WO2020206683A1 - 应用程序的管理方法、装置、存储介质及电子设备 - Google Patents

应用程序的管理方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
WO2020206683A1
WO2020206683A1 PCT/CN2019/082468 CN2019082468W WO2020206683A1 WO 2020206683 A1 WO2020206683 A1 WO 2020206683A1 CN 2019082468 W CN2019082468 W CN 2019082468W WO 2020206683 A1 WO2020206683 A1 WO 2020206683A1
Authority
WO
WIPO (PCT)
Prior art keywords
application
target application
prediction
target
feature
Prior art date
Application number
PCT/CN2019/082468
Other languages
English (en)
French (fr)
Inventor
吴建文
张寅祥
帅朝春
陆天洋
戴堃
Original Assignee
深圳市欢太科技有限公司
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 深圳市欢太科技有限公司, Oppo广东移动通信有限公司 filed Critical 深圳市欢太科技有限公司
Priority to CN201980090528.3A priority Critical patent/CN113412474A/zh
Priority to PCT/CN2019/082468 priority patent/WO2020206683A1/zh
Publication of WO2020206683A1 publication Critical patent/WO2020206683A1/zh

Links

Images

Classifications

    • 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

Definitions

  • This application relates to the technical field of electronic equipment, and in particular to an application management method, device, storage medium and electronic equipment.
  • the embodiments of the present application provide an application program management method, device, storage medium, and electronic equipment, which can improve the management efficiency of the application program.
  • the embodiments of the present application provide an application management method, including:
  • an application management apparatus including:
  • the collection unit is used to collect the multi-dimensional features when the application is started as a sample, and construct a sample set when the application is started;
  • the learning unit is used for training and learning the sample set, and generating a prediction model containing application usage habits
  • the input unit is used to obtain current multi-dimensional features as prediction information, and input the prediction information into the prediction model to obtain the first target application and the second target application;
  • the processing unit is configured to freeze the first target application and unfreeze the second target application.
  • the storage medium provided by the embodiment of the present application has a computer program stored thereon, and when the computer program runs on a computer, the computer is caused to execute the application management method provided in any embodiment of the present application .
  • the electronic device provided by the embodiment of the present application includes a processor and a memory, the memory has a computer program, and the processor is used to execute the steps by calling the computer program:
  • FIG. 1 is a schematic flowchart of an application management method provided by an embodiment of the present application.
  • FIG. 2 is a schematic diagram of another flow of the application management method provided by the embodiment of the application.
  • Fig. 3 is a schematic diagram of a scenario of an application management method provided by an embodiment of the present application.
  • Fig. 4 is a schematic diagram of another scenario of the application management method provided by the embodiment of the present application.
  • FIG. 5 is a schematic diagram of modules of an application management apparatus provided by an embodiment of the application.
  • FIG. 6 is a schematic diagram of another module of the application management apparatus provided by an embodiment of the application.
  • FIG. 7 is a schematic structural diagram of an electronic device provided by an embodiment of the application.
  • FIG. 8 is a schematic diagram of another structure of an electronic device provided by an embodiment of the application.
  • module used in this article can be regarded as a software object executed on the computing system.
  • the different components, modules, engines and services mentioned in this article can be regarded as implementation objects on the computing system.
  • the device and method described herein are preferably implemented in the form of software, of course, they can also be implemented on hardware, and they are all within the protection scope of this application.
  • the embodiment of the present application provides a method for managing an application program.
  • the execution subject of the application management method may be the application management apparatus provided in the embodiment of the present application, or an electronic device integrated with the application management apparatus, where The application management device can be implemented in hardware or software.
  • the electronic device may be a smart phone, a tablet computer, a PDA (Personal Digital Assistant), etc.
  • the embodiment of the present invention provides an application program management method, including:
  • the multi-dimensional features include application identification features, time information features, and location information features.
  • the step of collecting multi-dimensional features when the application is started as a sample and constructing a sample set when the application is started may include : When it is detected that the application is open, obtain the corresponding application identification feature, current time information feature, and current location information feature of the application; generate the application identification feature, current time information feature, and current location information feature Samples, and continue to collect multiple samples to build a sample set.
  • the step of performing training and learning on the sample set to generate a prediction model containing application usage habits may include: performing a calculation on multiple samples in the sample set according to the time information feature and location information feature in the sample set. The samples are classified; training and learning are performed based on the application identification characteristics of the classified samples, and a prediction model including application usage habits in the time information dimension and the positioning information dimension is generated.
  • the step of obtaining the current multi-dimensional feature as prediction information and inputting the prediction information into the prediction model to obtain the first target application and the second target application may include: obtaining the current time information feature And the current location information feature as the prediction information; input the prediction information into the prediction model so that the prediction model determines the prediction interval to which it belongs according to the current time information feature and the current location information feature; according to the total of the prediction interval
  • the application identification feature of the sample number determines the first target application and the second target application.
  • the step of determining the first target application and the second target application according to the application identification characteristics of the total number of samples in the prediction interval may include: obtaining each sample in the prediction interval And the application identifier corresponding to each sample; count the startup probability of each application identifier in the prediction interval; determine the application identifier with the startup probability less than the preset threshold as the first target application identifier, and according to the first target The application identifier obtains the corresponding first target application; the application identifier with the startup probability not less than the preset threshold is determined as the second target application identifier, and the corresponding second target application is obtained according to the second target application identifier .
  • the step of freezing the first target application may include: when the usage probability of the first target application is higher than the preset usage probability, setting the first target application to Unfreezing state; when the usage probability of the first target application is not higher than the preset usage probability, the first target application is frozen.
  • the step of unfreezing the second target application may include: when the usage probability of the second target application is lower than the preset usage probability, setting the second target application to Unfreezing state; when the usage probability of the second target application is not lower than the preset usage probability, the second target application is thawed.
  • FIG. 1 is a schematic flowchart of the application management method provided in an embodiment of the application.
  • the application management method may include the following steps:
  • step S101 the multi-dimensional features when the application is started are collected as samples, and a sample set when the application is started is constructed.
  • the multi-dimensional features in the scene will be collected accordingly as sample information, such as the time point and/or a certain location when the user starts the application, that is, the multi-dimensional feature represents
  • sample information such as the time point and/or a certain location when the user starts the application
  • the multi-dimensional feature represents
  • the environmental characteristic information when the application is started is associated with the application to form a sample
  • the samples of multiple applications when the application is started are continuously collected to form a sample set.
  • the sample set can be to a certain extent Reflect the user's application usage habits in certain environments, so that the application can be managed later.
  • the multi-dimensional features include application identification features, time information features, and location information features.
  • the step of collecting multi-dimensional features when the application is started as a sample and constructing a sample set when the application is started may include:
  • the application identifier corresponding to the opened application can be obtained, and the application identifier can be the application name or the application version number of the application, etc., and also obtain
  • the current time information feature of the electronic device and the current positioning information obtained through the Global Positioning System (GPS) on the electronic device, the obtained application identification feature, current time information feature, and current location information feature are generated into a three-dimensional sample,
  • the three-dimensional sample can reflect the behavior of a user opening a certain application at a certain time and place, and continuously collect multiple samples in a period to construct a sample set.
  • the period can be one month, 14 days, etc. .
  • step S102 training and learning are performed on the sample set to generate a prediction model including application usage habits.
  • the current application freezing method is to put the application that needs to be frozen into the freeze white list of the electronic device.
  • the user needs to unfreeze manually remove the application from the freeze white list to complete the unfreeze.
  • Make the frozen application continue to use the operation process is very cumbersome.
  • a learning model composed of algorithms, for example, a convolutional neural network (Convolutional Neural Networks, CNN) model with self-learning function can be used to train and learn the constructed sample set, and the learning model can be used for each sample one by one.
  • CNN convolutional Neural Networks
  • the step of training and learning the sample set to generate a predictive model including application usage habits may include:
  • a convolutional neural network with a learning function can be used to classify time information features and location information features in a sample set, and samples with the same or similar time information features and location information features can be classified into the same category.
  • training and learning are performed based on the application program identification features of all samples belonging to the same category, and a prediction model containing the time information feature and the positioning information feature of the same or similar environmental conditions is learned.
  • step S103 the current multi-dimensional features are acquired as prediction information, and the prediction information is input into the prediction model to obtain the first target application and the second target application.
  • the prediction model includes application usage habits under multi-dimensional features
  • the user's multi-dimensional features change, the current changed multi-dimensional features are obtained in time as prediction information, and the prediction information is input into the prediction model, and the prediction model can get Under the changed multi-dimensional feature, the application usage habit, according to the usage habit, the application identifier that is not frequently used in the scene corresponding to the multi-dimensional feature is determined as the first target application, and will be in the scene corresponding to the multi-dimensional feature
  • the frequently used application program identifier is determined as the second target application program.
  • the step of obtaining the current multi-dimensional feature as prediction information and inputting the prediction information into the prediction model to obtain the first target application and the second target application may include:
  • the changed current time information feature and the current location information feature are acquired, and the current time information feature and the current location information feature are input into the prediction model to determine
  • the prediction interval corresponding to the changed current time information feature and the current location information feature, the time information feature and location information feature of the sample in the prediction interval are the same as the current time information feature after the change and the current location information feature Or similar.
  • the first target application corresponding to the infrequently used application identifier and the second target application corresponding to the frequently used application identifier can be determined based on the application identifiers corresponding to all the sample numbers in the prediction interval.
  • the step of determining the first target application and the second target application according to the application identification characteristics of the total number of samples in the prediction interval may include:
  • each sample in the prediction interval and the corresponding application identifier of each sample can be obtained for data statistics, and the corresponding startup probability of each application identifier in the prediction interval can be calculated, and the application whose startup probability is less than a preset threshold
  • the program identifier is determined to be the first application program identifier, and the corresponding first target application program is obtained according to the first target application program identifier.
  • the application identifier with the startup probability not less than the preset threshold is determined as the second application identifier, and the corresponding second target application is acquired according to the second target application identifier.
  • step S104 the first target application is frozen, and the second target application is unfrozen.
  • the first target application is an application that is not frequently used in the current scenario
  • the second target application is an application that is frequently used in the current scenario. Accordingly, in order to save the power and memory of the electronic device, you can Freeze the first target application, and unfreeze the second target application.
  • the step of freezing the first target application may include:
  • the first target application is set to a state to be unfrozen
  • the usage probability of the first target application can be obtained in advance, and the usage probability is the total usage probability of the user using the electronic device every day.
  • the first target application is explained
  • the first target application can be set to a state to be unfrozen, which is a mode in which the state to be unfrozen is a frozen state, and can be displayed in the user interface when the first target application is in the state to be unfrozen
  • the temporary icon of the first target application is displayed.
  • the user clicks the temporary icon the first target application is unfrozen. If the user does not click the temporary icon within a period of time, the temporary icon is deleted and the temporary icon is restored.
  • the frozen state of the first target application When the usage probability is not higher than the preset usage probability, the first target application can be directly frozen.
  • the step of unfreezing the second target application may include:
  • the usage probability of the second target application can be obtained in advance, and the usage probability is the total usage probability when the user uses the electronic device every day.
  • the second target application is explained
  • the second target application can be set to a state to be unfrozen, which is a mode of freezing state.
  • the second target application is in the to-be-unfrozen state, it can be displayed in the user interface
  • the temporary icon of the second target application is displayed.
  • the user clicks the temporary icon the second target application is unfrozen. If the user does not click the temporary icon within a period of time, the temporary icon is deleted and restored The frozen state of the second target application.
  • the usage probability is not lower than the preset usage probability, the second target application can be directly unfrozen.
  • the application management method collects multi-dimensional features when the application is started as samples, and builds a sample set when the application is started; training and learning are performed on the sample set to generate The predictive model used by the program; obtain the current multi-dimensional features as predictive information, and input the predictive information into the predictive model to obtain the first target application and the second target application; freeze the first target application and set the second target The application is defrosted.
  • the multi-dimensional features in the current scene are automatically input to the prediction model, and the data that needs to be frozen are obtained in real time.
  • the first target application and the second target application that need to be thawed realize the automation of application management and improve the management efficiency of the application.
  • FIG. 2 is a schematic diagram of another flow of the application management method provided by an embodiment of the present application.
  • the method includes:
  • step S201 when it is detected that the application is started, the application identification feature, the current time information feature, and the current location information feature corresponding to the application are acquired.
  • the corresponding application identifier of the application such as "application 1”, the current time information feature, and the current location information feature are obtained.
  • the corresponding application identifier of the application is obtained, such as "Application 1”, the current positioning information "XX Building” is obtained through GPS101, and the current time information "December 7th,” Friday, 10:46.”
  • step S202 samples are generated from the application identification feature, the current time information feature, and the current location information feature, and multiple samples are continuously collected to construct a sample set.
  • the mobile phone generates a sample of the application identification feature, the current time information feature, and the current location information feature.
  • the sample reflects that the user has opened a specific application at a specific time and at a specific location, and continues to collect Multiple samples in a month construct a sample set reflecting user behavior habits.
  • step S203 the multiple samples in the sample set are classified according to the time information feature and the location information feature in the sample set.
  • each sample in the sample set is classified according to the time information characteristics and location information characteristics of the sample set.
  • the date can be divided into working days and weekends, and samples with the same or similar locations within the working day are classified into one category , Classify samples with the same or similar locations on weekends into one category, etc., so that the classified samples have the same or similar characteristics in time and location.
  • step S204 training and learning are performed based on the application identification features of the classified samples, and a prediction model including application usage habits in the time information dimension and the positioning information dimension is generated.
  • the mobile phone trains and learns based on samples with the same or similar characteristics, and generates a prediction model of application usage habits in a certain time dimension and positioning dimension.
  • the prediction model can predict the user's use of the application under a certain time and place combination. The specific behavior of the program.
  • step S205 the current time information feature and the current location information feature are acquired as prediction information.
  • the updated current time information feature and current location information feature can be automatically obtained as prediction information.
  • step S206 the prediction information is input to the prediction model, so that the prediction model determines the prediction interval to which it belongs based on the current time information feature and the current location information feature.
  • the updated current time information feature and the current location information feature are input into the prediction model.
  • the prediction model can determine the same or similar prediction interval based on the current time information feature and the current location information feature.
  • the samples in the prediction interval are The time information feature and the location information feature in the current scene are the same or similar. For example, after the user returns home on a working day, the prediction model will obtain the prediction interval after returning home on the working day.
  • the samples in the prediction interval are the user's work that is usually collected The samples collected after returning home are of great reference value.
  • step S207 each sample in the prediction interval and the application identifier corresponding to each sample are obtained.
  • step S208 the startup probability of each application identifier in the prediction interval is counted.
  • the start probability of each application identifier in the prediction interval is obtained by statistics. The more the application identifier appears in the prediction interval, the greater the startup probability of the application identifier is, and the application identifier is in the prediction interval. The fewer occurrences in the prediction interval, the lower the startup probability of the application identifier.
  • step S209 the application identifier with the startup probability less than the preset threshold is determined as the first target application identifier, and the corresponding first target application is obtained according to the first target application identifier.
  • the startup probability when the startup probability is less than the preset threshold, it means that the application identifier is used less frequently in this scenario.
  • the application identifier with the startup probability less than the preset threshold is determined as the first target application identifier, and the The first target application identifier acquires the corresponding first target application.
  • step S210 an application identifier whose startup probability is not less than a preset threshold is determined as a second target application identifier, and a corresponding second target application is acquired according to the second target application identifier.
  • the startup probability when the startup probability is not less than the preset threshold, it means that the application identifier is used more times in this scenario, and the application identifier with the startup probability not less than the preset threshold is determined as the second target application identifier, and The corresponding second target application is acquired according to the second target application identifier.
  • the first target application is an application that needs to be frozen
  • the second target application is an application that needs to be unfrozen.
  • the mobile phone 100 can generate a frozen list 103 and an unfreeze list 104.
  • the frozen list 103 contains the first target applications "Application 1" and "Application 2" that need to be frozen.
  • the unfreeze list 104 contains For the second target applications "Application 3" and "Application 4" to be unfrozen, the user can adjust the frozen list and the unfrozen list, and then confirm, or directly cancel the freezing and unfreezing operations.
  • step S211 when the usage probability of the first target application is higher than the preset usage probability, the first target application is set to a state to be unfrozen.
  • the first target application is an application that needs to be frozen in this scenario.
  • the first target application needs to be analyzed to determine the normal use probability of the first target application, that is, the user use probability, when the user When the usage probability is higher than the preset usage probability, it indicates that the first target application is a frequently used application, and then the first target application can be set to a state to be unfrozen.
  • step S212 when the usage probability of the first target application is not higher than the preset usage probability, the first target application is frozen.
  • the first target application is an application that needs to be frozen in this scenario.
  • the first target application needs to be analyzed to determine the normal use probability of the first target application, that is, the user use probability, when the user When the usage probability is not higher than the preset usage probability, it indicates that the first target application is not a frequently used application, and the first target application can be directly frozen.
  • step S213 when the usage probability of the second target application is lower than the preset usage probability, the second target application is set to a state to be unfrozen.
  • the second target application is an application that needs to be unfrozen in this scenario.
  • the second target application needs to be analyzed to determine the normal usage probability of the second target application, that is, the user usage probability.
  • the user usage probability When the usage probability is lower than the preset usage probability, it indicates that the second target application is not a frequently used application, and then the second target application can be set to a state to be unfreeze.
  • step S214 when the usage probability of the second target application is not lower than the preset usage probability, the second target application is unfrozen.
  • the second target application is an application that needs to be unfrozen in this scenario.
  • the second target application needs to be analyzed to determine the normal usage probability of the second target application, that is, the user usage probability. When the user usage probability When the usage probability is not lower than the preset usage probability, it indicates that the second target application is a frequently used application, and the second target application can be directly unfrozen.
  • the application management method collects the application identifier, current time information characteristics and current location information characteristics when the application is started as samples, and continuously collects and builds when the application is started.
  • the multiple samples in the sample set are classified according to the time information feature and the location information feature, and the application is trained and learned based on the classified application to generate a prediction model containing the application usage habits at a certain time and place ,
  • Obtain the current time information feature and location information feature as prediction information and input the prediction information into the prediction model to obtain the first target application and the second target application in the current scene, and perform the first target application according to the probability of use Freeze, unfreeze the second target application.
  • the user's behavior of using the application at a certain time and place can be collected, and learning and training can be performed to obtain a prediction model that contains the user's habits of using the application at different times and places, and the time and place in the current scene are automatically input into the prediction
  • the model obtains the first target application that needs to be frozen and the second target application that needs to be unfrozen at the time and place in real time, realizes the automation of application management, and improves the management efficiency of the application.
  • the embodiment of the present application also provides an apparatus based on the foregoing application management method.
  • the meanings of the nouns are the same as in the above-mentioned application management method, and the specific implementation details can refer to the description in the method embodiment.
  • the embodiment of the present invention provides an application management device, including:
  • the collection unit is used to collect the multi-dimensional features when the application is started as a sample, and construct a sample set when the application is started;
  • the learning unit is used to train and learn the sample set to generate a predictive model containing application usage habits
  • the input unit is used to obtain current multi-dimensional features as prediction information, and input the prediction information into the prediction model to obtain the first target application and the second target application;
  • the processing unit is configured to freeze the first target application and unfreeze the second target application.
  • the multi-dimensional features include application program identification features, time information features, and location information features.
  • the collection unit may include: an acquisition subunit for acquiring corresponding information about the application when it is detected that the application is started. Application identification feature, current time information feature, and current location information feature; collection subunit, used to generate samples for the application identification feature, current time information feature, and current location information feature, and continue to collect multiple samples Build a sample set.
  • the learning unit may include: a classification subunit, which is used to classify multiple samples in the sample set according to the time information feature and location information feature of the sample set; The application identification features of the classified samples are trained and learned to generate a prediction model containing application usage habits in the time information dimension and the location information dimension.
  • the input unit may include: an obtaining subunit, which is used to obtain current time information features and current location information features as prediction information; and a first determination subunit, which is used to input the prediction information into the prediction model , So that the prediction model determines the prediction interval to which it belongs based on the current time information feature and the current location information feature; the second determining subunit is used to determine the application identification feature based on the total number of samples in the prediction interval The first target application and the second target application.
  • the second determining subunit is specifically used to: obtain each sample in the prediction interval and the application identifier corresponding to each sample; count the activation probability of each application identifier in the prediction interval; The application identifier with the startup probability less than the preset threshold is determined as the first target application identifier, and the corresponding first target application is obtained according to the first target application identifier; the application identifier with the startup probability not less than the preset threshold is determined Is the second target application identifier, and the corresponding second target application is obtained according to the second target application identifier.
  • FIG. 5 is a schematic diagram of modules of an application management apparatus provided by an embodiment of the application.
  • the application management device 300 includes: a collection unit 31, a learning unit 32, an input unit 33, and a processing unit 34.
  • the collection unit 31 is used to collect multi-dimensional features when the application is started as samples, and construct a sample set when the application is started.
  • the collection unit 31 will correspondingly collect the multi-dimensional features in the scene as sample information, such as the time point and/or a certain location when the user starts the application, that is, the Multi-dimensional features are expressed as environmental feature information when the application is opened.
  • the environmental feature information opened by the application is associated with the application to form a sample, and the samples of multiple applications when the application is opened are continuously collected to form a sample set. To a certain extent, it reflects the user's application usage habits in certain environments, so that the application can be managed later.
  • the learning unit 32 is used for training and learning the sample set, and generating a prediction model including application usage habits.
  • the learning unit 32 can use a learning model composed of algorithms, for example, a convolutional neural network model with a self-learning function can train a sample set constructed, and the learning model can train each sample one by one. Based on the user's habit of opening applications under multi-dimensional conditions, a predictive model including application usage habits is generated.
  • a learning model composed of algorithms, for example, a convolutional neural network model with a self-learning function can train a sample set constructed, and the learning model can train each sample one by one. Based on the user's habit of opening applications under multi-dimensional conditions, a predictive model including application usage habits is generated.
  • the input unit 33 is configured to obtain the current multi-dimensional features as prediction information, and input the prediction information into the prediction model to obtain the first target application and the second target application.
  • the prediction model includes application usage habits under multi-dimensional features
  • the input unit 33 timely obtains the current changed multi-dimensional features as prediction information, inputs the prediction information into the prediction model, and predicts The model can obtain the application usage habits under the changed multi-dimensional features.
  • the application identifiers that are not frequently used in the scene corresponding to the multi-dimensional feature are determined as the first target application, and the multi-dimensional feature corresponds to The application identifier that is frequently used in the scenario is determined as the second target application.
  • the processing unit 34 is configured to freeze the first target application and unfreeze the second target application.
  • the first target application is an application that is not frequently used in the current scene
  • the second target application is an application that is frequently used in the current scene. Accordingly, the processing unit 34 is to save the power of the electronic device and The memory can freeze the first target application and unfreeze the second target application.
  • the processing unit 34 is specifically configured to set the first target application to a state to be unfrozen when the use probability of the first target application is higher than the preset use probability; When the usage probability of the application is not higher than the preset usage probability, freeze the first target application; when the usage probability of the second target application is lower than the preset usage probability, set the second target application The state is to be unfrozen; when the usage probability of the second target application is not lower than the preset usage probability, the second target application is unfrozen.
  • FIG. 6 is a schematic diagram of another module of the application management apparatus provided by an embodiment of the present application.
  • the application management apparatus 300 may further include:
  • the multi-dimensional features include application program identification features, time information features, and location information features.
  • the collection unit 31 may include an acquisition subunit 311 and a collection subunit 312.
  • the acquiring subunit 311 is configured to acquire the corresponding application identification feature, current time information feature, and current location information feature of the application when it is detected that the application is started.
  • the collection subunit 312 is configured to generate samples for the application program identification feature, current time information feature, and current location information feature, and continuously collect multiple samples to construct a sample set.
  • the learning unit 32 may include a classification sub-unit 321 and a learning sub-unit 322.
  • the classification subunit 321 is configured to classify multiple samples in the sample set according to the time information feature and the location information feature in the sample set.
  • the learning sub-unit 322 is used for training and learning based on the application identification features of the classified samples, and generating a prediction model including application usage habits in the time information dimension and the positioning information dimension.
  • the input unit 33 may include an acquiring subunit 331, a first determining subunit 332, and a second determining subunit 333.
  • the obtaining subunit 331 is configured to obtain the current time information feature and the current location information feature as prediction information.
  • the first determining subunit 332 is configured to input the prediction information into a prediction model, so that the prediction model determines the prediction interval to which it belongs based on the current time information feature and the current location information feature.
  • the second determining subunit 333 is configured to determine the first target application and the second target application according to the application identification characteristics of the total number of samples in the prediction interval.
  • the second determining subunit 333 is specifically used to obtain each sample in the prediction interval and the application identifier corresponding to each sample; to count the activation probability of each application identifier in the prediction interval; and to set the activation probability to be less than a preset threshold
  • the application identifier of is determined as the first target application identifier, and the corresponding first target application is obtained according to the first target application identifier; the application identifier with the startup probability not less than the preset threshold is determined as the second target application And obtain the corresponding second target application according to the second target application identifier.
  • the embodiment of the application also provides an electronic device.
  • the electronic device 500 includes a processor 501 and a memory 502.
  • the processor 501 is electrically connected to the memory 502.
  • the processor 500 is the control center of the electronic device 500. It uses various interfaces and lines to connect the various parts of the entire electronic device. It executes by running or loading the computer program stored in the memory 502 and calling the data stored in the memory 502. Various functions of the electronic device 500 and data are processed, so as to monitor the electronic device 500 as a whole.
  • the memory 502 can be used to store software programs and modules.
  • the processor 501 executes various functional applications and data processing by running the computer programs and modules stored in the memory 502.
  • the memory 502 may mainly include a program storage area and a data storage area.
  • the program storage area may store an operating system, a computer program required by at least one function (such as a sound playback function, an image playback function, etc.), etc.; Data created by the use of electronic equipment, etc.
  • the memory 502 may include a high-speed random access memory, and may also include a non-volatile memory, such as at least one magnetic disk storage device, a flash memory device, or other volatile solid-state storage devices.
  • the memory 502 may further include a memory controller to provide the processor 501 with access to the memory 502.
  • the processor 501 in the electronic device 500 will load the instructions corresponding to the process of one or more computer programs into the memory 502 according to the following steps, and run the instructions by the processor 501 and store them in the memory 502 In order to realize various functions in the computer program, as follows:
  • the processor 501 when collecting multi-dimensional features when the application is started as samples and constructing a sample set when the application is started, the processor 501 may specifically execute the following steps:
  • Samples are generated from the application identification feature, current time information feature, and current location information feature, and multiple samples are continuously collected to construct a sample set.
  • the processor 501 may specifically perform the following steps:
  • Training and learning are performed based on the application identification features of the classified samples, and a prediction model containing application usage habits in the time information dimension and the positioning information dimension is generated.
  • the processor 501 when acquiring the current multi-dimensional features as prediction information and inputting the prediction information into the prediction model to obtain the first target application and the second target application, the processor 501 may specifically perform the following steps:
  • the prediction model determines the prediction interval to which it belongs based on the current time information feature and the current location information feature;
  • the first target application and the second target application are determined according to the application identification characteristics of the total number of samples in the prediction interval.
  • the processor 501 may specifically execute the following steps:
  • the application identifier with the startup probability not less than the preset threshold is determined as the second target application identifier, and the corresponding second target application is obtained according to the second target application identifier.
  • the processor 501 may specifically execute the following steps:
  • the first target application is frozen.
  • the processor 501 may specifically execute the following steps:
  • the second target application When the usage probability of the second target application is not lower than the preset usage probability, the second target application is unfrozen.
  • the electronic device 500 may further include: a display 503, a radio frequency circuit 504, an audio circuit 505, and a power supply 506.
  • the display 503, the radio frequency circuit 504, the audio circuit 505, and the power supply 506 are electrically connected to the processor 501, respectively.
  • the display 503 can be used to display information input by the user or information provided to the user, and various graphical user interfaces. These graphical user interfaces can be composed of graphics, text, icons, videos, and any combination thereof.
  • the display 503 may include a display panel.
  • the display panel may be configured in the form of a liquid crystal display (LCD), or an organic light-emitting diode (OLED).
  • LCD liquid crystal display
  • OLED organic light-emitting diode
  • the radio frequency circuit 504 can be used to transmit and receive radio frequency signals to establish wireless communication with network equipment or other electronic equipment through wireless communication, and to transmit and receive signals with the network equipment or other electronic equipment.
  • the audio circuit 505 can be used to provide an audio interface between the user and the electronic device through a speaker or a microphone.
  • the power supply 506 can be used to power various components of the electronic device 500.
  • the power supply 506 may be logically connected to the processor 501 through a power management system, so that functions such as charging, discharging, and power consumption management can be managed through the power management system.
  • the electronic device 500 may also include a camera, a Bluetooth module, etc., which will not be repeated here.
  • the embodiments of the present application also provide a storage medium that stores a computer program, and when the computer program runs on a computer, the computer is caused to execute the application management method in any of the above embodiments, such as: collecting applications The multi-dimensional features when the program is opened are used as samples, and the sample set when the application is opened is constructed; the sample set is trained and learned to generate a prediction model that contains the usage habits of the application; the current multi-dimensional features are obtained as prediction information, and the prediction The information is input into the prediction model to obtain the first target application and the second target application; the first target application is frozen, and the second target application is unfrozen.
  • the storage medium may be a magnetic disk, an optical disc, a read only memory (Read Only Memory, ROM), or a random access memory (Random Access Memory, RAM), etc.
  • the computer program can be stored in a computer readable storage medium, such as stored in the memory of an electronic device, and executed by at least one processor in the electronic device.
  • the execution process can include applications such as The flow of the embodiment of the program management method.
  • the storage medium can be a magnetic disk, an optical disk, a read-only memory, a random access memory, etc.
  • the application management device of the embodiment of the present application its functional modules may be integrated in one processing chip, or each module may exist alone physically, or two or more modules may be integrated in one module.
  • the above-mentioned integrated modules can be implemented in the form of hardware or software functional modules. If the integrated module is implemented in the form of a software function module and sold or used as an independent product, it can also be stored in a computer readable storage medium, such as a read-only memory, a magnetic disk, or an optical disk.

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Stored Programmes (AREA)

Abstract

本申请实施例公开了一种应用程序的管理方法、装置、存储介质及电子设备，该处理方法包括构建应用程序开启时的样本集；对所述样本集进行训练学习，生成预测模型；获取当前的多维特征作为预测信息，将所述预测信息输入预测模型，以得到第一目标应用程序进行冻结以及第二目标应用程序进行解冻。提升了应用程序的管理效率。

Description

应用程序的管理方法、装置、存储介质及电子设备 技术领域
本申请涉及电子设备技术领域，尤其涉及一种应用程序的管理方法、装置、存储介质及电子设备。
背景技术
随着电子技术的不断发展，电子设备如手机的功能越来越强大，在手机中可以安装各种各样的应用，以满足用户的需求，为用户的生活工作带来更多的便利。
很多应用程序在用户安装后会自动的设置开机启动，即在用户开启终端设备后，无论用户是否打开该应用，该应用都会自动启动并在后台运行，而对于一些用户不常使用的应用程序，在后台运行的话会消耗手机的电量和内存资源，进而影响手机的使用及续航。
目前，为了避免不常使用的应用程序在后台运行而导致手机的电量和内存资源的浪费，用户可以手动的将不常使用的应用程序添加到冻结白名单中，以将不常使用的应用程序进行冻结，但是，该方法需要用户不断手动更新冻结白名单，将应用程序加入或者移除，导致对应用程序的管理效率较低。
发明内容
本申请实施例提供一种应用程序的管理方法、装置、存储介质及电子设备，可以提升应用程序的管理效率。
第一方面，本申请实施例了提供了一种应用程序的管理方法，包括：
采集应用程序开启时的多维特征作为样本，并构建应用程序开启时的样本集；
对所述样本集进行训练学习，生成包含有应用程序使用习惯的预测模型；
获取当前的多维特征作为预测信息，将所述预测信息输入预测模型，以得到第一目标应用程序以及第二目标应用程序；
将所述第一目标应用程序进行冻结，将所述第二目标应用程序进行解冻。
第二方面，本申请实施例了提供了的一种应用程序的管理装置，包括：
采集单元，用于采集应用程序开启时的多维特征作为样本，并构建应用程序开启时的样本集；
学习单元，用于对所述样本集进行训练学习，生成包含有应用程序使用习惯的预测模型；
输入单元，用于获取当前的多维特征作为预测信息，将所述预测信息输入预测模型，以得到第一目标应用程序以及第二目标应用程序；
处理单元，用于将所述第一目标应用程序进行冻结，将所述第二目标应用程序进行解冻。
第三方面，本申请实施例提供的存储介质，其上存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如本申请任一实施例提供的应用程序的管理方法。
第四方面，本申请实施例提供的电子设备，包括处理器和存储器，所述存储器有计算 机程序，所述处理器通过调用所述计算机程序，用于执行步骤：
采集应用程序开启时的多维特征作为样本，并构建应用程序开启时的样本集；
对所述样本集进行训练学习，生成包含有应用程序使用习惯的预测模型；
获取当前的多维特征作为预测信息，将所述预测信息输入预测模型，以得到第一目标应用程序以及第二目标应用程序；
将所述第一目标应用程序进行冻结，将所述第二目标应用程序进行解冻。
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是本申请实施例提供的应用程序的管理方法的流程示意图。
图2为本申请实施例提供的应用程序的管理方法的另一流程示意图。
图3是本申请实施例提供的应用程序的管理方法的场景示意图。
图4是本申请实施例提供的应用程序的管理方法的另一场景示意图。
图5为本申请实施例提供的应用程序的管理装置的模块示意图。
图6为本申请实施例提供的应用程序的管理装置的另一模块示意图。
图7为本申请实施例提供的电子设备的结构示意图。
图8为本申请实施例提供的电子设备的另一结构示意图。
具体实施方式
请参照图式，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本申请具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。
本文所使用的术语「模块」可看做为在该运算系统上执行的软件对象。本文该的不同组件、模块、引擎及服务可看做为在该运算系统上的实施对象。而本文该的装置及方法优选的以软件的方式进行实施，当然也可在硬件上进行实施，均在本申请保护范围之内。
本申请实施例提供一种应用程序的管理方法，该应用程序的管理方法的执行主体可以是本申请实施例提供的应用程序的管理装置，或者集成了该应用程序的管理装置的电子设备，其中该应用程序的管理装置可以采用硬件或者软件的方式实现。其中，电子设备可以是智能手机、平板电脑、掌上电脑(PDA，Personal Digital Assistant)等。
以下进行具体分析说明。
本发明实施例提供一种应用程序的管理方法，包括：
采集应用程序开启时的多维特征作为样本，并构建应用程序开启时的样本集；
对该样本集进行训练学习，生成包含有应用程序使用习惯的预测模型；
获取当前的多维特征作为预测信息，将该预测信息输入预测模型，以得到第一目标应用程序以及第二目标应用程序；
将该第一目标应用程序进行冻结，将该第二目标应用程序进行解冻。
在一种实施方式中，该多维特征包括应用程序标识特征、时间信息特征以及定位信息特征，该采集应用程序开启时的多维特征作为样本，并构建应用程序开启时的样本集的步 骤，可以包括：当检测到应用程序开启时，获取应用程序相应的应用程序标识特征、当前的时间信息特征以及当前的定位信息特征；将该应用程序标识特征、当前的时间信息特征以及当前的定位信息特征生成样本，并持续采集多个样本构建样本集。
在一种实施方式中，该对该样本集进行训练学习，生成包含有应用程序使用习惯的预测模型的步骤，可以包括：根据该样本集中的时间信息特征和定位信息特征对样本集中的多个样本进行归类；基于归类后的样本的应用程序标识特征进行训练学习，生成包含有在时间信息维度和定位信息维度上的应用程序使用习惯的预测模型。
在一种实施方式中，该获取当前的多维特征作为预测信息，将该预测信息输入预测模型，以得到第一目标应用程序以及第二目标应用程序的步骤，可以包括：获取当前的时间信息特征和当前的定位信息特征作为预测信息；将该预测信息输入预测模型，以使得该预测模型根据当前的时间信息特征和当前的定位信息特征确定出属于的预测区间；根据该预测区间中的总的样本数的应用程序标识特征确定出第一目标应用程序以及第二目标应用程序。
在一种实施方式中，该根据该预测区间中的总的样本数的应用程序标识特征确定出第一目标应用程序以及第二目标应用程序的步骤，可以包括：获取预测区间中的每一样本以及每一样本相应的应用程序标识；统计在该预测区间中每一应用标识的启动概率；将启动概率小于预设阈值的应用程序标识确定为第一目标应用程序标识，并根据该第一目标应用程序标识获取相应的第一目标应用程序；将启动概率不小于预设阈值的应用程序标识确定为第二目标应用程序标识，并根据该第二目标应用程序标识获取相应的第二目标应用程序。
在一种实施方式中，该将该第一目标应用程序进行冻结的步骤，可以包括：当该第一目标应用程序的使用概率高于预设使用概率时，将该第一目标应用程序设置为待解冻状态；当该第一目标应用程序的使用概率不高于预设使用概率时，将该第一目标应用程序进行冻结。
在一种实施方式中，该将该第二目标应用程序进行解冻的步骤，可以包括：当该第二目标应用程序的使用概率低于预设使用概率时，将该第二目标应用程序设置为待解冻状态；当该第二目标应用程序的使用概率不低于预设使用概率时，将该第二目标应用程序进行解冻。
本申请实施例提供一种应用程序的管理方法，如图1所示，图1为本申请实施例提供的应用程序的管理方法的流程示意图，该应用程序的管理方法可以包括以下步骤：
在步骤S101中，采集应用程序开启时的多维特征作为样本，并构建应用程序开启时的样本集。
需要说明的是，虽然电子设备上会安装各种各样的应用程序，如游戏类应用程序、办公类应用程序以及音频类应用程序等等，但是用户平常使用的过程中，应用程序使用的次数都不一样，特别是针对不同的场景下，如在不同的日期和不同的地点下，每一个应用程序的使用频率都不一样，例如用户在特定的日期出差至某个城市，那么对于应用程序的使用肯定和平常不一样，或者用户在工作日处于办公室和周末在家中，使用的应用程序也肯定不一样，而对于使用频率低，即不常使用的应用程序，在后台运行的话会消耗手机的电量和内存资源，影响手机的使用及续航，所以用户往往希望在特定场景下将相应的应用程 序冻结。
其中，在用户开启应用程序时，会相应的采集该场景下的多维特征作为样本信息，如用户在开启应用程序时，处于哪个时间点和/或某个定位地点，也就是说该多维特征表示为在应用程序开启时的环境特征信息，将应用程序开启的环境特征信息与应用程序关联形成样本，并连续采集多个应用程序在开启时的样本构成样本集，该样本集可以在一定程度上反映出用户在某些环境下的应用程序使用习惯，以便后期对应用程序进行管理。
在一些实施方式中，该多维特征包括应用程序标识特征、时间信息特征以及定位信息特征，该采集应用程序开启时的多维特征作为样本，并构建应用程序开启时的样本集的步骤，可以包括：
(1)当检测到应用程序开启时，获取应用程序相应的应用程序标识特征、当前的时间信息特征以及当前的定位信息特征；
(2)将该应用程序标识特征、当前的时间信息特征以及当前的定位信息特征生成样本，并持续采集多个样本构建样本集。
其中，在检测到电子设备中的应用程序开启时，可以获取开启的应用程序相应的应用程序标识，该应用程序标识可以为应用程序相应的应用程序名称或者应用程序版本号等等，且还获取电子设备当前的时间信息特征和通过电子设备上的全球定位系统(Global Positioning System，GPS)获取当前的定位信息，将获取的应用标识特征、当前时间信息特征以及当前的定位信息特征生成三维样本，该三维样本可以反映出在某个时间以及地点下，用户开启了某个应用程序的一次行为，并持续采集一个周期内的多个样本构建样本集，该周期可以为一个月，14天等等。
在步骤S102中，对样本集进行训练学习，生成包含有应用程序使用习惯的预测模型。
可以理解的是，目前的应用程序冻结方法为将需要冻结的应用程序放入电子设备的冻结白名单中，当用户需要解冻时，手动的将应用程序从冻结白名单中移除就可以完成解冻，使得被冻结的应用程序继续使用，操作的过程非常繁琐。
其中，可以通过由算法组成的学习模型，比如可以为由具有自学习功能的卷积神经网络(Convolutional Neural Networks，CNN)模型对构建的样本集进行训练学习，该学习模型可以对每一样本逐一进行训练，学习出在在多维条件下，用户开启应用程序的习惯，生成包含有应用程序使用习惯的预测模型。
在一些实施方式中，该对样本集进行训练学习，生成包含有应用程序使用习惯的预测模型的步骤，可以包括：
(1)根据该样本集中的时间信息特征和定位信息特征对样本集中的多个样本进行归类；
(2)基于归类后的样本的应用程序标识特征进行训练学习，生成包含有在时间信息维度和定位信息维度上的应用程序使用习惯的预测模型。
其中，可以通过具有学习功能的卷积神经网络对样本集中的时间信息特征和定位信息特征进行归类，将时间信息特征以及定位信息特征相同或者相似的样本归类为同一类。
进一步的，基于归于同一类后的所有的样本的应用程序标识特征进行训练学习，学习出包含有时间信息特征以及定位信息特征相同或者相似的环境条件下，应用程序的启动规律的预测模型。
在步骤S103中，获取当前的多维特征作为预测信息，将预测信息输入预测模型，以得到第一目标应用程序以及第二目标应用程序。
其中，由于该预测模型包含有在多维特征下应用程序使用习惯，所以在用户的多维特征发生变化时，及时获取当前变化后的多维特征作为预测信息，将预测信息输入预测模型，预测模型可以得到变化后的多维特征下，应用程序使用习惯，根据该使用习惯，将在该多维特征相应的场景中不经常使用的应用程序标识确定为第一目标应用程序，将在该多维特征相应的场景中经常使用的应用程序标识确定为第二目标应用程序。
在一些实施方式中，该获取当前的多维特征作为预测信息，将预测信息输入预测模型，以得到第一目标应用程序以及第二目标应用程序的步骤，可以包括：
(1)获取当前的时间信息特征和当前的定位信息特征作为预测信息；
(2)将该预测信息输入预测模型，以使得该预测模型根据当前的时间信息特征和当前的定位信息特征确定出属于的预测区间；
(3)根据该预测区间中的总的样本数的应用程序标识特征确定出第一目标应用程序以及第二目标应用程序。
其中，在时间信息特征或者定位信息特征发生变化时，获取变化后的当前的时间信息特征和当前的定位信息特征，并将该当前的时间信息特征和当前的定位信息特征输入预测模型，确定出和该变化后的当前时间信息特征和当前的定位信息特征相应的预测区间，该预测区间中的样本的时间信息特征和定位信息特征和该变化后的当前时间信息特征和当前的定位信息特征相同或者相似。
进一步的，可以根据预测区间中的所有的样本数相应的应用程序标识确定出不经常使用的应用程序标识相应的第一目标应用程序和经常使用的应用程序标识相应的第二目标应用程序。
在一些实施方式中，该根据该预测区间中的总的样本数的应用程序标识特征确定出第一目标应用程序以及第二目标应用程序的步骤，可以包括：
(1.1)获取预测区间中的每一样本以及每一样本相应的应用程序标识；
(1.2)统计在该预测区间中每一应用标识的启动概率；
(1.3)将启动概率小于预设阈值的应用程序标识确定为第一目标应用程序标识，并根据该第一目标应用程序标识获取相应的第一目标应用程序；
(1.4)将启动概率不小于预设阈值的应用程序标识确定为第二目标应用程序标识，并根据该第二目标应用程序标识获取相应的第二目标应用程序。
其中，可以获取预测区间中的每一样本以及每一样本相应的应用程序标识进行数据统计，统计出在该预测区间中每一应用标识相应的启动概率，并将启动概率小于预设阈值的应用程序标识确定为第一应用程序标识，并根据该第一目标应用程序标识获取相应的第一目标应用程序。将启动概率不不小于预设阈值的应用程序标识确定为第二应用程序标识，并根据该第二目标应用程序标识获取相应的第二目标应用程序。
在步骤S104中，将第一目标应用程序进行冻结，将第二目标应用程序进行解冻。
其中，该第一目标应用程序为在当前场景下不常使用的应用程序，该第二目标应用程序为在当前场景下经常使用的应用程序，相应的，为了节省电子设备的电量以及内存，可 以将第一目标应用程序进行冻结，将第二目标应用程序进行解冻。
在一些实施方式中，该将第一目标应用程序进行冻结的步骤，可以包括：
(1)当该第一目标应用程序的使用概率高于预设使用概率时，将该第一目标应用程序设置为待解冻状态；
(2)当该第一目标应用程序的使用概率不高于预设使用概率时，将该第一目标应用程序进行冻结。
其中，可以预先获取第一目标应用程序的使用概率，该使用概率为用户每天在使用电子设备时的总的使用概率，当该使用概率高于预设使用概率时，说明该第一目标应用程序为频繁应用程序，那么可以将该第一目标应用程序设置为待解冻状态，该待解冻状态为冻结状态的一种模式，在第一目标应用程序处于待解冻状态时，可以在用户界面中显示出第一目标应用程序的临时图标，当用户点击了该临时图标时，将第一目标应用程序解冻，若在一段时间内，用户未点击该临时图标，则将该临时图标删除，并恢复该第一目标应用程序的冻结状态。当使用概率不高于预设使用概率时，可以将该第一目标应用程序直接进行冻结。
在一些实施方式中，该将第二目标应用程序进行解冻的步骤，可以包括：
(1.1)当该第二目标应用程序的使用概率低于预设使用概率时，将该第二目标应用程序设置为待解冻状态；
(1.2)当该第二目标应用程序的使用概率不低于预设使用概率时，将该第二目标应用程序进行解冻。
其中，可以预先获取第二目标应用程序的使用概率，该使用概率为用户每天在使用电子设备时的总的使用概率，当该使用概率低于预设使用概率时，说明该第二目标应用程序为不频繁应用程序，那么可以将该第二目标应用程序设置为待解冻状态，该待解冻状态为冻结状态的一种模式，在第二目标应用程序处于待解冻状态时，可以在用户界面中显示出第二目标应用程序的临时图标，当用户点击了该临时图标时，将第二目标应用程序解冻，若在一段时间内，用户未点击该临时图标，则将该临时图标删除，并恢复该第二目标应用程序的冻结状态。当使用概率不低于预设使用概率时，可以将该第二目标应用程序直接进行解冻。
由上述可知，本实施例提供的一种应用程序的管理方法，通过采集应用程序开启时的多维特征作为样本，并构建应用程序开启时的样本集；对样本集进行训练学习，生成包含有应用程序使用习惯的预测模型；获取当前的多维特征作为预测信息，将预测信息输入预测模型，以得到第一目标应用程序以及第二目标应用程序；将第一目标应用程序进行冻结，将第二目标应用程序进行解冻。以此可以采集用户使用应用程序的行为，进行学习训练得到包含有用户在不同多维特征下使用应用程序习惯的预测模型，自动将当前场景下的多维特征输入到预测模型，实时获取到需要冻结的第一目标应用程序和需要进行解冻的第二目标应用程序，实现应用程序管理的自动化，提升了对应用程序的管理效率。
根据上述实施例所描述的方法，以下将举例作进一步详细说明。
请参阅图2，图2为本申请实施例提供的应用程序的管理方法的另一流程示意图。
具体而言，该方法包括：
在步骤S201中，当检测到应用程序开启时，获取应用程序相应的应用程序标识特征、当前的时间信息特征以及当前的定位信息特征。
需要说明的是，为了更好的说明本申请，以下将电子设备以手机进行举例说明，手机中会安装各种各样的应用程序，但是用户平常使用的过程中，在特定场景下，如工作日在办公室和周末处于家中，应用程序使用的习惯都不一样，对于在特定场景下使用频率低的应用程序，在后台运行的话会消耗手机的电量和内存资源，影响手机的续航，而对于在特定场景下使用频率高的应用程序，则需要自动进行解冻，减少用户的操作。
其中，在本申请中，首先进行用户行为学习，即当检测到应用程序开启时，获取应用程序相应的应用程序标识，如“应用1”，当前的时间信息特征以及当前的定位信息特征。如图3所示，当检测到应用程序开启时，获取应用程序相应的应用程序标识，如“应用1”，通过GPS101获取当前定位信息“XX大厦”，获取当前时间信息“12月7日，周五，10点46分”。
在步骤S202中，将应用程序标识特征、当前的时间信息特征以及当前的定位信息特征生成样本，并持续采集多个样本构建样本集。
其中，手机将应用程序标识特征、当前的时间信息特征以及当前的定位信息特征生成样本，该样本反应了在某个特定时间以及特定地点下，用户开启了某个特定的应用程序，并持续采集一个月的多个样本构建出反应用户行为习惯的样本集。
在步骤S203中，根据样本集中的时间信息特征和定位信息特征对样本集中的多个样本进行归类。
其中，根据样本集中的时间信息特征和定位信息特征对样本集中的每一样本进行归类，如可以将日期分为工作日和周末，将工作日内根据地点相同或者相似的样本归为一类，将周末根据地点相同或者相似的样本归为一类等等，使得归类后的样本在时间以及地点上具有相同或者相似的特性。
在步骤S204中，基于归类后的样本的应用程序标识特征进行训练学习，生成包含有在时间信息维度和定位信息维度上的应用程序使用习惯的预测模型。
其中，手机基于具有相同或者相似的特性下的样本进行训练学习，生成在一定时间维度和定位维度下应用程序使用习惯的预测模型，该预测模型可以预测出在某时间和地点结合下用户使用应用程序的具体行为。
在步骤S205中，获取当前的时间信息特征和当前的定位信息特征作为预测信息。
其中，手机在预测到时间信息以及地点信息发生变化后，如时间段发生变化，或者地点更换到另一地点后，如出差后，或者下班回家后。可以自动获取更新后的当前的时间信息特征和当前的定位信息特征作为预测信息。
在步骤S206中，将预测信息输入预测模型，以使得预测模型根据当前的时间信息特征和当前的定位信息特征确定出属于的预测区间。
其中，将更新后的当前时间信息特征和当前的定位信息特征输入预测模型，预测模型可以根据当前时间信息特征和当前的定位信息特征确定出相同或者相似的预测区间，该预测区间中的样本与当前场景下的时间信息特征和定位信息特征相同或者相似，如用户在工作日回家后，预测模型会获取到工作日回家后的预测区间，该预测区间中的样本为平常采 集的用户工作日回家后采集到的样本，具有很大的参考价值。
在步骤S207中，获取预测区间中的每一样本以及每一样本相应的应用程序标识。
其中，为了确定出用户在当前场景下使用应用程序的习惯，需要获取预测区间中的每一样本以及每一样本相应的应用程序标识。
在步骤S208中，统计在预测区间中每一应用标识的启动概率。
其中，统计获取到每一应用程序标识在该预测区间中的启动概率，该应用标识在该预测区间中出现的次数越多，说明该应用程序标识的启动概率越大，该应用程序标识在该预测区间中出现的次数越少，说明该应用程序标识的启动概率越小。
在步骤S209中，将启动概率小于预设阈值的应用程序标识确定为第一目标应用程序标识，并根据第一目标应用程序标识获取相应的第一目标应用程序。
其中，当启动概率小于预设阈值时，说明该应用程序标识在该场景下使用的次数较少，将该启动概率小于预设阈值的应用程序标识确定为第一目标应用程序标识，并根据该第一目标应用程序标识获取到相应的第一目标应用程序。
在步骤S210中，将启动概率不小于预设阈值的应用程序标识确定为第二目标应用程序标识，并根据第二目标应用程序标识获取相应的第二目标应用程序。
其中，当启动概率不小于预设阈值时，说明该应用程序标识在该场景下使用的次数较多，将该启动概率不小于预设阈值的应用程序标识确定为第二目标应用程序标识，并根据该第二目标应用程序标识获取到相应的第二目标应用程序。
相应的，该第一目标应用程序为需要冻结的应用程序，该第二目标应用程序为需要解冻的应用程序。
如图4所示，手机100可以生成冻结名单103和解冻名单104，该冻结名单103中包含需要进行冻结的第一目标应用程序“应用1”和“应用2”，该解冻名单104中包含需要进行解冻的第二目标应用程序“应用3”和“应用4”，用户可以对冻结名单和解冻名单进行调整，然后进行确认，或者直接取消该冻结和解冻的操作。
在步骤S211中，当第一目标应用程序的使用概率高于预设使用概率时，将第一目标应用程序设置为待解冻状态。
其中，该第一目标应用程序为在该场景下需要进行冻结的应用程序，需要对该第一目标应用程序进行分析，判断该第一目标应用程序平常的使用概率，即用户使用概率，当用户使用概率高于预设使用概率时，说明该第一目标应用程序为使用频繁应用程序，那么可以将该第一目标应用程序设置为待解冻状态。
在步骤S212中，当第一目标应用程序的使用概率不高于预设使用概率时，将第一目标应用程序进行冻结。
其中，该第一目标应用程序为在该场景下需要进行冻结的应用程序，需要对该第一目标应用程序进行分析，判断该第一目标应用程序平常的使用概率，即用户使用概率，当用户使用概率不高于预设使用概率时，说明该第一目标应用程序不为使用频繁应用程序，那么可以直接将第目标应用程序进行冻结。
在步骤S213中，当第二目标应用程序的使用概率低于预设使用概率时，将第二目标应用程序设置为待解冻状态。
该第二目标应用程序为在该场景下需要进行解冻的应用程序，需要对该第二目标应用程序进行分析，判断该第二目标应用程序平常的使用概率，即用户使用概率，当用户使用概率低于预设使用概率时，说明该第二目标应用程序不为使用频繁应用程序，那么可以将该第二目标应用程序设置为待解冻状态。
在步骤S214中，当第二目标应用程序的使用概率不低于预设使用概率时，将第二目标应用程序进行解冻。
该第二目标应用程序为在该场景下需要进行解冻的应用程序，需要对该第二目标应用程序进行分析，判断该第二目标应用程序平常的使用概率，即用户使用概率，当用户使用概率不低于预设使用概率时，说明该第二目标应用程序为使用频繁应用程序，那么可以直接将第二目标应用程序进行解冻。
由上述可知，本实施例提供的一种应用程序的管理方法，通过采集应用程序开启时的应用程序标识、当前的时间信息特征以及当前的定位信息特征作为样本，并持续采集构建应用程序开启时的样本集，根据时间信息特征和定位信息特征对样本集中的多个样本进行归类，基于归类后应用程序对进行训练学习，生成包含有在一定时间和地点下应用程序使用习惯的预测模型，获取当前的时间信息特征和地点信息特征作为预测信息，将预测信息输入预测模型，以得到当前场景下的第一目标应用程序以及第二目标应用程序，根据使用概率将第一目标应用程序进行冻结，将第二目标应用程序进行解冻。以此可以采集用户在一定时间和地点下使用应用程序的行为，进行学习训练得到包含有用户在不同时间和地点下使用应用程序习惯的预测模型，自动将当前场景下的时间和地点输入到预测模型，实时获取到在该时间和地点下的需要冻结的第一目标应用程序和需要进行解冻的第二目标应用程序，实现应用程序管理的自动化，提升了对应用程序的管理效率。
为便于更好的实施本申请实施例提供的应用程序的管理方法，本申请实施例还提供一种基于上述应用程序的管理方法的装置。其中名词的含义与上述应用程序的管理方法中相同，具体实现细节可以参考方法实施例中的说明。
本发明实施例提供一种应用程序的管理装置，包括：
采集单元，用于采集应用程序开启时的多维特征作为样本，并构建应用程序开启时的样本集；
学习单元，用于对该样本集进行训练学习，生成包含有应用程序使用习惯的预测模型；
输入单元，用于获取当前的多维特征作为预测信息，将该预测信息输入预测模型，以得到第一目标应用程序以及第二目标应用程序；
处理单元，用于将该第一目标应用程序进行冻结，将该第二目标应用程序进行解冻。
在一种实施方式中，该多维特征包括应用程序标识特征、时间信息特征以及定位信息特征，该采集单元，可以包括：获取子单元，用于当检测到应用程序开启时，获取应用程序相应的应用程序标识特征、当前的时间信息特征以及当前的定位信息特征；采集子单元，用于将该应用程序标识特征、当前的时间信息特征以及当前的定位信息特征生成样本，并持续采集多个样本构建样本集。
在一种实施方式中，学习单元，可以包括：归类子单元，用于根据该样本集中的时间信息特征和定位信息特征对样本集中的多个样本进行归类；学习子单元，用于基于归类后 的样本的应用程序标识特征进行训练学习，生成包含有在时间信息维度和定位信息维度上的应用程序使用习惯的预测模型。
在一种实施方式中，输入单元，可以包括：获取子单元，用于获取当前的时间信息特征和当前的定位信息特征作为预测信息；第一确定子单元，用于将该预测信息输入预测模型，以使得该预测模型根据当前的时间信息特征和当前的定位信息特征确定出属于的预测区间；第二确定子单元，用于根据该预测区间中的总的样本数的应用程序标识特征确定出第一目标应用程序以及第二目标应用程序。
在一种实施方式中，第二确定子单元，具体用于：获取预测区间中的每一样本以及每一样本相应的应用程序标识；统计在该预测区间中每一应用标识的启动概率；将启动概率小于预设阈值的应用程序标识确定为第一目标应用程序标识，并根据该第一目标应用程序标识获取相应的第一目标应用程序；将启动概率不小于预设阈值的应用程序标识确定为第二目标应用程序标识，并根据该第二目标应用程序标识获取相应的第二目标应用程序。
请参阅图5，图5为本申请实施例提供的应用程序的管理装置的模块示意图。具体而言，该应用程序的管理装置300，包括：采集单元31、学习单元32、输入单元33以及处理单元34。
采集单元31，用于采集应用程序开启时的多维特征作为样本，并构建应用程序开启时的样本集。
其中，在用户开启应用程序时，采集单元31会相应的采集该场景下的多维特征作为样本信息，如用户在开启应用程序时，处于哪个时间点和/或某个定位地点，也就是说该多维特征表示为在应用程序开启时的环境特征信息，将应用程序开启的环境特征信息与应用程序关联形成样本，并连续采集多个应用程序在开启时的样本构成样本集，该样本集可以在一定程度上反映出用户在某些环境下的应用程序使用习惯，以便后期对应用程序进行管理。
学习单元32，用于对该样本集进行训练学习，生成包含有应用程序使用习惯的预测模型。
其中，学习单元32可以通过由算法组成的学习模型，比如可以为由具有自学习功能的卷积神经网络模型对构建的样本集进行训练学习，该学习模型可以对每一样本逐一进行训练，学习出在在多维条件下，用户开启应用程序的习惯，生成包含有应用程序使用习惯的预测模型。
输入单元33，用于获取当前的多维特征作为预测信息，将该预测信息输入预测模型，以得到第一目标应用程序以及第二目标应用程序。
其中，由于该预测模型包含有在多维特征下应用程序使用习惯，所以在用户的多维特征发生变化时，输入单元33及时获取当前变化后的多维特征作为预测信息，将预测信息输入预测模型，预测模型可以得到变化后的多维特征下，应用程序使用习惯，根据该使用习惯，将在该多维特征相应的场景中不经常使用的应用程序标识确定为第一目标应用程序，将在该多维特征相应的场景中经常使用的应用程序标识确定为第二目标应用程序。
处理单元34，用于将该第一目标应用程序进行冻结，将该第二目标应用程序进行解冻。
其中，该第一目标应用程序为在当前场景下不常使用的应用程序，该第二目标应用程序为在当前场景下经常使用的应用程序，相应的，处理单元34为了节省电子设备的电量以 及内存，可以将第一目标应用程序进行冻结，将第二目标应用程序进行解冻。
在一些实施方式中，该处理单元34，具体用于当该第一目标应用程序的使用概率高于预设使用概率时，将该第一目标应用程序设置为待解冻状态；当该第一目标应用程序的使用概率不高于预设使用概率时，将该第一目标应用程序进行冻结；当该第二目标应用程序的使用概率低于预设使用概率时，将该第二目标应用程序设置为待解冻状态；当该第二目标应用程序的使用概率不低于预设使用概率时，将该第二目标应用程序进行解冻。
可一并参考图6，图6为本申请实施例提供的应用程序的管理装置的另一模块示意图，该应用程序的管理装置300还可以包括：
其中，该多维特征包括应用程序标识特征、时间信息特征以及定位信息特征，该采集单元31可以包括获取子单元311以及采集子单元312。
进一步的，该获取子单元311，用于当检测到应用程序开启时，获取应用程序相应的应用程序标识特征、当前的时间信息特征以及当前的定位信息特征。该采集子单元312，用于将该应用程序标识特征、当前的时间信息特征以及当前的定位信息特征生成样本，并持续采集多个样本构建样本集。
其中，该学习单元32可以包括归类子单元321以及学习子单元322。
进一步的，该归类子单元321，用于根据该样本集中的时间信息特征和定位信息特征对样本集中的多个样本进行归类。该学习子单元322，用于基于归类后的样本的应用程序标识特征进行训练学习，生成包含有在时间信息维度和定位信息维度上的应用程序使用习惯的预测模型。
其中，该输入单元33可以包括获取子单元331、第一确定子单元332以及第二确定子单元333。
进一步的，该获取子单元331，用于获取当前的时间信息特征和当前的定位信息特征作为预测信息。该第一确定子单元332，用于将该预测信息输入预测模型，以使得该预测模型根据当前的时间信息特征和当前的定位信息特征确定出属于的预测区间。该第二确定子单元333，用于根据该预测区间中的总的样本数的应用程序标识特征确定出第一目标应用程序以及第二目标应用程序。
该第二确定子单元333，具体用于获取预测区间中的每一样本以及每一样本相应的应用程序标识；统计在该预测区间中每一应用标识的启动概率；将启动概率小于预设阈值的应用程序标识确定为第一目标应用程序标识，并根据该第一目标应用程序标识获取相应的第一目标应用程序；将启动概率不小于预设阈值的应用程序标识确定为第二目标应用程序标识，并根据该第二目标应用程序标识获取相应的第二目标应用程序。
本申请实施例还提供一种电子设备。请参阅图7，电子设备500包括处理器501以及存储器502。其中，处理器501与存储器502电性连接。
该处理器500是电子设备500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502内的计算机程序，以及调用存储在存储器502内的数据，执行电子设备500的各种功能并处理数据，从而对电子设备500进行整体监控。
该存储器502可用于存储软件程序以及模块，处理器501通过运行存储在存储器502的计算机程序以及模块，从而执行各种功能应用以及数据处理。存储器502可主要包括存 储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的计算机程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器502还可以包括存储器控制器，以提供处理器501对存储器502的访问。
在本申请实施例中，电子设备500中的处理器501会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器502中，并由处理器501运行存储在存储器502中的计算机程序，从而实现各种功能，如下：
采集应用程序开启时的多维特征作为样本，并构建应用程序开启时的样本集；
对该样本集进行训练学习，生成包含有应用程序使用习惯的预测模型；
获取当前的多维特征作为预测信息，将该预测信息输入预测模型，以得到第一目标应用程序以及第二目标应用程序；
将该第一目标应用程序进行冻结，将该第二目标应用程序进行解冻。
在某些实施方式中，在采集应用程序开启时的多维特征作为样本，并构建应用程序开启时的样本集时，处理器501可以具体执行以下步骤：
当检测到应用程序开启时，获取应用程序相应的应用程序标识特征、当前的时间信息特征以及当前的定位信息特征；
将该应用程序标识特征、当前的时间信息特征以及当前的定位信息特征生成样本，并持续采集多个样本构建样本集。
在某些实施方式中，在对该样本集进行训练学习，生成包含有应用程序使用习惯的预测模型时，处理器501可以具体执行以下步骤：
根据该样本集中的时间信息特征和定位信息特征对样本集中的多个样本进行归类；
基于归类后的样本的应用程序标识特征进行训练学习，生成包含有在时间信息维度和定位信息维度上的应用程序使用习惯的预测模型。
在某些实施方式中，在获取当前的多维特征作为预测信息，将该预测信息输入预测模型，以得到第一目标应用程序以及第二目标应用程序时，处理器501可以具体执行以下步骤：
获取当前的时间信息特征和当前的定位信息特征作为预测信息；
将该预测信息输入预测模型，以使得该预测模型根据当前的时间信息特征和当前的定位信息特征确定出属于的预测区间；
根据该预测区间中的总的样本数的应用程序标识特征确定出第一目标应用程序以及第二目标应用程序。
在某些实施方式中，在根据该预测区间中的总的样本数的应用程序标识特征确定出第一目标应用程序以及第二目标应用程序时，处理器501可以具体执行以下步骤：
获取预测区间中的每一样本以及每一样本相应的应用程序标识；
统计在该预测区间中每一应用标识的启动概率；
将启动概率小于预设阈值的应用程序标识确定为第一目标应用程序标识，并根据该第一目标应用程序标识获取相应的第一目标应用程序；
将启动概率不小于预设阈值的应用程序标识确定为第二目标应用程序标识，并根据该第二目标应用程序标识获取相应的第二目标应用程序。
在某些实施方式中，在将该第一目标应用程序进行冻结时，处理器501可以具体执行以下步骤：
当该第一目标应用程序的使用概率高于预设使用概率时，将该第一目标应用程序设置为待解冻状态；
当该第一目标应用程序的使用概率不高于预设使用概率时，将该第一目标应用程序进行冻结。
在某些实施方式中，在将该第二目标应用程序进行解冻时，处理器501可以具体执行以下步骤：
当该第二目标应用程序的使用概率低于预设使用概率时，将该第二目标应用程序设置为待解冻状态；
当该第二目标应用程序的使用概率不低于预设使用概率时，将该第二目标应用程序进行解冻。
请一并参阅图8，在某些实施方式中，电子设备500还可以包括：显示器503、射频电路504、音频电路505以及电源506。其中，其中，显示器503、射频电路504、音频电路505以及电源506分别与处理器501电性连接。
该显示器503可以用于显示由用户输入的信息或提供给用户的信息以及各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示器503可以包括显示面板，在某些实施方式中，可以采用液晶显示器(Liquid Crystal Display，LCD)、或者有机发光二极管(Organic Light-Emitting Diode，OLED)等形式来配置显示面板。
该射频电路504可以用于收发射频信号，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。
该音频电路505可以用于通过扬声器、传声器提供用户与电子设备之间的音频接口。
该电源506可以用于给电子设备500的各个部件供电。在一些实施例中，电源506可以通过电源管理系统与处理器501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8中未示出，电子设备500还可以包括摄像头、蓝牙模块等，在此不再赘述。
本申请实施例还提供一种存储介质，该存储介质存储有计算机程序，当该计算机程序在计算机上运行时，使得该计算机执行上述任一实施例中的应用程序的管理方法，比如：采集应用程序开启时的多维特征作为样本，并构建应用程序开启时的样本集；对该样本集进行训练学习，生成包含有应用程序使用习惯的预测模型；获取当前的多维特征作为预测信息，将该预测信息输入预测模型，以得到第一目标应用程序以及第二目标应用程序；将该第一目标应用程序进行冻结，将该第二目标应用程序进行解冻。
在本申请实施例中，存储介质可以是磁碟、光盘、只读存储器(Read Only Memory，ROM，)、或者随机存取记忆体(Random Access Memory，RAM)等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分， 可以参见其他实施例的相关描述。
需要说明的是，对本申请实施例的应用程序的管理方法而言，本领域普通测试人员可以理解实现本申请实施例的应用程序的管理方法的全部或部分流程，是可以通过计算机程序来控制相关的硬件来完成，该计算机程序可存储于一计算机可读取存储介质中，如存储在电子设备的存储器中，并被该电子设备内的至少一个处理器执行，在执行过程中可包括如应用程序的管理方法的实施例的流程。其中，该的存储介质可为磁碟、光盘、只读存储器、随机存取记忆体等。
对本申请实施例的应用程序的管理装置而言，其各功能模块可以集成在一个处理芯片中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。该集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中，该存储介质譬如为只读存储器，磁盘或光盘等。
以上对本申请实施例所提供的一种应用程序的管理方法、装置、存储介质及电子设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (20)

  1. 一种应用程序的管理方法，其中，包括：
    采集应用程序开启时的多维特征作为样本，并构建应用程序开启时的样本集；
    对所述样本集进行训练学习，生成包含有应用程序使用习惯的预测模型；
    获取当前的多维特征作为预测信息，将所述预测信息输入预测模型，以得到第一目标应用程序以及第二目标应用程序；
    将所述第一目标应用程序进行冻结，将所述第二目标应用程序进行解冻。
  2. 如权利要求1所述的应用程序的管理方法，其中，所述多维特征包括应用程序标识特征、时间信息特征以及定位信息特征，所述采集应用程序开启时的多维特征作为样本，并构建应用程序开启时的样本集的步骤，包括：
    当检测到应用程序开启时，获取应用程序相应的应用程序标识特征、当前的时间信息特征以及当前的定位信息特征；
    将所述应用程序标识特征、当前的时间信息特征以及当前的定位信息特征生成样本，并持续采集多个样本构建样本集。
  3. 如权利要求2所述的应用程序的管理方法，其中，所述对所述样本集进行训练学习，生成包含有应用程序使用习惯的预测模型的步骤，包括：
    根据所述样本集中的时间信息特征和定位信息特征对样本集中的多个样本进行归类；
    基于归类后的样本的应用程序标识特征进行训练学习，生成包含有在时间信息维度和定位信息维度上的应用程序使用习惯的预测模型。
  4. 如权利要求3所述的应用程序的管理方法，其中，所述获取当前的多维特征作为预测信息，将所述预测信息输入预测模型，以得到第一目标应用程序以及第二目标应用程序的步骤，包括：
    获取当前的时间信息特征和当前的定位信息特征作为预测信息；
    将所述预测信息输入预测模型，以使得所述预测模型根据当前的时间信息特征和当前的定位信息特征确定出属于的预测区间；
    根据所述预测区间中的总的样本数的应用程序标识特征确定出第一目标应用程序以及第二目标应用程序。
  5. 如权利要求4所述的应用程序的管理方法，其中，所述根据所述预测区间中的总的样本数的应用程序标识特征确定出第一目标应用程序以及第二目标应用程序的步骤，包括：
    获取预测区间中的每一样本以及每一样本相应的应用程序标识；
    统计在所述预测区间中每一应用标识的启动概率；
    将启动概率小于预设阈值的应用程序标识确定为第一目标应用程序标识，并根据所述第一目标应用程序标识获取相应的第一目标应用程序；
    将启动概率不小于预设阈值的应用程序标识确定为第二目标应用程序标识，并根据所述第二目标应用程序标识获取相应的第二目标应用程序。
  6. 如权利要求1所述的应用程序的管理方法，其中，所述将所述第一目标应用程序进 行冻结的步骤，包括：
    当所述第一目标应用程序的使用概率高于预设使用概率时，将所述第一目标应用程序设置为待解冻状态；
    当所述第一目标应用程序的使用概率不高于预设使用概率时，将所述第一目标应用程序进行冻结。
  7. 如权利要求1所述的应用程序的管理方法，其中，所述将所述第二目标应用程序进行解冻的步骤，包括：
    当所述第二目标应用程序的使用概率低于预设使用概率时，将所述第二目标应用程序设置为待解冻状态；
    当所述第二目标应用程序的使用概率不低于预设使用概率时，将所述第二目标应用程序进行解冻。
  8. 一种应用程序的管理装置，其中，包括：
    采集单元，用于采集应用程序开启时的多维特征作为样本，并构建应用程序开启时的样本集；
    学习单元，用于对所述样本集进行训练学习，生成包含有应用程序使用习惯的预测模型；
    输入单元，用于获取当前的多维特征作为预测信息，将所述预测信息输入预测模型，以得到第一目标应用程序以及第二目标应用程序；
    处理单元，用于将所述第一目标应用程序进行冻结，将所述第二目标应用程序进行解冻。
  9. 如权利要求8所述的应用程序的管理装置，其中，所述多维特征包括应用程序标识特征、时间信息特征以及定位信息特征，所述采集单元，包括：
    获取子单元，用于当检测到应用程序开启时，获取应用程序相应的应用程序标识特征、当前的时间信息特征以及当前的定位信息特征；
    采集子单元，用于将所述应用程序标识特征、当前的时间信息特征以及当前的定位信息特征生成样本，并持续采集多个样本构建样本集。
  10. 如权利要求9所述的应用程序的管理装置，其中，所述学习单元，包括：
    归类子单元，用于根据所述样本集中的时间信息特征和定位信息特征对样本集中的多个样本进行归类；
    学习子单元，用于基于归类后的样本的应用程序标识特征进行训练学习，生成包含有在时间信息维度和定位信息维度上的应用程序使用习惯的预测模型。
  11. 如权利要求10所述的应用程序的管理装置，其中，所述输入单元，包括：
    获取子单元，用于获取当前的时间信息特征和当前的定位信息特征作为预测信息；
    第一确定子单元，用于将所述预测信息输入预测模型，以使得所述预测模型根据当前的时间信息特征和当前的定位信息特征确定出属于的预测区间；
    第二确定子单元，用于根据所述预测区间中的总的样本数的应用程序标识特征确定出 第一目标应用程序以及第二目标应用程序。
  12. 如权利要求11所述的应用程序的管理装置，其中，所述第二确定子单元，具体用于：
    获取预测区间中的每一样本以及每一样本相应的应用程序标识；
    统计在所述预测区间中每一应用标识的启动概率；
    将启动概率小于预设阈值的应用程序标识确定为第一目标应用程序标识，并根据所述第一目标应用程序标识获取相应的第一目标应用程序；
    将启动概率不小于预设阈值的应用程序标识确定为第二目标应用程序标识，并根据所述第二目标应用程序标识获取相应的第二目标应用程序。
  13. 一种存储介质，其上存储有计算机程序，其中，当所述计算机程序在计算机上运行时，使得所述计算机执行如权利要求1所述的应用程序的管理方法。
  14. 一种电子设备，包括处理器和存储器，所述存储器有计算机程序，其中，所述处理器通过调用所述计算机程序，用于执行步骤：
    采集应用程序开启时的多维特征作为样本，并构建应用程序开启时的样本集；
    对所述样本集进行训练学习，生成包含有应用程序使用习惯的预测模型；
    获取当前的多维特征作为预测信息，将所述预测信息输入预测模型，以得到第一目标应用程序以及第二目标应用程序；
    将所述第一目标应用程序进行冻结，将所述第二目标应用程序进行解冻。
  15. 如权利要求14所述的电子设备，其中，所述处理器通过调用所述计算机程序，用于执行步骤：
    当检测到应用程序开启时，获取应用程序相应的应用程序标识特征、当前的时间信息特征以及当前的定位信息特征；
    将所述应用程序标识特征、当前的时间信息特征以及当前的定位信息特征生成样本，并持续采集多个样本构建样本集。
  16. 如权利要求15所述的电子设备，其中，所述处理器通过调用所述计算机程序，用于执行步骤：
    根据所述样本集中的时间信息特征和定位信息特征对样本集中的多个样本进行归类；
    基于归类后的样本的应用程序标识特征进行训练学习，生成包含有在时间信息维度和定位信息维度上的应用程序使用习惯的预测模型。
  17. 如权利要求16所述的电子设备，其中，所述处理器通过调用所述计算机程序，用于执行步骤：
    获取当前的时间信息特征和当前的定位信息特征作为预测信息；
    将所述预测信息输入预测模型，以使得所述预测模型根据当前的时间信息特征和当前的定位信息特征确定出属于的预测区间；
    根据所述预测区间中的总的样本数的应用程序标识特征确定出第一目标应用程序以及第二目标应用程序。
  18. 如权利要求17所述的电子设备，其中，所述处理器通过调用所述计算机程序，用于执行步骤：
    获取预测区间中的每一样本以及每一样本相应的应用程序标识；
    统计在所述预测区间中每一应用标识的启动概率；
    将启动概率小于预设阈值的应用程序标识确定为第一目标应用程序标识，并根据所述第一目标应用程序标识获取相应的第一目标应用程序；
    将启动概率不小于预设阈值的应用程序标识确定为第二目标应用程序标识，并根据所述第二目标应用程序标识获取相应的第二目标应用程序。
  19. 如权利要求14所述的电子设备，其中，所述处理器通过调用所述计算机程序，用于执行步骤：
    当所述第一目标应用程序的使用概率高于预设使用概率时，将所述第一目标应用程序设置为待解冻状态；
    当所述第一目标应用程序的使用概率不高于预设使用概率时，将所述第一目标应用程序进行冻结。
  20. 如权利要求14所述的电子设备，其中，所述处理器通过调用所述计算机程序，用于执行步骤：
    当所述第二目标应用程序的使用概率低于预设使用概率时，将所述第二目标应用程序设置为待解冻状态；
    当所述第二目标应用程序的使用概率不低于预设使用概率时，将所述第二目标应用程序进行解冻。
PCT/CN2019/082468 2019-04-12 2019-04-12 应用程序的管理方法、装置、存储介质及电子设备 WO2020206683A1 (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201980090528.3A CN113412474A (zh) 2019-04-12 2019-04-12 应用程序的管理方法、装置、存储介质及电子设备
PCT/CN2019/082468 WO2020206683A1 (zh) 2019-04-12 2019-04-12 应用程序的管理方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2019/082468 WO2020206683A1 (zh) 2019-04-12 2019-04-12 应用程序的管理方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
WO2020206683A1 true WO2020206683A1 (zh) 2020-10-15

Family

ID=72752184

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/082468 WO2020206683A1 (zh) 2019-04-12 2019-04-12 应用程序的管理方法、装置、存储介质及电子设备

Country Status (2)

Country Link
CN (1) CN113412474A (zh)
WO (1) WO2020206683A1 (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170230417A1 (en) * 2016-02-04 2017-08-10 Amadeus S.A.S. Monitoring user authenticity in distributed system
CN107748698A (zh) * 2017-11-21 2018-03-02 广东欧珀移动通信有限公司 以广播方式启动应用的控制方法、装置、存储介质及终端
CN107943534A (zh) * 2017-11-14 2018-04-20 广东欧珀移动通信有限公司 后台应用程序的关闭方法、装置、存储介质及电子设备
CN107943650A (zh) * 2017-11-21 2018-04-20 广东欧珀移动通信有限公司 应用程序的控制方法、装置、存储介质及终端

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170230417A1 (en) * 2016-02-04 2017-08-10 Amadeus S.A.S. Monitoring user authenticity in distributed system
CN107943534A (zh) * 2017-11-14 2018-04-20 广东欧珀移动通信有限公司 后台应用程序的关闭方法、装置、存储介质及电子设备
CN107748698A (zh) * 2017-11-21 2018-03-02 广东欧珀移动通信有限公司 以广播方式启动应用的控制方法、装置、存储介质及终端
CN107943650A (zh) * 2017-11-21 2018-04-20 广东欧珀移动通信有限公司 应用程序的控制方法、装置、存储介质及终端

Also Published As

Publication number Publication date
CN113412474A (zh) 2021-09-17

Similar Documents

Publication Publication Date Title
EP3502880B1 (en) Method for preloading application, storage medium, and terminal device
US10891142B2 (en) Method and device for preloading application, storage medium, and terminal device
CN107704070B (zh) 应用清理方法、装置、存储介质及电子设备
EP3502878B1 (en) Method for preloading application and terminal device
EP3502881B1 (en) Method for preloading application, storage medium, and terminal device
CN107809542B (zh) 应用程序控制方法、装置、存储介质和电子设备
WO2019062413A1 (zh) 应用程序管控方法、装置、存储介质及电子设备
CN107835311B (zh) 应用管理方法、装置、存储介质及电子设备
CN107943534B (zh) 后台应用程序的关闭方法、装置、存储介质及电子设备
WO2019062417A1 (zh) 应用清理方法、装置、存储介质及电子设备
CN108108455B (zh) 目的地的推送方法、装置、存储介质及电子设备
WO2019128598A1 (zh) 应用处理方法、电子设备、计算机可读存储介质
CN107870810B (zh) 应用清理方法、装置、存储介质及电子设备
CN109587328B (zh) 消息管理方法和装置、存储介质及电子设备
WO2019051835A1 (zh) 一种推荐方法及终端
CN107748697B (zh) 应用关闭方法、装置、存储介质及电子设备
WO2019024646A1 (zh) 应用管控方法、装置及电子设备
WO2019085754A1 (zh) 应用清理方法、装置、存储介质及电子设备
CN108038050B (zh) 性能调整方法、装置、存储介质及电子设备
CN113055984B (zh) 终端控制方法、装置、移动终端及存储介质
CN109375995B (zh) 应用冻结方法和装置、存储介质、电子设备
WO2020206683A1 (zh) 应用程序的管理方法、装置、存储介质及电子设备
CN108255282A (zh) 一种终端进程管理方法及终端
CN107870811B (zh) 应用清理方法、装置、存储介质及电子设备
CN112997150B (zh) 应用程序的管理方法、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: 19924610

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 25.02.2022)

122 Ep: pct application non-entry in european phase

Ref document number: 19924610

Country of ref document: EP

Kind code of ref document: A1