponding eigenvalue and the predicted value, and the second preset formula is:
  • the eigenvalues include (q 1 , q 2 ... q n ), 1 ⁇ j ⁇ n .
  • the background application is closed according to the cleanup rate.
  • the current feature value is input into the third preset formula for calculation, and the cleanable rate is obtained.
  • the third preset formula is: Where 1 ⁇ k ⁇ n, q k is the current eigenvalue.
  • the display screen 903 can be used to display information entered by the user or information provided to the user as well as various graphical user interfaces of the terminal, which can be composed of images, text, icons, video, and any combination thereof.
  • the control circuit 904 is electrically connected to the display screen 903 for controlling the display screen 903 to display information.
  • the radio frequency circuit 905 is used for transmitting and receiving radio frequency signals to establish wireless communication with network devices or other electronic devices through wireless communication, and to transmit and receive signals with network devices or other electronic devices.
  • Electronic device 900 may also include at least one type of sensor 908, such as a light sensor, motion sensor, and other sensors.
  • the light sensor may include an ambient light sensor and a proximity sensor, wherein the ambient light sensor may adjust the brightness of the display panel according to the brightness of the ambient light, and the proximity sensor may close the display panel and/or the backlight when the terminal moves to the ear.
  • the gravity acceleration sensor can detect the magnitude of acceleration in all directions (usually three axes). When it is stationary, it can detect the magnitude and direction of gravity.
  • the terminal can also be configured with gyroscopes, barometers, hygrometers, thermometers, infrared sensors and other sensors, no longer Narration.
  • Power source 909 is used to power various components of electronic device 900.
  • the power supply 909 can be logically coupled to the processor 901 through a power management system to enable functions such as managing charging, discharging, and power management through the power management system.
  • the electronic device 900 may further include a camera, a Bluetooth module, and the like, and details are not described herein again.
  • an embodiment of the present invention provides a storage medium in which a plurality of instructions are stored, which can be loaded by a processor to perform the steps in any of the application control methods provided by the embodiments of the present invention.
  • the storage medium may include: a read only memory (ROM), a random access memory (RAM), a magnetic disk or an optical disk.
  • ROM read only memory
  • RAM random access memory
  • magnetic disk a magnetic disk or an optical disk.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Telephone Function (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

一种应用控制方法、装置、存储介质以及电子设备，包括：获取历史时段内每一采样时间点所述电子设备的运行参数，所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态(101)；根据所述采样时间点确定对应运行参数的衰减参数(102)；根据所述采样时间点和运行参数生成训练样本(103)；根据该训练样本和衰减参数对预设的贝叶斯模型进行训练(104)；基于训练后的贝叶斯模型对所述电子设备中的后台应用进行控制(105)。

Description

应用控制方法、装置、存储介质以及电子设备
本申请要求于2017年9月30日提交中国专利局、申请号为201710940349.7、发明名称为“应用控制方法、装置、存储介质以及电子设备”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及计算机技术领域，尤其涉及一种应用控制方法、装置、存储介质以及电子设备。
背景技术
随着科技的发展，智能手机、平板电脑(PAD)等移动终端已经成为用户生活中不可或缺的设备。
目前，终端安装的应用程序越来越多，用户在使用完毕终端中的应用程序时，通常会执行如切换至新的应用程序、返回主界面、或者锁屏的操作，此时使用完毕的应用程序被切换至后台，这些在后台的应用程序会继续运行，例如，与服务器交换数据，监听用户动作等；在运行过程中，会持续占用系统资源，例如，占用系统内存、消耗数据流量、消耗终端电量等。为避免使用完毕的应用程序继续占用系统资源，通常需要对后台的应用程序进行清理，比如根据应用程序消耗的内存数量来选择消耗内存较多的应用程序进行清理，或者根据终端出厂时设置的应用程序优先级，清理低优先级的应用程序，等等，但是，这些清理方法都比较死板，无法灵活地判定哪些应用程序可以清理，难以有效提升系统资源。
发明内容
本申请实施例提供一种应用控制方法、装置、存储介质以及电子设备，能灵活清理后台应用程序，有效提升系统资源。
本申请实施例提供了一种应用控制方法，应用于电子设备，包括：
获取历史时段内每一采样时间点所述电子设备的运行参数，所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态；
根据所述采样时间点确定对应运行参数的衰减参数；
根据所述采样时间点和运行参数生成训练样本；
根据所述训练样本和衰减参数对预设的贝叶斯模型进行训练；
基于训练后的贝叶斯模型对所述电子设备中的后台应用进行控制。
本申请实施例还提供了一种应用控制装置，应用于电子设备，包括：
获取模块，用于获取历史时段内每一采样时间点所述电子设备的运行参数，所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态；
确定模块，用于根据所述采样时间点确定对应运行参数的衰减参数；
生成模块，用于根据所述采样时间点和运行参数生成训练样本；
训练模块，用于根据所述训练样本和衰减参数对预设的贝叶斯模型进行训练；
控制模块，用于基于训练后的贝叶斯模型对所述电子设备中的后台应用进行控制。
本申请实施例还提供了一种计算机可读存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行上述任一项应用控制方法。
本申请实施例还提供了一种电子设备，包括处理器和存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据，所述处理器用于上述任一项所述的应用控制方法中的步骤。
附图说明
下面结合附图，通过对本申请的具体实施方式详细描述，将使本申请的技术方案及其它有益效果显而易见。
图1为本申请实施例提供的应用控制方法的流程示意图。
图2为本申请实施例提供的步骤103的流程示意图。
图3为本申请实施例提供的步骤105的流程示意图。
图4为本申请实施例提供的应用控制方法的另一流程示意图。
图5为本申请实施例提供的贝叶斯模型的框架示意图。
图6为本申请实施例提供的应用控制装置的结构示意图。
图7为本申请实施例提供的生成模块的结构示意图。
图8为本申请实施例提供的生成子模块的结构示意图。
图9为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供一种应用控制方法、装置、存储介质以及电子设备。
一种应用控制方法，应用于电子设备，包括：获取历史时段内每一采样时间点该电子设备的运行参数，该运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态；根据该采样时间点确定对应运行参数的衰减参数；根据该采样时间点和运行参数生成训练样本；根据该训练样本和衰减参数对预设的贝叶斯模型进行训练；基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制。
在一些实施例中，该根据该采样时间点确定每一运行参数对应的衰减参数，包括：
从该采样时间点中提取出采样日期；
确定该采样日期在该历史时段内的分布位置；
根据该分布位置获取对应运行参数的衰减参数。
在一些实施例中，该根据该采样时间点和运行参数生成训练样本，包括：
根据该采样时间点确定采样日期类型和采样时段；
确定该剩余电量所属的预设电量范围，以及确定该已亮屏时长所属的预设时长范围；
根据该采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本。
在一些实施例中，该根据该采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本，包括：
获取目标预测应用；
根据该采样时间点从运行参数中确定该前台应用的上一切换应用和下一切换应用；
根据该采样时间点、下一切换应用以及前台应用确定该目标预测应用的预测值；
根据该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
在一些实施例中，该根据该采样时间点、下一切换应用以及前台应用确定该目标预测应用的预测值，包括：
计算该下一切换应用的采样时间点与前台应用的采样时间点之间的差值；
判断该目标预测应用是否为该下一切换应用，且该差值是否不超过预设时长；
若是，则将该目标预测应用的预测值确定为第一预设数值；
若否，则将该目标预测应用的预测值确定为第二预设数值。
在一些实施例中，该根据该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本，包括：
分别获取该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值；
根据该特征值和预测值生成训练样本。
在一些实施例中，该根据该训练样本和衰减参数对预设的贝叶斯模型进行训练，包括：
将具有同一衰减参数的训练样本归为一组，得到多个样本组；
将该样本组和对应衰减参数输入第一预设公式中进行计算，得到对应预测值的概率，该第一预设公式为：
Figure PCTCN2018103254-appb-000001
其中该预测值包括j1和j2，该样本组包括(S 1,S 2…S m)，1≤i≤m，λ为衰减参数，0＜λ＜1，
Figure PCTCN2018103254-appb-000002
表示样本组S i中事件出现的次数，P表示事件发生的概率；
将该样本组中的预测值、特征值和对应衰减参数输入第二预设公式中，得到对应特征值和预测值的概率，该第二预设公式为：
Figure PCTCN2018103254-appb-000003
该特征值包括(q 1,q 2…q n)，1≤j≤n。
在一些实施例中，该基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制，包括：
获取后台应用清理指令；
根据该后台应用清理指令获取该电子设备的后台应用、以及当前的运行参数；
利用训练后的贝叶斯模型和当前的运行参数计算每一后台应用的可清理率；
根据该可清理率关闭该后台应用。
在一些实施例中，该利用训练后的贝叶斯模型和当前的运行参数计算每一后台应用的可清理率，包括：
根据当前的运行参数确定当前特征值；
将当前特征值输入第三预设公式中进行计算，得到可清理率，该第三预设公式为：
Figure PCTCN2018103254-appb-000005
其中，1≤k≤n，q k为当前特征值。
在一些实施例中，该根据该可清理率关闭该后台应用，包括：
选取可清理率不小于预设阈值的后台应用作为目标应用，或者，选取可清理率最高的预设个数后台应用作为目标应用；
关闭该目标应用。
如图1所示，该应用控制方法应用于电子设备，其具体流程可以如下：
101、获取历史时段内每一采样时间点该电子设备的运行参数，该运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态。
本实施例中，该历史时段可以人为设定，比如可以是前一个月或前两个月。该采样时间点主要指采样频率，比如可以每分钟或者每两分钟采样一次，其可以表现为x年x月x日x时x分的形式。该充电连接状态和网络连接状态均可以包括连接和未连接两种情况。
实际应用过程中，该运行参数可以是实时获取的，比如到达采样时间点即进行对应数据的采集操作，也可以是一次性获取的，比如电子设备可以提前在本地数据库中记录历史时段内每一次亮灭屏变化数据、充电状态变化数据、网络状态变化数据、以及应用打开数据，之后，可以根据采样频率一次性提取出每一采样时间点的运行参数。
102、根据该采样时间点确定对应运行参数的衰减参数。
例如，上述步骤102具体可以包括：
从该采样时间点中提取出采样日期；
确定该采样日期在该历史时段内的分布位置；
根据该分布位置获取对应运行参数的衰减参数。
本实施例中，可以提前将不同分布位置对应的衰减参数设置好，其中，该衰减参数和分布位置的对应关系可以是一对一(也即每天衰减一次)，也可以是一对多(也即每多天衰减一次)。由于分布位置越靠前，代表该采样时间点离当前时间越远，而时间越久远的数据其参考价值越低，故可以将分布位置越靠前的采样时间点对应的衰减参数设置的越小。
103、根据该采样时间点和运行参数生成训练样本。
例如，请参见图2，上述步骤103具体可以包括：
1-1、根据该采样时间点确定采样日期类型和采样时段。
本实施例中，该采样日期类型是对每周进行划分，其可以包括工作日和周末。该采样时段是对每天进行划分，其可以将一天分为48个时段。
1-2、确定该剩余电量所属的预设电量范围，以及确定该已亮屏时长所属的预设时长范围。
本实施例中，该预设电量范围和预设时长范围均可以人为设定，该预设电量范围可以包括指示高电量、中电量和低电量的三个区间范围，比如高电量可以是70％-100％，中电量可以是40％-70％，低电量可以是0-40％等，该预设时长范围可以包括指示短、中和长的三个区间范围，比如长可以是10min以上，中可以是5-10min，短可以是0-5min。
1-3、根据该采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本。
例如，上述步骤1-3具体可以包括：
1-3-1、获取目标预测应用。
本实施例中，该目标预测应用可以是电子设备中所安装的全部应用，也可以是部分应用，当为部分应用时，其可以是近期出现频率最高的若干个应用，具体数量可以根据实际需求而定。
1-3-2、根据该采样时间点从运行参数中确定该前台应用的上一切换应用和下一切换应用。
本实施例中，由于历史时段内每次采样获得的前台应用都是已知的，故对于任意一次采样获得的前台应用，在该采样时间点之前获得的不同前台应用都可以认为是当前前台应用的上一切换应用，在该采样时间点之后获得的不同前台应用都可以认为是当前前台应用的下一切换应用，通常，可以取离当前采样时间点最近的不同前台应用作为上一切换应用和下一切换应用。实际操作过程中，可以先根据采样时间点对所有前台应用进行排序，对于排序后的任意三个相邻的不同前台应用，前面的前台应用可以作为中间的前台应用的上一切换应用，后面的前台应用可以作为中间的前台应用的下一切换应用。
1-3-3、根据该采样时间点、下一切换应用以及前台应用确定该目标预测应用的预测值。
本实施例中，该预测值可以是人为设定的数值，比如0和1，其中，0可以表示该目标预测应用不会在短时间内切换至前台使用，1可以表示该目标预测应用会在短时间内切换至前台使用。由于在历史时段内采集的所有前台应用都是已知的，故可以根据已知前台应用、以及其采样时间点来确定目标预测应用的预测值，此时，上述步骤1-3-3具体可以包括：
计算该下一切换应用的采样时间点与前台应用的采样时间点之间的差值；
判断该目标预测应用是否为该下一切换应用，且该差值是否不超过预设时长；
若是，则将该目标预测应用的预测值确定为第一预设数值；
若否，则将该目标预测应用的预测值确定为第二预设数值。
本实施例中，该预设时长、第一预设数值和第二预设数值均可以人为设定，该预设时长主要用于界定时间长短，其可以是10min，该第一预设数值可以是1，第二预设数值可以是0。对于每次采样，当需要预测的目标预测应用即为下一切换应用时，需要进一步分析从当前应用切换至下一切换应用所花的时长，只有当该间隔时长在预设时长之内时，才可以将该目标预测应用的预测值设为1，否则，全部设为0。
1-3-4、根据该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
本实施例中，为从多个维度对用户行为进行分析，以使训练出的机器学习模型更拟人化，每一训练样本可以由多个已知特征项以及标签项的数据组成，该已知特征项可以包括该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态和网络连接状态等，该标签项主要是。
例如，上述步骤1-3-4具体可以包括：
分别获取该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值；
根据该特征值和预测值生成训练样本。
本实施例中，由于计算机程序一般以字符的形式编码运行，故该特征值主要可以表现为阿拉伯数字或字母的形式，比如1-10，每一特征项也可以表现为字母的形式，比如前台应用为H，采样日期类型为B，等等。在生成训练样本时，可以直接将特征值作为先验条件，将每一目标预测应用的预测值作为后验结果，生成该训练样本。
容易理解的是，每一特征项对应的特征值可以是预先设定好的，不同特征项的特征值可以相同，也可以不同，比如前台应用和采样时段的特征值都可以包括0～10，但是，每个数字在不同的特征项中指代的意义不同，比如对于前台应用，0可以指代美团，对于采样时段，0可以指代0:00-1:00这个时段。
104、根据该训练样本和衰减参数对预设的贝叶斯模型进行训练。
例如，上述步骤104具体可以包括：
将具有同一衰减参数的训练样本归为一组，得到多个样本组；
将该样本组和对应衰减参数输入第一预设公式中进行计算，得到对应预测值的概率，该第一预设公式为：
Figure PCTCN2018103254-appb-000006
其中该预测值包括j1和j2，该样本组包括(S 1,S 2…S m)，1≤i≤m，λ为衰减参数，0＜λ＜1，
Figure PCTCN2018103254-appb-000007
表示样本组Si中事件出现的次数，P表示事件发生的概率；
将该样本组中的预测值、特征值和对应衰减参数输入第二预设公式中，得到对应特征值和预测值的概率，该第二预设公式为：
Figure PCTCN2018103254-appb-000008
该特征值包括(q 1,q 2…q n)，1≤j≤n。
本实施例中，该贝叶斯模型可以为：
Figure PCTCN2018103254-appb-000009
其中，q 1,q 2…q n为先验条件，q n为第n个特征项对应的特征值，J为目标预测应用的预测值。为简化计算，假设q 1,q 2…q n是相互独立的，则
Figure PCTCN2018103254-appb-000010
从而得到朴素贝叶斯分类器模型：
JMAX＝arg max P(J|q 1,q 2…q n)＝argmaxP(q 1|J)P(q 2|J)…P(q n|J)，其中J可以表示j1或j2， 在统计之前，由于采集时间点和衰减参数具有对应关系，故可以先根据采集时间点将具有同一衰减参数的特征项归为一个样本组，这样，可以得到多个样本组[S 1,S 2,S 3,...,S m]，每一样本组对应一个衰减参数，之后，利用第一预设公式和第二预设公式计算对应的概率。容易得知，训练贝叶斯模型的过程就是概率统计的过程，也即对贝叶斯模型训练后，可以得到每个特征项中不同特征值的概率值，比如P(q 1)、P(q 1|j2)。
105、基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制。
例如，请参见图3，上述步骤105具体可以包括：
3-1、获取后台应用清理指令。
本实施例中，该后台应用清理指令可以是电子设备自动生成的，比如内存占用量到达一定限度，或者电量不足，或者运行速度过慢时，生成该后台应用清理指令，当然，该后台应用清理指令也可以是用户手动操作生成的，比如用户可以通过点击指定清理图标来生成该后台应用清理指令。
3-2、根据该后台应用清理指令获取该电子设备的后台应用、以及当前的运行参数。
3-3、利用训练后的贝叶斯模型和当前的运行参数计算每一后台应用的可清理率。
例如，上述步骤3-3具体可以包括：
根据当前的运行参数确定当前特征值；
将当前特征值输入第三预设公式中进行计算，得到可清理率，该第三预设公式为：
Figure PCTCN2018103254-appb-000011
其中，1≤k≤n，q k为当前特征值。
本实施例中，和训练过程类似，可以先根据当前的运行参数得到当前的采样日期类型、采样时段、预设电量范围、预设时长范围、上一切换应用、前台应用、充电连接状态、网络连接状态以及当前需预测的后台应用这9个特征项，则n为9，并获取这9个特征项对应的特征值q 1,q 2…q 9，之后利用公式：
P(j2|q 1,q 2…q 9)＝P(j2)P(q 1|j2)P(q 2|j2)…P(q 9|j2)来计算在当前特征值发生的前提下，j2发生的概率(也即当前需预测的后台应用不会在短时间内切换至前台)的概率值，作为可清理率，其中，P(q k|j2)已由上述步骤104计算出，可直接获取。
3-4、根据该可清理率关闭该后台应用。
例如，上述步骤3-4具体可以包括：
选取可清理率不小于预设阈值的后台应用作为目标应用，或者，选取可清理率最高的预设个数后台应用作为目标应用；
关闭该目标应用。
本实施例中，该预设阈值和预设个数均可以人为设定，比如该预设阈值可以为0.9，该预设个数可以为4，也即当计算出的P(j2|q 1,q 2…q n)大于0.9时，可以认为后台应用i短时间内不会切换至前台，进而可以作为清理对象进行清理。
由上述可知，本实施例提供的应用控制方法，应用于电子设备，通过获取历史时段内每一采样时间点该电子设备的运行参数，该运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态，并根据该采样时间点确定对应运行参数的衰减参数，接着，根据该采样时间点和运行参数生成训练样本，并根据该训练样本和衰减参数对预设的贝叶斯模型进行训练，之后基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制，从而可以根据以往应用的使用情况较好地选出需要清理的后台应用，方法简单，灵活性高，节约了系统资源，用户体验感好。
在本实施例中，将以该应用控制装置具体集成在电子设备中为例进行详细说明。
请参见图4和图5，一种应用控制方法，具体流程可以如下：
201、电子设备获取历史时段内每一采样时间点的运行参数，该运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态。
譬如，该历史时段可以是过去一个月，该采样时间点可以是过去一个月内每分钟所。该运行参数可以是从数据库中提取出来的，该数据库内可以存储有过去一个月电子设备中应用的使用记录、屏幕的亮灭记录、充电记录以及WiFi连接记录，如下表1-4，之后，根据这些记录可以提取出每一采样时间点的运行参数。
应用名 打开此应用的时间戳
com.tencent.mobileqq 1497590695469
com.android.settings 1497609107922
... ...
表1:应用使用记录
屏幕状态变化 时间戳
亮->灭 1497609131975
灭->亮 1497609191786
... ...
表2:亮屏灭屏记录
充电状态变化 电量 时间戳
进入充电 23％ 1497609131910
灭退出充电 80％ 1497609191786
...   ...
表3:充电记录
Wifi状态变化 SSID BSSID 时间戳
连接wifi ... ... 1497609111510
断开wifi ... ... 1497609131286
...     ...
表4:Wifi记录
202、电子设备从该采样时间点中提取出采样日期，并确定该采样日期在该历史时段内的分布位置，之后根据该分布位置获取对应运行参数的衰减参数。
譬如，若历史时段为2012年10月1日0时0分～2012年10月31日24时59分，采样时间点为2012年10月17日10时55分，则提取出的采样日期为2012年10月17日，其分布位置为17/31，之后获取17/31对应的衰减参数。
203、电子设备根据该采样时间点确定采样日期类型和采样时段，并确定该剩余电量所属的预设电量范围，以及确定该已亮屏时长所属的预设时长范围。
譬如，若采样时间点为2012年10月17日10时55分，每天可以分为48个时段，则当天为周三，其采样日期类型为工作日，采样时段为第11个时段。若剩余电量为80％，则其预设电量范围可以为70％-100％所对应的高电量。若已亮屏时长为3min，则其预设时长范围可以为0-5min所对应的短时长。
204、电子设备获取目标预测应用，并根据该采样时间点从运行参数中确定该前台应用的上一切换应用和下一切换应用。
譬如，该目标预测应用可以是近期出现频率最高的十个个应用APP1、APP2…APP10。可以先根据采样时间点对所有前台应用进行排序，对于排序后的任意三个相邻的不同前台 应用，前面的前台应用可以作为中间的前台应用的上一切换应用，后面的前台应用可以作为中间的前台应用的下一切换应用，比如对于某个采样时间点，前台应用可以为APP10，上一切换应用可以为APP1，下一切换应用可以为APP5。
205、电子设备计算该下一切换应用的采样时间点与前台应用的采样时间点之间的差值，并判断该目标预测应用是否为该下一切换应用，且该差值是否不超过预设时长，若是，则将该目标预测应用的预测值确定为第一预设数值，若否，则将该目标预测应用的预测值确定为第二预设数值。
譬如，采样得到的前台应用可以为APP10，下一切换应用APP5与APP10的间隔时长为T1可以为5min，该第一预设数值可以是1，第二预设数值可以是0，当目标预测应用为APP5，且该预设时长为10min时，T1≤10，则可以将目标预测应用的预测值设定为1，否则，设定为0。
206、电子设备分别获取该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值，并根据该特征值和预测值生成训练样本。
譬如，该特征值和特征项的对应关系可以为下表5：
Figure PCTCN2018103254-appb-000012
表5
需要说明的是，上述步骤202和203-206之间没有明显的先后执行顺序，其可以同时进行。
207、电子设备将每一训练样本、以及对应的衰减参数输入预设的贝叶斯模型中，以对该贝叶斯模型进行训练。
例如，上述步骤207具体可以包括：
将具有同一衰减参数的训练样本归为一组，得到多个样本组；
将该样本组和对应衰减参数输入第一预设公式中进行计算，得到对应预测值的概率，该第一预设公式为：
Figure PCTCN2018103254-appb-000013
其中该预测值包括j1和j2，该样本组包括(S 1,S 2…S m)，1≤i≤m，λ为衰减参数，0＜λ＜1，
Figure PCTCN2018103254-appb-000014
表示样本组S i中事件出现的次数，P表示 事件发生的概率；
将该样本组中的预测值、特征值和对应衰减参数输入第二预设公式中，得到对应特征值和预测值的概率，该第二预设公式为：
Figure PCTCN2018103254-appb-000015
该特征值包括(q 1,q 2…q n)，1≤j≤n。
譬如，该贝叶斯模型可以为：
Figure PCTCN2018103254-appb-000016
其中，q 1,q 2…q n为先验条件，q n为第n个特征项对应的特征值，J为目标预测应用的预测值。为简化计算，假设q 1,q 2…q n是相互独立的，则
Figure PCTCN2018103254-appb-000017
从而得到朴素贝叶斯分类器模型：
J MAX＝arg maxP(J|q 1,q 2…q n)＝arg maxP(q 1|J)P(q 2|J)…P(q n|J)，其中J可以表示j1或j2，在统计之前，由于采集时间点和衰减参数具有对应关系，故可以先根据采集时间点将具有同一衰减参数的特征项归为一个样本组，这样，可以得到多个样本组[S 1,S 2,S 3,...,S m]，每一样本组对应一个衰减参数，之后，利用第一预设公式和第二预设公式计算对应的概率。容易得知，训练贝叶斯模型的过程就是概率统计的过程，也即对贝叶斯模型训练后，可以得到每个特征项中不同特征值的概率值，比如P(q 1)、P(q 1|j2)。
208、电子设备获取后台应用清理指令。
譬如，当检测到内存占用量到达一定限度，或者电量不足，或者运行速度过慢时，电子设备可以自动生成该后台应用清理指令。
209、电子设备根据该后台应用清理指令获取后台应用、以及当前的运行参数。
210、电子设备利用训练后的贝叶斯模型和当前的运行参数计算每一后台应用的可清理率。
例如，上述步骤210具体可以包括：
根据当前的运行参数确定当前特征值；
将当前特征值输入第三预设公式中进行计算，得到可清理率，该第三预设公式为：
Figure PCTCN2018103254-appb-000018
其中，1≤k≤n，q k为当前特征值。
譬如，和训练过程类似，可以先根据当前的运行参数得到当前的采样日期类型、采样时段、预设电量范围、预设时长范围、上一切换应用、前台应用、充电连接状态、网络连接状态以及当前需预测的后台应用这9个特征项，则n为9，并获取这9个特征项对应的特征值q 1,q 2…q 9，之后利用公式：
P(j2|q 1,q 2…q 9)＝P(j2)P(q 1|j2)P(q 2|j2)…P(q 9|j2)来计算在当前特征值发生的前提下，j2发生的概率(也即当前需预测的后台应用不会在短时间内切换至前台)的概率值，作为可清理率。
211、电子设备选取可清理率不小于预设阈值的后台应用作为目标应用，或者，选取可清理率最高的预设个数后台应用作为目标应用，并关闭该目标应用。
譬如，该预设阈值可以为0.9，该预设个数可以为4，也即当计算出的P(j2|q 1,q 2…q n)大于0.9时，可以认为当前需预测的后台应用短时间内不会切换至前台，进而可以作为清理对象进行清理。
由上述可知，本实施例提供的应用控制方法，其中电子设备可以获取历史时段内每一采样时间点的运行参数，该运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态，接着从该采样时间点中提取出采样日期，并确定该采样日期在该历 史时段内的分布位置，之后根据该分布位置获取对应运行参数的衰减参数，接着，根据该采样时间点确定采样日期类型和采样时段，并确定该剩余电量所属的预设电量范围，以及确定该已亮屏时长所属的预设时长范围，接着，获取目标预测应用，并根据该采样时间点从运行参数中确定该前台应用的上一切换应用和下一切换应用，之后，计算该下一切换应用的采样时间点与前台应用的采样时间点之间的差值，并判断该目标预测应用是否为该下一切换应用，且该差值是否不超过预设时长，若是，则将该目标预测应用的预测值确定为第一预设数值，若否，则将该目标预测应用的预测值确定为第二预设数值，之后，分别获取该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值，并根据该特征值和预测值生成训练样本，接着，将每一训练样本、以及对应的衰减参数输入预设的贝叶斯模型中，以对该贝叶斯模型进行训练，接着，获取后台应用清理指令，并根据该后台应用清理指令获取后台应用、以及当前的运行参数，接着，利用训练后的贝叶斯模型和当前的运行参数计算每一后台应用的可清理率，并选取可清理率不小于预设阈值的后台应用作为目标应用，或者，选取可清理率最高的预设个数后台应用作为目标应用，之后关闭该目标应用，从而可以根据以往应用的使用情况较好地选出需要清理的后台应用，方法简单，灵活性高，节约了系统资源，用户体验感好。
根据上述实施例所描述的方法，本实施例将从应用控制装置的角度进一步进行描述，该应用控制装置具体可以作为独立的实体来实现，也可以集成在电子设备，比如终端中来实现，该终端可以包括手机、平板电脑以及个人计算机等。
本申请实施例提供一种应用控制装置，应用于电子设备，其包括：
获取模块，用于获取历史时段内每一采样时间点该电子设备的运行参数，该运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态；
确定模块，用于根据该采样时间点确定对应运行参数的衰减参数；
生成模块，用于根据该采样时间点和运行参数生成训练样本；
训练模块，用于根据该训练样本和衰减参数对预设的贝叶斯模型进行训练；
控制模块，用于基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制。
在一些实施例中，该确定模块具体用于：
从该采样时间点中提取出采样日期；
确定该采样日期在该历史时段内的分布位置；
根据该分布位置获取对应运行参数的衰减参数。
在一些实施例中，该生成模块包括：
第一确定子模块，用于根据该采样时间点确定采样日期类型和采样时段；
第二确定子模块，用于确定该剩余电量所属的预设电量范围，以及确定该已亮屏时长所属的预设时长范围；
生成子模块，用于根据该采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本。
在一些实施例中，该生成子模块包括：
获取单元，用于获取目标预测应用；
第一确定单元，用于根据该采样时间点从运行参数中确定该前台应用的上一切换应用和下一切换应用；
第二确定单元，用于根据该采样时间点、下一切换应用以及前台应用确定该目标预测应用的预测值；
生成单元，用于根据该上一切换应用、前台应用、采样日期类型、采样时段、预设电 量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
在一些实施例中，该第二确定单元用于：
计算该下一切换应用的采样时间点与前台应用的采样时间点之间的差值；
判断该目标预测应用是否为该下一切换应用，且该差值是否不超过预设时长；
若是，则将该目标预测应用的预测值确定为第一预设数值；
若否，则将该目标预测应用的预测值确定为第二预设数值。
在一些实施例中，该生成单元用于：
分别获取该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值；
根据该特征值和预测值生成训练样本。
在一些实施例中，该生成单元用于：
将具有同一衰减参数的训练样本归为一组，得到多个样本组；
将该样本组和对应衰减参数输入第一预设公式中进行计算，得到对应预测值的概率，该第一预设公式为：
Figure PCTCN2018103254-appb-000019
其中该预测值包括j1和j2，该样本组包括(S 1,S 2…S m)，1≤i≤m，λ为衰减参数，0＜λ＜1，
Figure PCTCN2018103254-appb-000020
表示样本组S i中事件出现的次数，P表示事件发生的概率；
将该样本组中的预测值、特征值和对应衰减参数输入第二预设公式中，得到对应特征值和预测值的概率，该第二预设公式为：
Figure PCTCN2018103254-appb-000021
该特征值包括(q 1,q 2…q n)，1≤j≤n。
在一些实施例中，该控制模块用于：
获取后台应用清理指令；
根据该后台应用清理指令获取该电子设备的后台应用、以及当前的运行参数；
利用训练后的贝叶斯模型和当前的运行参数计算每一后台应用的可清理率；
根据该可清理率关闭该后台应用。
请参阅图6，图6具体描述了本申请实施例提供的应用控制装置，应用于电子设备，其可以包括：获取模块10、确定模块20、生成模块30、训练模块40和控制模块50，其中：
(1)获取模块10
获取模块10，用于获取历史时段内每一采样时间点该电子设备的运行参数，该运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态。
本实施例中，该历史时段可以人为设定，比如可以是前一个月或前两个月。该采样时间点主要指采样频率，比如可以每分钟或者每两分钟采样一次，其可以表现为x年x月x日x时x分的形式。该充电连接状态和网络连接状态均可以包括连接和未连接两种情况。
实际应用过程中，该运行参数可以是实时获取的，比如到达采样时间点获取模块10即进行对应数据的采集操作，也可以是一次性获取的，比如电子设备可以提前在本地数据库中记录历史时段内每一次亮灭屏变化数据、充电状态变化数据、网络状态变化数据、以及应用打开数据，之后，获取模块10可以根据采样频率一次性提取出每一采样时间点的运行参数。
(2)确定模块20
确定模块20，用于根据该采样时间点确定对应运行参数的衰减参数。
例如，该确定模块20具体可以用于：
从该采样时间点中提取出采样日期；
确定该采样日期在该历史时段内的分布位置；
根据该分布位置获取对应运行参数的衰减参数。
本实施例中，可以提前将不同分布位置对应的衰减参数设置好，其中，该衰减参数和分布位置的对应关系可以是一对一(也即每天衰减一次)，也可以是一对多(也即每多天衰减一次)。由于分布位置越靠前，代表该采样时间点离当前时间越远，而时间越久远的数据其参考价值越低，故可以将分布位置越靠前的采样时间点对应的衰减参数设置的越小。
(3)生成模块30
生成模块30，用于根据该采样时间点和运行参数生成训练样本。
例如，请参见图7，该生成模块30具体可以包括第一确定子模块31、第二确定子模块32和生成子模块33，其中：
第一确定子模块31，用于根据该采样时间点确定采样日期类型和采样时段。
本实施例中，该采样日期类型是对每周进行划分，其可以包括工作日和周末。该采样时段是对每天进行划分，其可以将一天分为48个时段。
第二确定子模块32，用于确定该剩余电量所属的预设电量范围，以及确定该已亮屏时长所属的预设时长范围。
本实施例中，该预设电量范围和预设时长范围均可以人为设定，该预设电量范围可以包括指示高电量、中电量和低电量的三个区间范围，比如高电量可以是70％-100％，中电量可以是40％-70％，低电量可以是0-40％等，该预设时长范围可以包括指示短、中和长的三个区间范围，比如长可以是10min以上，中可以是5-10min，短可以是0-5min。
生成子模块33，用于根据该采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本。
例如，请参见图8，该生成子模块33具体可以包括获取单元331、第一确定单元332、第二确定单元333以及生成单元334，其中：
获取单元331，用于获取目标预测应用。
本实施例中，该目标预测应用可以是电子设备中所安装的全部应用，也可以是部分应用，当为部分应用时，其可以是近期出现频率最高的若干个应用，具体数量可以根据实际需求而定。
第一确定单元332，用于根据该采样时间点从运行参数中确定该前台应用的上一切换应用和下一切换应用。
本实施例中，由于历史时段内每次采样获得的前台应用都是已知的，故对于任意一次采样获得的前台应用，在该采样时间点之前获得的不同前台应用都可以认为是当前前台应用的上一切换应用，在该采样时间点之后获得的不同前台应用都可以认为是当前前台应用的下一切换应用，通常，第一确定单元332可以取离当前采样时间点最近的不同前台应用作为上一切换应用和下一切换应用。实际操作过程中，可以先根据采样时间点对所有前台应用进行排序，对于排序后的任意三个相邻的不同前台应用，前面的前台应用可以作为中间的前台应用的上一切换应用，后面的前台应用可以作为中间的前台应用的下一切换应用。
第二确定单元333，用于根据该采样时间点、下一切换应用以及前台应用确定该目标预测应用的预测值。
本实施例中，该预测值可以是人为设定的数值，比如0和1，其中，0可以表示该目标预测应用不会在短时间内切换至前台使用，1可以表示该目标预测应用会在短时间内切换至前台使用。由于在历史时段内采集的所有前台应用都是已知的，故可以根据已知前台应用、以及其采样时间点来确定目标预测应用的预测值，此时，该第二确定单元333进一步可以用于：
计算该下一切换应用的采样时间点与前台应用的采样时间点之间的差值；
判断该目标预测应用是否为该下一切换应用，且该差值是否不超过预设时长；
若是，则将该目标预测应用的预测值确定为第一预设数值；
若否，则将该目标预测应用的预测值确定为第二预设数值。
本实施例中，该预设时长、第一预设数值和第二预设数值均可以人为设定，该预设时长主要用于界定时间长短，其可以是10min，该第一预设数值可以是1，第二预设数值可以是0。对于每次采样，当需要预测的目标预测应用即为下一切换应用时，该第二确定单元333需要进一步分析从当前应用切换至下一切换应用所花的时长，只有当该间隔时长在预设时长之内时，才可以将该目标预测应用的预测值设为1，否则，全部设为0。
生成单元334，用于根据该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
本实施例中，为从多个维度对用户行为进行分析，以使训练出的机器学习模型更拟人化，每一训练样本可以由多个已知特征项以及标签项的数据组成，该已知特征项可以包括该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态和网络连接状态等，该标签项主要是。
例如，该生成单元334具体可以用于：
分别获取该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值；
根据该特征值和预测值生成训练样本。
本实施例中，由于计算机程序一般以字符的形式编码运行，故该特征值主要可以表现为阿拉伯数字或字母的形式，比如1-10，每一特征项也可以表现为字母的形式，比如前台应用为H，采样日期类型为B，等等。在生成训练样本时，该生成单元334可以直接将特征值作为先验条件，将每一目标预测应用的预测值作为后验结果，生成该训练样本。
容易理解的是，每一特征项对应的特征值可以是预先设定好的，不同特征项的特征值可以相同，也可以不同，比如前台应用和采样时段的特征值都可以包括0～10，但是，每个数字在不同的特征项中指代的意义不同，比如对于前台应用，0可以指代美团，对于采样时段，0可以指代0:00-1:00这个时段。
(4)训练模块40
训练模块40，用于根据该训练样本和衰减参数对预设的贝叶斯模型进行训练。
例如，该训练模块40具体可以用于：
将具有同一衰减参数的训练样本归为一组，得到多个样本组；
将该样本组和对应衰减参数输入第一预设公式中进行计算，得到对应预测值的概率，该第一预设公式为：
Figure PCTCN2018103254-appb-000022
其中该预测值包括j1和j2，该样本组包括(S 1,S 2…S m)，1≤i≤m，λ为衰减参数，0＜λ＜1，
Figure PCTCN2018103254-appb-000023
表示样本组S i中事件出现的次数，P表示事件发生的概率；
将该样本组中的预测值、特征值和对应衰减参数输入第二预设公式中，得到对应特征值和预测值的概率，该第二预设公式为：
Figure PCTCN2018103254-appb-000024
该特征值包括(q 1,q 2…q n)，1≤j≤n。
本实施例中，该贝叶斯模型可以为：
Figure PCTCN2018103254-appb-000025
其中，q 1,q 2…q n为先验条件，q n为第n个特征项对应的特征值，J为目标预测应用的预测值。为简化计算，假设q 1,q 2…q n是相互独立的，则
Figure PCTCN2018103254-appb-000026
从而得到朴素贝叶斯分类器模型：
J MAX＝arg max P(J|q 1,q 2…q n)＝arg maxP(q 1|J)P(q 2|J)…P(q n|J)，其中J可以表示j1或j2，在统计之前，由于采集时间点和衰减参数具有对应关系，故可以先根据采集时间点将具有同一衰减参数的特征项归为一个样本组，这样，可以得到多个样本组[S 1,S 2,S 3,...,S m]，每一样本组对应一个衰减参数，之后，利用第一预设公式和第二预设公式计算对应的概率。容易得知，训练贝叶斯模型的过程就是概率统计的过程，也即对贝叶斯模型训练后，可以得到每个特征项中不同特征值的概率值，比如P(q 1)、P(q 1|j2)。
(5)控制模块50
控制模块50，用于基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制。
例如，该控制模块50具体可以用于：
3-1、获取后台应用清理指令。
本实施例中，该后台应用清理指令可以是电子设备自动生成的，比如内存占用量到达一定限度，或者电量不足，或者运行速度过慢时，生成该后台应用清理指令，当然，该后台应用清理指令也可以是用户手动操作生成的，比如用户可以通过点击指定清理图标来生成该后台应用清理指令。
3-2、根据该后台应用清理指令获取该电子设备的后台应用、以及当前的运行参数。
3-3、利用训练后的贝叶斯模型和当前的运行参数计算每一后台应用的可清理率。
例如，该控制模块50具体可以用于：
根据当前的运行参数确定当前特征值；
将当前特征值输入第三预设公式中进行计算，得到可清理率，该第三预设公式为：
Figure PCTCN2018103254-appb-000027
Figure PCTCN2018103254-appb-000028
其中，1≤k≤n，q k为当前特征值。
本实施例中，和训练过程类似，可以先根据当前的运行参数得到当前的采样日期类型、采样时段、预设电量范围、预设时长范围、上一切换应用、前台应用、充电连接状态、网络连接状态以及当前需预测的后台应用这9个特征项，则n为9，并获取这9个特征项对应的特征值q 1,q 2…q 9，之后利用公式：
P(j2|q 1,q 2…q 9)＝P(j2)P(q 1|j2)P(q 2|j2)…P(q 9|j2)来计算在当前特征值发生的前提下，j2发生的概率(也即当前需预测的后台应用不会在短时间内切换至前台)的概率值，作为可清理率，其中，P(q k|j2)已由上述步骤104计算出，可直接获取。
3-4、根据该可清理率关闭该后台应用。
例如，该控制模块50进一步可以用于：
选取可清理率不小于预设阈值的后台应用作为目标应用，或者，选取可清理率最高的预设个数后台应用作为目标应用；
关闭该目标应用。
本实施例中，该预设阈值和预设个数均可以人为设定，比如该预设阈值可以为0.9，该预设个数可以为4，也即当计算出的P(j2|a,b,c…i)大于0.9时，可以认为后台应用i短时间内不会切换至前台，进而可以作为清理对象进行清理。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再 赘述。
由上述可知，本实施例提供的应用控制装置，应用于电子设备，通过获取模块10获取历史时段内每一采样时间点该电子设备的运行参数，该运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态，确定模块20根据该采样时间点确定对应运行参数的衰减参数，接着，生成模块30根据该采样时间点和运行参数生成训练样本，训练模块40根据该训练样本和衰减参数对预设的贝叶斯模型进行训练，控制模块50基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制，从而可以根据以往应用的使用情况较好地选出需要清理的后台应用，方法简单，灵活性高，节约了系统资源，用户体验感好。
另外，本申请实施例还提供了一种电子设备，该电子设备可以是智能手机、平板电脑等设备。图9所示，电子设备900包括处理器901、存储器902、显示屏903以及控制电路904。其中，处理器901分别与存储器902、显示屏903、控制电路904电性连接。
处理器901是电子设备900的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或加载存储在存储器902内的应用程序，以及调用存储在存储器902内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。
在本实施例中，电子设备900中的处理器901会按照如下的步骤，将一个或一个以上的应用程序的进程对应的指令加载到存储器902中，并由处理器901来运行存储在存储器902中的应用程序，从而实现各种功能：
获取历史时段内每一采样时间点该电子设备的运行参数，该运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态；
根据该采样时间点确定对应运行参数的衰减参数；
根据该采样时间点和运行参数生成训练样本；
根据该训练样本和衰减参数对预设的贝叶斯模型进行训练；
基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制。
在一些实施例中，在根据该采样时间点确定每一运行参数对应的衰减参数时，该处理器用于执行以下步骤：
从该采样时间点中提取出采样日期；
确定该采样日期在该历史时段内的分布位置；
根据该分布位置获取对应运行参数的衰减参数。
在一些实施例中，在根据该采样时间点和运行参数生成训练样本时，该处理器用于执行以下步骤：
根据该采样时间点确定采样日期类型和采样时段；
确定该剩余电量所属的预设电量范围，以及确定该已亮屏时长所属的预设时长范围；
根据该采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本。
在一些实施例中，在根据该采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本时，该处理器用于执行以下步骤：
获取目标预测应用；
根据该采样时间点从运行参数中确定该前台应用的上一切换应用和下一切换应用；
根据该采样时间点、下一切换应用以及前台应用确定该目标预测应用的预测值；
根据该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
在一些实施例中，在根据该采样时间点、下一切换应用以及前台应用确定该目标预测应用的预测值时，该处理器用于执行以下步骤：
计算该下一切换应用的采样时间点与前台应用的采样时间点之间的差值；
判断该目标预测应用是否为该下一切换应用，且该差值是否不超过预设时长；
若是，则将该目标预测应用的预测值确定为第一预设数值；
若否，则将该目标预测应用的预测值确定为第二预设数值。
在一些实施例中，在根据该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本时，该处理器用于执行以下步骤：
分别获取该上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值；
根据该特征值和预测值生成训练样本。
在一些实施例中，在根据该训练样本和衰减参数对预设的贝叶斯模型进行训练时，该处理器用于执行以下步骤：
将具有同一衰减参数的训练样本归为一组，得到多个样本组；
将该样本组和对应衰减参数输入第一预设公式中进行计算，得到对应预测值的概率，该第一预设公式为：
Figure PCTCN2018103254-appb-000029
其中该预测值包括j1和j2，该样本组包括(S 1,S 2…S m)，1≤i≤m，λ为衰减参数，0＜λ＜1，
Figure PCTCN2018103254-appb-000030
表示样本组S i中事件出现的次数，P表示事件发生的概率；
将该样本组中的预测值、特征值和对应衰减参数输入第二预设公式中，得到对应特征值和预测值的概率，该第二预设公式为：
Figure PCTCN2018103254-appb-000031
该特征值包括(q 1,q 2…q n)，1≤j≤n。
在一些实施例中，在基于训练后的贝叶斯模型对该电子设备中的后台应用进行控制时，该处理器用于执行以下步骤：
获取后台应用清理指令；
根据该后台应用清理指令获取该电子设备的后台应用、以及当前的运行参数；
利用训练后的贝叶斯模型和当前的运行参数计算每一后台应用的可清理率；
根据该可清理率关闭该后台应用。
在一些实施例中，在利用训练后的贝叶斯模型和当前的运行参数计算每一后台应用的可清理率时，该处理器用于执行以下步骤：
根据当前的运行参数确定当前特征值；
将当前特征值输入第三预设公式中进行计算，得到可清理率，该第三预设公式为：
Figure PCTCN2018103254-appb-000032
Figure PCTCN2018103254-appb-000033
其中，1≤k≤n，q k为当前特征值。
在一些实施例中，在根据该可清理率关闭该后台应用时，该处理器用于执行以下步骤：
选取可清理率不小于预设阈值的后台应用作为目标应用，或者，选取可清理率最高的预设个数后台应用作为目标应用；
关闭所述目标应用。
存储器902可用于存储应用程序和数据。存储器902存储的应用程序中包含有可在处理器中执行的指令。应用程序可以组成各种功能模块。处理器901通过运行存储在存储器902的应用程序，从而执行各种功能应用以及数据处理。
显示屏903可用于显示由用户输入的信息或提供给用户的信息以及终端的各种图形用户接口，这些图形用户接口可以由图像、文本、图标、视频和其任意组合来构成。
控制电路904与显示屏903电性连接，用于控制显示屏903显示信息。
在一些实施例中，如图9所示，电子设备900还包括：射频电路905、输入单元906、音频电路907、传感器908以及电源909。其中，处理器901分别与射频电路905、输入单元906、音频电路907、传感器908以及电源909电性连接。
射频电路905用于收发射频信号，以通过无线通信与网络设备或其他电子设备建立无线通讯，与网络设备或其他电子设备之间收发信号。
输入单元906可用于接收输入的数字、字符信息或用户特征信息(例如指纹)，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。其中，输入单元906可以包括指纹识别模组。
音频电路907可通过扬声器、传声器提供用户与终端之间的音频接口。
电子设备900还可以包括至少一种传感器908，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板的亮度，接近传感器可在终端移动到耳边时，关闭显示面板和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于终端还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
电源909用于给电子设备900的各个部件供电。在一些实施例中，电源909可以通过电源管理系统与处理器901逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
尽管图9中未示出，电子设备900还可以包括摄像头、蓝牙模块等，在此不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种应用控制方法中的步骤。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种应用控制方法中的步骤，因此，可以实现本发明实施例所提供的任一种应用控制方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
综上所述，虽然本申请已以优选实施例揭露如上，但上述优选实施例并非用以限制本申请，本领域的普通技术人员，在不脱离本申请的精神和范围内，均可作各种更动与润饰，因此本申请的保护范围以权利要求界定的范围为准。

Claims (20)

  1. 一种应用控制方法，应用于电子设备，其包括：
    获取历史时段内每一采样时间点所述电子设备的运行参数，所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态；
    根据所述采样时间点确定对应运行参数的衰减参数；
    根据所述采样时间点和运行参数生成训练样本；
    根据所述训练样本和衰减参数对预设的贝叶斯模型进行训练；
    基于训练后的贝叶斯模型对所述电子设备中的后台应用进行控制。
  2. 根据权利要求1所述的应用控制方法，其中，所述根据所述采样时间点确定每一运行参数对应的衰减参数，包括：
    从所述采样时间点中提取出采样日期；
    确定所述采样日期在所述历史时段内的分布位置；
    根据所述分布位置获取对应运行参数的衰减参数。
  3. 根据权利要求1所述的应用控制方法，其中，所述根据所述采样时间点和运行参数生成训练样本，包括：
    根据所述采样时间点确定采样日期类型和采样时段；
    确定所述剩余电量所属的预设电量范围，以及确定所述已亮屏时长所属的预设时长范围；
    根据所述采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本。
  4. 根据权利要求3所述的应用控制方法，其中，所述根据所述采样日期类型、采样时段、预设电量范围、预设时长范围、前台应用、充电连接状态和网络连接状态生成训练样本，包括：
    获取目标预测应用；
    根据所述采样时间点从运行参数中确定所述前台应用的上一切换应用和下一切换应用；
    根据所述采样时间点、下一切换应用以及前台应用确定所述目标预测应用的预测值；
    根据所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
  5. 根据权利要求4所述的应用控制方法，其中，所述根据所述采样时间点、下一切换应用以及前台应用确定所述目标预测应用的预测值，包括：
    计算所述下一切换应用的采样时间点与前台应用的采样时间点之间的差值；
    判断所述目标预测应用是否为所述下一切换应用，且所述差值是否不超过预设时长；
    若是，则将所述目标预测应用的预测值确定为第一预设数值；
    若否，则将所述目标预测应用的预测值确定为第二预设数值。
  6. 根据权利要求4所述的应用控制方法，其中，所述根据所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本，包括：
    分别获取所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值；
    根据所述特征值和预测值生成训练样本。
  7. 根据权利要求6所述的应用控制方法，其中，所述根据所述训练样本和衰减参数对预设的贝叶斯模型进行训练，包括：
    将具有同一衰减参数的训练样本归为一组，得到多个样本组；
    将所述样本组和对应衰减参数输入第一预设公式中进行计算，得到对应预测值的概率，所述第一预设公式为：
    Figure PCTCN2018103254-appb-100001
    其中所述预测值包括j1和j2，所述样本组包括(S 1,S 2…S m)，1≤i≤m，λ为衰减参数，0＜λ＜1，
    Figure PCTCN2018103254-appb-100002
    表示样本组S i中事件出现的次数，P表示事件发生的概率；
    将所述样本组中的预测值、特征值和对应衰减参数输入第二预设公式中，得到对应特征值和预测值的概率，所述第二预设公式为：
    Figure PCTCN2018103254-appb-100003
    所述特征值包括(q 1,q 2…q n)，1≤j≤n。
  8. 根据权利要求7所述的应用控制方法，其中，所述基于训练后的贝叶斯模型对所述电子设备中的后台应用进行控制，包括：
    获取后台应用清理指令；
    根据所述后台应用清理指令获取所述电子设备的后台应用、以及当前的运行参数；
    利用训练后的贝叶斯模型和当前的运行参数计算每一后台应用的可清理率；
    根据所述可清理率关闭所述后台应用。
  9. 根据权利要求8所述的应用控制方法，其中，所述利用训练后的贝叶斯模型和当前的运行参数计算每一后台应用的可清理率，包括：
    根据当前的运行参数确定当前特征值；
    将当前特征值输入第三预设公式中进行计算，得到可清理率，所述第三预设公式为：
    Figure PCTCN2018103254-appb-100004
    其中，1≤k≤n，q k为当前特征值。
  10. 根据权利要求8所述的应用控制方法，其中，所述根据所述可清理率关闭所述后台应用，包括：
    选取可清理率不小于预设阈值的后台应用作为目标应用，或者，选取可清理率最高的预设个数后台应用作为目标应用；
    关闭所述目标应用。
  11. 一种应用控制装置，应用于电子设备，其包括：
    获取模块，用于获取历史时段内每一采样时间点所述电子设备的运行参数，所述运行参数包括前台应用、剩余电量、已亮屏时长、充电连接状态以及网络连接状态；
    确定模块，用于根据所述采样时间点确定对应运行参数的衰减参数；
    生成模块，用于根据所述采样时间点和运行参数生成训练样本；
    训练模块，用于根据所述训练样本和衰减参数对预设的贝叶斯模型进行训练；
    控制模块，用于基于训练后的贝叶斯模型对所述电子设备中的后台应用进行控制。
  12. 根据权利要求11所述的应用控制装置，其中，所述确定模块具体用于：
    从所述采样时间点中提取出采样日期；
    确定所述采样日期在所述历史时段内的分布位置；
    根据所述分布位置获取对应运行参数的衰减参数。
  13. 根据权利要求11所述的应用控制装置，其中，所述生成模块包括：
    第一确定子模块，用于根据所述采样时间点确定采样日期类型和采样时段；
    第二确定子模块，用于确定所述剩余电量所属的预设电量范围，以及确定所述已亮屏时长所属的预设时长范围；
    生成子模块，用于根据所述采样日期类型、采样时段、预设电量范围、预设时长范围、 前台应用、充电连接状态和网络连接状态生成训练样本。
  14. 根据权利要求13所述的应用控制装置，其中，所述生成子模块包括：
    获取单元，用于获取目标预测应用；
    第一确定单元，用于根据所述采样时间点从运行参数中确定所述前台应用的上一切换应用和下一切换应用；
    第二确定单元，用于根据所述采样时间点、下一切换应用以及前台应用确定所述目标预测应用的预测值；
    生成单元，用于根据所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态、目标预测应用以及预测值生成训练样本。
  15. 根据权利要求14所述的应用控制装置，其中，所述第二确定单元用于：
    计算所述下一切换应用的采样时间点与前台应用的采样时间点之间的差值；
    判断所述目标预测应用是否为所述下一切换应用，且所述差值是否不超过预设时长；
    若是，则将所述目标预测应用的预测值确定为第一预设数值；
    若否，则将所述目标预测应用的预测值确定为第二预设数值。
  16. 根据权利要求14所述的应用控制装置，其中，所述生成单元用于：
    分别获取所述上一切换应用、前台应用、采样日期类型、采样时段、预设电量范围、预设时长范围、充电连接状态、网络连接状态以及目标预测应用对应的特征值；
    根据所述特征值和预测值生成训练样本。
  17. 根据权利要求16所述的应用控制装置，其中，所述生成单元用于：
    将具有同一衰减参数的训练样本归为一组，得到多个样本组；
    将所述样本组和对应衰减参数输入第一预设公式中进行计算，得到对应预测值的概率，所述第一预设公式为：
    Figure PCTCN2018103254-appb-100005
    其中所述预测值包括j1和j2，所述样本组包括(S 1,S 2…S m)，1≤i≤m，λ为衰减参数，0＜λ＜1，
    Figure PCTCN2018103254-appb-100006
    表示样本组S i中事件出现的次数，P表示事件发生的概率；
    将所述样本组中的预测值、特征值和对应衰减参数输入第二预设公式中，得到对应特征值和预测值的概率，所述第二预设公式为：
    Figure PCTCN2018103254-appb-100007
    所述特征值包括(q 1,q 2…q n)，1≤j≤n。
  18. 根据权利要求17所述的应用控制装置，其中，所述控制模块用于：
    获取后台应用清理指令；
    根据所述后台应用清理指令获取所述电子设备的后台应用、以及当前的运行参数；
    利用训练后的贝叶斯模型和当前的运行参数计算每一后台应用的可清理率；
    根据所述可清理率关闭所述后台应用。
  19. 一种计算机可读存储介质，其中，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行权利要求1所述的应用控制方法。
  20. 一种电子设备，其包括处理器和存储器，所述处理器与所述存储器电性连接，所述存储器用于存储指令和数据，所述处理器用于执行权利要求1所述的应用控制方法中的步骤。
PCT/CN2018/103254 2017-09-30 2018-08-30 应用控制方法、装置、存储介质以及电子设备 WO2019062460A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP18860046.4A EP3690650B1 (en) 2017-09-30 2018-08-30 Application control method and apparatus, storage medium and electronic device
US16/828,515 US11403197B2 (en) 2017-09-30 2020-03-24 Method and device for controlling application, storage medium, and electronic device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201710940349.7 2017-09-30
CN201710940349.7A CN107577522B (zh) 2017-09-30 2017-09-30 应用控制方法、装置、存储介质以及电子设备

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US16/828,515 Continuation US11403197B2 (en) 2017-09-30 2020-03-24 Method and device for controlling application, storage medium, and electronic device

Publications (1)

Publication Number Publication Date
WO2019062460A1 true WO2019062460A1 (zh) 2019-04-04

Family

ID=61036563

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/103254 WO2019062460A1 (zh) 2017-09-30 2018-08-30 应用控制方法、装置、存储介质以及电子设备

Country Status (4)

Country Link
US (1) US11403197B2 (zh)
EP (1) EP3690650B1 (zh)
CN (1) CN107577522B (zh)
WO (1) WO2019062460A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4024762A4 (en) * 2019-09-12 2023-07-05 Huawei Technologies Co., Ltd. METHOD AND DEVICE FOR PREDICTING THE CONNECTION STATE BETWEEN TERMINALS AND ANALYSIS DEVICE

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107577522B (zh) * 2017-09-30 2020-04-21 Oppo广东移动通信有限公司 应用控制方法、装置、存储介质以及电子设备
CN110086835B (zh) * 2018-01-24 2021-08-03 腾讯科技（深圳）有限公司 应用程序管控方法、终端、服务器及系统
US11438246B2 (en) * 2018-03-29 2022-09-06 Nec Corporation Communication traffic analyzing apparatus, communication traffic analyzing method, program, and recording medium
CN108762467A (zh) * 2018-05-10 2018-11-06 Oppo广东移动通信有限公司 应用处理方法、装置、电子设备和计算机可读存储介质
JP6914289B2 (ja) * 2019-03-27 2021-08-04 株式会社データビークル 屋内に設置される機器を制御するための装置、方法及びそのためのプログラム
CN111813307B (zh) * 2020-06-23 2022-03-01 维沃移动通信有限公司 应用程序显示方法、装置及电子设备
CN112004150A (zh) * 2020-08-14 2020-11-27 深圳创维－Rgb电子有限公司 一种电视机控制方法、系统、电视机及存储介质
CN112699046B (zh) * 2021-01-12 2024-03-29 抖音视界有限公司 应用程序测试方法及装置、电子设备和存储介质
CN115033304B (zh) * 2022-06-27 2024-09-24 维沃移动通信有限公司 应用程序控制方法、装置及电子设备
CN116822340B (zh) * 2023-06-12 2024-05-28 中科软件测评(广州)有限公司 一种基于软件耗能的终端电量优化方法
CN118042263A (zh) * 2024-01-10 2024-05-14 荣耀终端有限公司 一种图像采集方法、电子设备和存储介质
CN117691719B (zh) * 2024-01-30 2024-04-05 深圳市方利来科技有限公司 一种电动牙刷的充电控制方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105468823A (zh) * 2015-11-16 2016-04-06 广州广电运通金融电子股份有限公司 一种自助设备节能控制方法和装置
US9424745B1 (en) * 2013-11-11 2016-08-23 Emc Corporation Predicting traffic patterns
CN106648023A (zh) * 2016-10-02 2017-05-10 上海青橙实业有限公司 移动终端及其基于神经网络的省电方法
CN107133094A (zh) * 2017-06-05 2017-09-05 努比亚技术有限公司 应用管理方法、移动终端及计算机可读存储介质
CN107577522A (zh) * 2017-09-30 2018-01-12 广东欧珀移动通信有限公司 应用控制方法、装置、存储介质以及电子设备

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8935198B1 (en) * 1999-09-08 2015-01-13 C4Cast.Com, Inc. Analysis and prediction of data using clusterization
US7072863B1 (en) * 1999-09-08 2006-07-04 C4Cast.Com, Inc. Forecasting using interpolation modeling
US6473084B1 (en) * 1999-09-08 2002-10-29 C4Cast.Com, Inc. Prediction input
US6792399B1 (en) * 1999-09-08 2004-09-14 C4Cast.Com, Inc. Combination forecasting using clusterization
CN102622510A (zh) 2012-01-31 2012-08-01 龚波 一种软件缺陷量化管理系统和方法
US10200824B2 (en) * 2015-05-27 2019-02-05 Apple Inc. Systems and methods for proactively identifying and surfacing relevant content on a touch-sensitive device
CN104915779B (zh) 2015-06-15 2018-08-24 北京航空航天大学 基于贝叶斯网络的抽样试验设计方法
CN106921700B (zh) * 2015-12-25 2021-06-04 阿里巴巴集团控股有限公司 一种根据特征信息进行安全预判的方法、装置以及系统
CN106484077A (zh) * 2016-10-19 2017-03-08 上海青橙实业有限公司 移动终端及其基于应用软件分类的省电方法
CN106600369A (zh) 2016-12-09 2017-04-26 广东奡风科技股份有限公司 基于朴素贝叶斯分类的银行金融产品实时推荐系统和方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9424745B1 (en) * 2013-11-11 2016-08-23 Emc Corporation Predicting traffic patterns
CN105468823A (zh) * 2015-11-16 2016-04-06 广州广电运通金融电子股份有限公司 一种自助设备节能控制方法和装置
CN106648023A (zh) * 2016-10-02 2017-05-10 上海青橙实业有限公司 移动终端及其基于神经网络的省电方法
CN107133094A (zh) * 2017-06-05 2017-09-05 努比亚技术有限公司 应用管理方法、移动终端及计算机可读存储介质
CN107577522A (zh) * 2017-09-30 2018-01-12 广东欧珀移动通信有限公司 应用控制方法、装置、存储介质以及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3690650A4 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4024762A4 (en) * 2019-09-12 2023-07-05 Huawei Technologies Co., Ltd. METHOD AND DEVICE FOR PREDICTING THE CONNECTION STATE BETWEEN TERMINALS AND ANALYSIS DEVICE

Also Published As

Publication number Publication date
EP3690650A4 (en) 2020-11-25
EP3690650A1 (en) 2020-08-05
CN107577522A (zh) 2018-01-12
CN107577522B (zh) 2020-04-21
US11403197B2 (en) 2022-08-02
US20200226433A1 (en) 2020-07-16
EP3690650B1 (en) 2022-12-07

Similar Documents

Publication Publication Date Title
WO2019062460A1 (zh) 应用控制方法、装置、存储介质以及电子设备
CN107678803B (zh) 应用管控方法、装置、存储介质及电子设备
CN108337358B (zh) 应用清理方法、装置、存储介质及电子设备
WO2019062462A1 (zh) 应用控制方法、装置、存储介质以及电子设备
CN107832132B (zh) 应用控制方法、装置、存储介质及电子设备
CN107678845B (zh) 应用程序管控方法、装置、存储介质及电子设备
WO2019062405A1 (zh) 应用程序的处理方法、装置、存储介质及电子设备
WO2019024642A1 (zh) 进程控制方法、装置、存储介质以及电子设备
CN111143697B (zh) 一种内容推荐的方法以及相关装置
CN107545404B (zh) 账单提醒方法及装置
WO2019062342A9 (zh) 后台应用清理方法、装置、存储介质及电子设备
JP2020537213A (ja) 端末の電力消費を低減するための方法、および端末
CN107870810B (zh) 应用清理方法、装置、存储介质及电子设备
WO2019132564A1 (en) Method and system for classifying time-series data
CN107943570B (zh) 应用管理方法、装置、存储介质及电子设备
CN107748697B (zh) 应用关闭方法、装置、存储介质及电子设备
CN107402808B (zh) 进程管理方法、装置、存储介质及电子设备
WO2019085749A1 (zh) 应用程序管控方法、装置、介质及电子设备
US20200241483A1 (en) Method and Device for Managing and Controlling Application, Medium, and Electronic Device
WO2019062404A1 (zh) 应用程序的处理方法、装置、存储介质及电子设备
CN111538852A (zh) 多媒体资源处理方法、装置、存储介质及设备
WO2019085754A1 (zh) 应用清理方法、装置、存储介质及电子设备
CN108388335B (zh) 一种控制移动终端的方法和移动终端
CN107608778A (zh) 应用程序管控方法、装置、存储介质及电子设备
CN107729144B (zh) 应用控制方法、装置、存储介质及电子设备

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18860046

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2018860046

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2018860046

Country of ref document: EP

Effective date: 20200430