CN107632697A - 应用程序的处理方法、装置、存储介质及电子设备 - Google Patents
应用程序的处理方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN107632697A CN107632697A CN201710919655.2A CN201710919655A CN107632697A CN 107632697 A CN107632697 A CN 107632697A CN 201710919655 A CN201710919655 A CN 201710919655A CN 107632697 A CN107632697 A CN 107632697A
- Authority
- CN
- China
- Prior art keywords
- application program
- sample
- probability
- sampling
- sampling periods
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
-
- 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
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Stored Programmes (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
本申请实施例公开了一种应用程序的处理方法、装置、存储介质及电子设备。该应用程序的处理方法,通过获取历史时间段内每一采样时间点样本应用程序的使用信息,根据采样时间点和使用信息生成训练样本,再根据训练样本对预设的混合高斯模型进行训练,基于训练后的混合高斯模型和预设的贝叶斯模型,对电子设备中的后台应用程序进行处理。该方案可降低电子设备终资源的占用,提升了电子设备的运行流畅度,减少了电子设备的功耗。
Description
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处理方法、装置、存储介质及电子设备。
背景技术
随着互联网的发展和移动通信网络的发展,同时也伴随着电子设备的处理能力和存储能力的迅猛发展,海量的应用得到了迅速传播和使用;常用的应用在方便用户工作和生活的同时,不乏新开发的应用也进入到用户的日常生活,提高了用户的生活质量、使用终端的频率以及使用中的娱乐感。
当电子设备开启有多个应用程序时,在后台运行的应用程序会严重地占用电子设备的资源,降低电子设备的运行流畅度,同时还会导致电子设备的功耗较大。
发明内容
本申请实施例提供一种应用程序的处理方法、装置、存储介质及电子设备,可以智能地管控应用程序,降低电子设备功耗。
第一方面,本申请实施例提供一种应用程序的处理方法,应用于电子设备,所述方法包括:
获取历史时间段内每一采样时间点样本应用程序的使用信息;
根据所述采样时间点和所述使用信息生成训练样本;
根据所述训练样本对预设的混合高斯模型进行训练;
基于训练后的混合高斯模型和预设的贝叶斯模型,对所述电子设备中的后台应用程序进行处理。
第二方面,本申请实施例提供了一种应用程序的处理装置,应用于电子设备,所述装置包括:
获取模块,用于获取历史时间段内每一采样时间点样本应用程序的使用信息;
生成模块,用于根据所述采样时间点和所述使用信息生成训练样本;
训练模块,用于根据所述训练样本对预设的混合高斯模型进行训练;
处理模块,用于基于训练后的混合高斯模型和预设的贝叶斯模型,对所述电子设备中的后台应用程序进行处理。
第三方面,本申请实施例还提供了一种存储介质,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的应用程序的处理方法。
第四方面,本申请实施例还提供了一种电子设备,包括处理器及存储器,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;处理器用于执行上述的应用程序的处理方法。
本申请实施例公开了一种应用程序的处理方法、装置、存储介质及电子设备。该应用程序的处理方法,通过获取历史时间段内每一采样时间点样本应用程序的使用信息,根据采样时间点和使用信息生成训练样本,再根据训练样本对预设的混合高斯模型进行训练,基于训练后的混合高斯模型和预设的贝叶斯模型,对电子设备中的后台应用程序进行处理。该方案可降低电子设备终资源的占用,提升了电子设备的运行流畅度,减少了电子设备的功耗。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的应用程序的处理方法的场景架构示意图。
图2是本申请实施例提供的应用程序的处理方法的一种流程示意图。
图3是本申请实施例提供的应用程序的处理方法的另一种流程示意图。
图4是本申请实施例提供的一种高斯模型的示意图。
图5是本申请实施例提供的混合高斯模型的训练示意图。
图6是本申请实施例提供的一种混合高斯模型的示意图。
图7是本申请实施例提供的应用程序的处理装置的一种结构示意图。
图8是本申请实施例提供的应用程序的处理装置的另一种结构示意图。
图9是本申请实施例提供的应用程序的处理装置的又一种结构示意图。
图10是本申请实施例提供的应用程序的处理装置的再一种结构示意图
图11是本申请实施例提供的电子设备的一种结构示意图。
图12是本申请实施例提供的电子设备的另一种结构示意图。
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程序的处理方法、装置、存储介质及电子设备。以下将分别进行详细说明。
请参阅图1,图1为本申请实施例提供的应用程序的处理方法的场景架构示意图。
如图,以对后台运行的应用程序为A~E进行处理为例。首先进行数据采集,记录电子设备在各应用程序的使用信息,如记录一个月内打开各应用程序的时间。然后,根据采集到的应用程序的使用记录统计出各应用程序在不同时间的使用概率,并将使用时间及对应的使用概率作为训练样本,对预设的混合高斯模型进行训练,根据所输入的样本调整该混合高斯模型中的参数信息,以得到每一应用程序所对应的训练后的混合高斯模型。基于各应用程序对应的训练后的混合高斯模型,结合预设的贝叶斯模型对后台应用程序的使用做预测,计算出在时间T下的每一后台应用程序的使用概率。再从多个后台应用程序A~E中确定出使用概率低于预设概率P的目标后台应用程序,并关闭目标后台应用程序。从而基于用户的使用习惯实现对后台应用程序的管控,减少应用程序对电子设备资源的占用。
其中,电子设备可以为移动终端,如手机、平板电脑、笔记本电脑等,本申请实施例对此不进行限定。
在一实施例中,提供一种应用程序的处理方法,应用于电子设备,该电子设备可以为智能手机、平板电脑、笔记本电脑等移动终端。如图2所示,流程可以如下:
101、获取历史时间段内每一采样时间点样本应用程序的使用信息。
本实施例所提及的应用程序,可以是电子设备上安装的任何一个应用程序,例如办公应用、社交应用、游戏应用、购物应用等。
其中,样本应用程序可为电子设备中多个或所有已安装的应用程序。应用程序的使用信息可以为应用程序的使用记录,如各应用程序的开启时间记录。采样时间点则可根据实际需求进行设定,若想得到精确度较高的结果,则可将采集时间点设置地密集一些,如每隔1min为一采样时间点;若想节省电子设备的资源而对结果的精确度不做要求,则可将采样时间点设置地松散一些,如每隔10min为一采样时间点。
在一些实施例中,自应用程序安装,则可记录每一已安装应用程序的使用信息,转换成相应的数据存储到预设的存储区域中。当需要使用某一或某些应用程序的使用信息时,则可以从该存储区域中调取与该某一或某些应用程序对应的数据,对获取的数据进行解析得到相应的信息,以作为该某一或某些应用程序的使用信息,而该某一或某些应用程序则作为样本应用程序,从获取的使用信息中选取出所需时间段内的使用信息即可。
在一些实施例中,为减少电子设备的功耗,节省电子设备的终端资源,可直接设定所需记录的时间段,然后在该时间段内对每一采样时间点样本应用程序的使用信息进行记录即可,以便后续使用。
102、根据采样时间点和使用信息生成训练样本。
具体地,可对所获取到的样本应用程序的使用信息进行预处理,计算出每一样本应用程序在不同采样时间点的使用概率,进一步得到每一样本应用程序的使用随时间变化的概率分布,将采样时间点与使用概率一一对应生成训练样本。
103、根据训练样本对预设的混合高斯模型进行训练。
具体地,将上述生成的训练样本输入至预设的混合高斯模型中,根据所输入的训练样本不断地修正预设的混合高斯模型中的相关参数,以使得训练后的混合高斯模型可适用于所有训练样本,最后对每一个样本应用程序都训练出一个混合高斯模型。其中,每一混合高斯模型由多个子高斯模型构成。
104、基于训练后的混合高斯模型和预设的贝叶斯模型,对电子设备中的后台应用程序进行处理。
在本申请实施例中,若样本应用程序的个数有N个,则相应的有N个训练后的混合高斯模型。获取每一后台应用的身份信息(如应用名称、应用标识等等),并根据后台应用程序的身份信息,从N个训练后的混合高斯模型中选取目标混合高斯模型(即针对该后台应用程序训练出的混合高斯模型),并基于该目标混合高斯模型对该后台应用程序。
在一些实施例中,可基于不同后台应用程序各自所对应训练后的混合高斯模型,结合当前的时间,对各后台应用程序在该时间下的使用概率进行计算。根据所计算到的各个应用程序各自对应的使用概率,对使用概率满足一定条件的后台应用程序进行清理或关闭等操作,以减少应用程序对电子设备资源的占用。
由上可知,本申请是实施例提供的应用程序的处理方法,通过获取历史时间段内每一采样时间点样本应用程序的使用信息,根据采样时间点和使用信息生成训练样本,再根据训练样本对预设的混合高斯模型进行训练,基于训练后的混合高斯模型和预设的贝叶斯模型,对电子设备中的后台应用程序进行处理。该方案可降低电子设备终资源的占用,提升了电子设备的运行流畅度,减少了电子设备的功耗。
在一实施例中,还提供另一种应用程序的处理方法,应用于电子设备,该电子设备可以为智能手机、平板电脑、笔记本电脑等移动终端。如图3所示,流程可以如下:
201、获取历史时间段内每一采样时间点样本应用程序的使用信息。
样本应用程序可为电子设备中多个或所有已安装的应用程序。采样时间点可根据实际需求进行设定,若想得到精确度较高的结果,可将采集时间点设置地密集一些,如每隔1min为一采样时间点;若想节省电子设备的资源而对结果的精确度不做要求,则可将采样时间点设置地松散一些,如每隔10min为一采样时间点。应用程序的使用信息可为应用程序在使用过程中的相关信息。
比如,历史时段可以是过去一个月,每一时间点可以为当前时间的时间戳。使用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程序的打开记录,如下表1所示:
应用程序包名 | 打开此应用程序的时间戳 |
com.tencent.mobileqq | 1457550655465 |
com.android.settings | 1457605107522 |
... | ... |
表1
之后,将这些应用程序的打开记录,作为各样本应用程序在每一采样时间点的使用信息
202、确定每一采样时间点对应的时间周期和采样时段,其中,每一时间周期内采样时间点与采样时段一一对应。
在一些实施例中,历史时间段包括多个时间周期,如历史时间段为过去一个月,则时间周期则可以为过去一个月中的每一天。每一时间周期可划分为多个采样时段,如一天中的每一分钟。具体地,可基于采样时间点对应的时间戳,确定其所属的时间周期以及具体的采样时段,如可为xx月xx日xx分。以9月9日481分为例,9月为历史时间段,9日为时间周期,481分为采样时段。
其中,样本的采集是可在智能手机、平板电脑等终端设备上完成,每隔1分钟获取当前终端设备上正在使用的应用程序信息,并且存储到该终端设备的数据库里,那么对于一个用户一个月的使用记录,可提取上万条使用信息样本。
203、将不同时间周期中相同采样时段对应的使用信息进行处理,得到样本应用程序在每一采样时段对应的样本使用概率。
在一些实施例中,步骤“将不同时间周期中相同采样时段对应的使用信息进行处理,得到样本应用程序在每一采样时段对应的样本使用概率”可以包括以下流程:
判断使用信息是否满足预设条件;
确定每一样本应用在相同采样时段中对应的使用信息满足预设条件的采样时间点数量;
获取每一样本应用在多个时间周期内使用信息满足预设条件的采样时间点总数量;
根据采样时间点数量和采样时间点总数量,计算每一样本应用程序在每一采样时段对应的样本使用概率。
具体地,可根据上述采集到的用户使用应用程序记录,统计出用户最常用的N个样本应用程序,其中N是可配置的。为了合理调配电子设备资源,减少运算量,通常N=5。
在一些实施例中,使用信息可为样本应用程序的运行状态信息;则步骤“判断使用信息是否满足预设条件”可以包括以下流程:
判断运行状态是否为前台运行;
若是,则判定使用信息满足预设条件;
若否,则判定使用信息不满足预设条件。
其中,运行状态为在前台运行,即意味着当前用户正在使用该样本应用程序。那么对于这N个样本应用程序,分别统计每个样本应用程序在过去一个月内每一天中相同时间段(如一天可包括1440分钟,则9月1日的第481分钟和9月31日的第481分钟为相同时间段;9月1日的第1440分钟和9月31日的第1440分钟为相同时间段)中在前台运行的采样时间点数量,记为X=[x1,x2,x3…xi…,xn],其中xi表示9月份每天的第i分钟时间该应用程序的使用次数。
比如,以9月1日~9月30日这30天作为历史时间段为例,若在这30内,其中有25天用户在早上8点01分至8点10分使用了微信,而其它时间不用微信。那么统计方式是:把8点01分换算成时间段为第481分(8*60+1=481),把8点10分换算成时间段为第490分(8*60+10=490)。那么该用户的微信使用信息统计结果可如下表2所示:
应用程序 | x1 | ... | x481 | ... | x490 | ... | x1440 |
微信 | 0 | 0 | 25 | 25 | 25 | 0 | 0 |
... | ... | ... | ... | ... | ... | ... | |
... | |||||||
... |
表2
在本申请实施例中,可将每一样本应用程序在每一采样时段对应的样本使用概率的概率定义为Pi,则概率Pi的具体的算法可参考以下公式:
其中,xj与xi示定义相同,都表示在一天中的第i或j分钟时间应用程序的使用次数。n为大于1的正整数。基于上述数据以及概率算法,可得到每一样本应用程序在每一采样时段对应的样本使用概率的概率分布,可如下表3所示:
应用程序 | P1 | ... | P481 | ... | P490 | ... | P1440 |
微信 | 0 | 0 | 0.1 | 0.1 | 0.1 | 0 | 0 |
... | ... | ... | ... | ... | ... | ... | |
... | |||||||
... |
表3
204、基于采样时段以及对应的样本使用概率生成训练样本。
具体地,根据上述表2中每一样本应用程序的样本使用概率随时间变化的概率分布,将采样时间点与样本使用概率一一对应生成训练样本。
在一些实施方式中,若将采样时段记为t,则采样时段包括[t1,t2…tm],将样本使用概率记为P,样本使用概率包括[P1,P2…Pm]。则具体可将生成的训练样本记为(tm,Pm),如第481分钟对应的训练样本为(481,0.1)。
205、将训练样本输入至第一公式中,以对第一预设公式进行训练,得到多个训练后的子高斯模型。
在本申请实施例中第一预设公式的实质为的混合高斯模型的概率谱密度函数,具体如下所示:
其中,Ai表示样本应用程序i,t表示采样时段,k表示子高斯模型数量,k为常数,μk表示数学期望,σk表示方差,ωk表示权值,N(t|μk,σk)表示随机变量t服从一个数学期望为μk、方差为σk的正态分布,P(t|Ai)则可表示样本应用程序i的运行状态为前台运行时采样时段为t的概率。
是高斯分布概率模型。
参考图4,可作为所构建的一个初始化的高斯模型。然后,基于所输入的采样时段t、样本使用概率P,对第一预设公式进行训练,得到多个训练后的子高斯模型。参考图5,首先对采集到的数据进行预处理,得到各应用程序被使用的概率分布,然后将该概率分布作为输入,对预设的混合高斯模型进行训练,最终得到合适的混合高斯模型。
比如,可在读取第1分钟对应的训练样本时进行混合高斯模型建模;接着读取第2分钟对应的训练样本,更新高斯模型参数;再读取第3分钟对应的训练样本,继续更新混合高斯模型参数……以此类推,直到所有训练样本都被读取后,更新高斯模型参数得到最终训练后的混合高斯模型。
混合高斯模型一般使用3~5个子高斯模型构成。建模过程中,需要对混合高斯模型中的方差σk、数学期望μk、权值ωk等一些参数初始化,并通过这些参数求出建模所需的数据。在初始化过程中,可将方差设置的尽量大些,而权值(即ωk)则尽量小些(如0.001)。这样设置是由于初始化的高斯模型是一个并不准确的模型,需要不停地缩小他的范围,更新他的参数值,从而得到最可能的高斯模型。将方差设置大些,就是为了将尽可能多的像素包含到一个模型里面,找出参数k、对应的所有的权值ωk,以及所有子高斯模型中各自对应的参数μk和σk。
在一些实施方式中,可采用最大似然估计法来确定ωk、μk和σk等这些模型参数。其中,混合高斯模型的似然函数为:
采用期望最大化(EM)算法,使(μk,σk)的似然函数极大化。则极大值对应的ωk、μk和σk就是我们的估计。最终得到[(ω1,μ1,σ1),(ω1,μ1,σ1),…(ωk,μk,σk)]。
206、将多个训练后的子高斯模型叠加,以得到训练后的混合高斯模型。
具体地,按所估计出的权值ωk对每一子高斯模型加权处理后,将加权后的k个子高斯模型叠加处理,以得到训练后的混合高斯模型。参考图6,所得到的混合高斯模型由4个子高斯模型构成。
假设用户有N个样本应用程序,则有N个混合高斯模型,即[P(t|A1),P(t|A2),…P(t|AN)]。
207、确定电子设备中的后台应用程序。
在一些实施例中,可在电子设备的中央处理器(CPU,central processing unit)占用较大、运行内存资源占用较大和/或电子设备剩余电量不足时,可以触发应用程序处理指令。电子设备获取该应用程序处理指令,然后,根据该应用程序处理指令确定处于后台运行的后台应用程序,以便后续对后台应用程序进行处理。
208、基于每一应用程序所对应训练后的混合高斯模型,利用第二预设公式计算每一后台应用程序在目标时间的使用概率。
在本申请实施例中,每一应用程序对应有唯一训练后的混合高斯模型。基于训练后的混合高斯模型,可以精确地估计出应用程序在不同时间对应的使用概率。本申请实施例中,预设的贝叶斯模型的表达式即为第二预设公式,该第二预设公式如下:
其中,T表示时间,N表示训练后的混合高斯模型的数量,P(Ai|T)表示采样时段为T时前台运行的应用程序为应用程序i的概率,P(T|Ai)表示样本应用程序i的运行状态为前台运行时采样时段为T的概率,P(T|Aj)表示应用程序j的运行状态为前台运行时采样时段为T的概率,P(Ai)表示应用程序i在历史时间段内的应用使用概率,P(Aj)表示应用程序j的在历史时间段内的应用使用概率。
具体地,首先基于训练后的混合高斯模型,估计出不同应用程序各自在目标时间下对应的初始使用概率(即P(T|Ai))。接着后,计算出目标后台应用程序i在历史时间段内的应用使用概率(即P(Ai))。其中,P(Ai)可由数据预处理时期,可由应用程序i在历史时间段内的使用次数、与所有样本应用程序在历史时间段内的使用次数总和的比值得到,即P(Ai)的计算公式如下:
其中,S(Ai)为应用程序i在历史时间段内的总使用次数,S为所有样本应用程序在历史时间段内的使用次数总和。
同样地,按照目标后台应用程序i对应的初始使用概率的算法,利用各应用程序各自对应的混合高斯模型,计算出各应用程序的初始使用概率;利用P(Ai)的计算公式,计算出各样本应用程序在历史时间段内的应用使用概率。
最后,将以上所得到的各项数据代入第二预设公式(即预设的贝叶斯模型),利用第二预设公式计算出目标后台应用程序在目标时间下对应的使用概率,以提升使用概率的精确度。
209、根据使用概率对后台应用程序进行处理。
在一些实施例中,可通过设定概率阈值来作为对应用进行处理的基准。也即,步骤“根据使用概率对后台应用程序进行处理”可以包括以下流程:
从当前后台应用程序中确定使用概率小于预设阈值的目标后台应用程序;
关闭目标后台应用程序。
其中,该预设阈值可以由本领域技术人员或产品生产厂商进行设定。比如,设定预设阈值为0.5,那么若在未来一时段T打开后台应用程序Ai的概率P(T|Ai)小于0.5,则清理该后台应用程序Ai,若不小于0.5,则保持该后台应用程序Ai继续在后台运行。
由上可知,本申请实施例提供的应用程序的处理方法,通过获取历史时间段内每一采样时间点样本应用程序的使用信息,然后确定每一采样时间点对应的时间周期和采样时段,再将不同时间周期中相同采样时段对应的使用信息进行处理,得到样本应用程序在每一采样时段对应的样本使用概率。基于采样时段以及对应的样本使用概率生成训练样本,并输入到预设的混合高斯模型中进行模型训练,得到有多个训练后的子高斯模型组成的新的混合高斯模型。最后,利用新的混合高斯模型和预设的贝叶斯模型估计每个后台应用在目标时间下的使用概率,并根据得到的概率对相应的后台应用程序进行处理。该方案可降低电子设备终资源的占用,提升了电子设备的运行流畅度,减少了电子设备的功耗。
在本申请又一实施例中,还提供一种应用程序的处理装置,该应用程序的处理装置可以软件或硬件的形式集成在电子设备中,该电子设备具体可以包括手机、平板电脑、笔记本电脑等设备。如图7所示,该应用程序的处理装置30可以包括接收模块31、确定模块32、接收模块33以及处理模块34,其中:
获取模块31,用于获取历史时间段内每一采样时间点样本应用程序的使用信息;
生成模块32,用于根据采样时间点和使用信息生成训练样本;
训练模块33,用于根据训练样本对预设的混合高斯模型进行训练;
处理模块34,用于基于训练后的混合高斯模型和预设的贝叶斯模型,对电子设备中的后台应用程序进行处理。
在一些实施例中,历史时间段包括多个时间周期,每一时间周期划分为多个采样时段。参考图8,生成模块32可以包括:
第一确定子模321,用于确定每一采样时间点对应的时间周期和采样时段,其中,每一时间周期内采样时间点与采样时段一一对应;
信息处理子模块322,用于将不同时间周期中相同采样时段对应的使用信息进行处理,得到样本应用程序在每一采样时段对应的样本使用概率;
生成子模块323,用于基于采样时段以及对应的样本使用概率生成训练样本。
在一些实施例中,处理子模块322可以包括:
判断单元,用于判断使用信息是否满足预设条件;
第一确定单元,用于确定每一样本应用在相同采样时段中对应的使用信息满足预设条件的采样时间点数量;
获取单元,用于获取每一样本应用在多个时间周期内使用信息满足预设条件的采样时间点总数量;
计算单元,用于根据采样时间点数量和采样时间点总数量,计算每一样本应用程序在每一采样时段对应的样本使用概率。
在一些实施例中,使用信息为样本应用程序的运行状态信息;判断单元可以用于:
判断运行状态是否为前台运行;
若是,则判定使用信息满足预设条件;
若否,则判定使用信息不满足预设条件
在一些实施例中,采样时段包括[t1,t2…tm],样本使用概率包括[P1,P2…Pm];参考图9,训练模块33可以包括:
输入子模块331,用于将采样时段及对应的样本使用概率输入至第一公式中,第一预设公式为:
其中,Ai表示样本应用程序i,t表示采样时段,k表示子高斯模型数量,μk表示数学期望,σk表示方差,ωk表示权值,N(t|μk,σk)表示随机变量t服从一个数学期望为μk、方差为σk的正态分布,P(t|Ai)表示样本应用程序i的运行状态为前台运行时采样时段为t的概率;
训练子模块332,用于基于所输入的采样时段t、样本使用概率P,对第一预设公式进行训练,得到多个训练后的子高斯模型;
叠加子模块333,用于将多个训练后的子高斯模型叠加,以得到训练后的混合高斯模型。
在一些实施例中,每一应用程序对应有唯一训练后的混合高斯模型;参考图10,处理模块34可以包括:
获取子模块341,用于获取应用程序处理指令;
第二确定子模块342,用于根据应用程序处理指令确定电子设备中的后台应用程序;
计算子模块343,用于基于每一应用程序所对应训练后的混合高斯模型,利用第二预设公式计算每一后台应用程序在目标时间的使用概率,第二预设公式为:
其中,T表示时间,N表示训练后的混合高斯模型的数量,P(Ai|T)表示采样时段为T时前台运行的应用程序为应用程序i的概率,P(T|Ai)表示样本应用程序i的运行状态为前台运行时采样时段为T的概率,P(T|Aj)表示应用程序j的运行状态为前台运行时采样时段为T的概率,P(Ai)表示应用程序i在历史时间段内的应用使用概率,P(Aj)表示应用程序j的在历史时间段内的应用使用概率;
应用处理子模块344,用于根据使用概率对后台应用程序进行处理。
在一些实施例中,应用处理子模块344可以包括:
第二确定单元,用于从当前后台应用程序中确定使用概率小于预设阈值的目标后台应用程序;
关闭单元,用于关闭目标后台应用程序。
由上可知,本申请实施例提供的应用程序的处理装置,通过获取历史时间段内每一采样时间点样本应用程序的使用信息,根据采样时间点和使用信息生成训练样本,再根据训练样本对预设的混合高斯模型进行训练,基于训练后的混合高斯模型和预设的贝叶斯模型,对电子设备中的后台应用程序进行处理。该方案可降低电子设备终资源的占用,提升了电子设备的运行流畅度,减少了电子设备的功耗。
在本申请又一实施例中还提供一种电子设备,该电子设备可以是智能手机、平板电脑等设备。如图11所示,电子设备400包括处理器401及存储器402。其中,处理器401与存储器402电性连接。
处理器401是电子设备400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402内的应用,以及调用存储在存储器402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400中的处理器401会按照如下的步骤,将一个或一个以上的应用的进程对应的指令加载到存储器402中,并由处理器401来运行存储在存储器402中的应用,从而实现各种功能:
获取历史时间段内每一采样时间点样本应用程序的使用信息;
根据采样时间点和使用信息生成训练样本;
根据训练样本对预设的混合高斯模型进行训练;
基于训练后的混合高斯模型和预设的贝叶斯模型,对电子设备中的后台应用程序进行处理。
在一些实施例中,历史时间段包括多个时间周期,每一时间周期划分为多个采样时段;处理器401进一步用于执行以下步骤:
确定每一采样时间点对应的时间周期和采样时段,其中,每一时间周期内采样时间点与采样时段一一对应;
将不同时间周期中相同采样时段对应的使用信息进行处理,得到样本应用程序在每一采样时段对应的样本使用概率;
基于采样时段以及对应的样本使用概率生成训练样本。
在一些实施例中,处理器401进一步用于执行以下步骤:
判断使用信息是否满足预设条件;
确定每一样本应用在相同采样时段中对应的使用信息满足预设条件的采样时间点数量;
获取每一样本应用在多个时间周期内使用信息满足预设条件的采样时间点总数量;
根据采样时间点数量和采样时间点总数量,计算每一样本应用程序在每一采样时段对应的样本使用概率。
在一些实施例中,使用信息为样本应用程序的运行状态信息,处理器401进一步用于执行以下步骤:
判断运行状态是否为前台运行;
若是,则判定使用信息满足预设条件;
若否,则判定使用信息不满足预设条件。
在一些实施例中,采样时段包括[t1,t2…tm],样本使用概率包括[P1,P2…Pm];处理器401进一步用于执行以下步骤:
将采样时段及对应的样本使用概率输入至第一公式中,第一预设公式为:
其中,Ai表示样本应用程序i,t表示采样时段,k表示子高斯模型数量,μk表示数学期望,σk表示方差,ωk表示权值,N(t|μk,σk)表示随机变量t服从一个数学期望为μk、方差为σk的正态分布,P(t|Ai)表示样本应用程序i的运行状态为前台运行时采样时段为t的概率;
基于所输入的采样时段t、样本使用概率P,对第一预设公式进行训练,得到多个训练后的子高斯模型;
将多个训练后的子高斯模型叠加,以得到训练后的混合高斯模型。
在一些实施例中,每一应用程序对应有唯一训练后的混合高斯模型;处理器401进一步用于执行以下步骤:
获取应用程序处理指令;
根据应用程序处理指令确定电子设备中的后台应用程序;
基于每一应用程序所对应训练后的混合高斯模型,利用第二预设公式计算每一后台应用程序在目标时间的使用概率,第二预设公式为:
其中,T表示时间,N表示训练后的混合高斯模型的数量,P(Ai|T)表示采样时段为T时前台运行的应用程序为应用程序i的概率,P(T|Ai)表示样本应用程序i的运行状态为前台运行时采样时段为T的概率,P(T|Aj)表示应用程序j的运行状态为前台运行时采样时段为T的概率,P(Ai)表示应用程序i在历史时间段内的应用使用概率,P(Aj)表示应用程序j的在历史时间段内的应用使用概率;
根据使用概率对后台应用程序进行处理。
在一些实施例中,处理器401进一步用于执行以下步骤:
从当前后台应用程序中确定使用概率小于预设阈值的目标后台应用程序;
关闭目标后台应用程序。
存储器402可用于存储应用和数据。存储器402存储的应用中包含有可在处理器中执行的指令。应用可以组成各种功能模块。处理器401通过运行存储在存储器402的应用,从而执行各种功能应用以及数据处理。
在一些实施例中,如图12所示,电子设备400还包括:显示屏403、控制电路404、射频电路405、输入单元406、音频电路407、传感器408以及电源409。其中,处理器401分别与显示屏403、控制电路404、射频电路405、输入单元406、音频电路407、传感器408以及电源409电性连接。
显示屏403可用于显示由用户输入的信息或提供给用户的信息以及电子设备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404与显示屏403电性连接,用于控制显示屏403显示信息。
射频电路405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406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406可以包括指纹识别模组。
音频电路407可通过扬声器、传声器提供用户与电子设备之间的音频接口。
传感器408用于采集外部环境信息。传感器408可以包括环境亮度传感器、加速度传感器、光传感器、运动传感器、以及其他传感器。
电源409用于给电子设备400的各个部件供电。在一些实施例中,电源409可以通过电源管理***与处理器401逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。
尽管图12中未示出,电子设备400还可以包括摄像头、蓝牙模块等,在此不再赘述。
由上可知,本申请实施例提供的电子设备,通过获取历史时间段内每一采样时间点样本应用程序的使用信息,根据采样时间点和使用信息生成训练样本,再根据训练样本对预设的混合高斯模型进行训练,基于训练后的混合高斯模型对电子设备中的后台应用程序进行处理。该方案可降低电子设备终资源的占用,提升了电子设备的运行流畅度,减少了电子设备的功耗。
在一些实施例中,还提供了一种存储介质,该存储介质中存储有多条指令,该指令适于由处理器加载以执行上述任一应用程序的处理方法。
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是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,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,RandomAccess Memory)、磁盘或光盘等。
在描述本申请的概念的过程中使用了术语“一”和“所述”以及类似的词语(尤其是在所附的权利要求书中),应该将这些术语解释为既涵盖单数又涵盖复数。此外,除非本文中另有说明,否则在本文中叙述数值范围时仅仅是通过快捷方法来指代属于相关范围的每个独立的值,而每个独立的值都并入本说明书中,就像这些值在本文中单独进行了陈述一样。另外,除非本文中另有指明或上下文有明确的相反提示,否则本文中所述的所有方法的步骤都可以按任何适当次序加以执行。本申请的改变并不限于描述的步骤顺序。除非另外主张,否则使用本文中所提供的任何以及所有实例或示例性语言(例如,“例如”)都仅仅为了更好地说明本申请的概念,而并非对本申请的概念的范围加以限制。在不脱离精神和范围的情况下,所属领域的技术人员将易于明白多种修改和适应。
以上对本申请实施例所提供的应用程序的处理方法、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 (16)
1.一种应用程序的处理方法,应用于电子设备,其特征在于,所述方法包括:
获取历史时间段内每一采样时间点样本应用程序的使用信息;
根据所述采样时间点和所述使用信息生成训练样本;
根据所述训练样本对预设的混合高斯模型进行训练;
基于训练后的混合高斯模型和预设的贝叶斯模型,对所述电子设备中的后台应用程序进行处理。
2.如权利要求1所述的应用程序的处理方法,其特征在于,所述历史时间段包括多个时间周期,每一时间周期划分为多个采样时段;
根据所述采样时间点和所述使用信息生成训练样本的步骤,包括:
确定每一采样时间点对应的时间周期和采样时段,其中,每一时间周期内采样时间点与采样时段一一对应;
将不同时间周期中相同采样时段对应的使用信息进行处理,得到样本应用程序在每一采样时段对应的样本使用概率;
基于采样时段以及对应的样本使用概率生成训练样本。
3.如权利要求2所述的应用程序的处理方法,其特征在于,将不同时间周期中相同采样时段对应的使用信息进行处理,得到样本应用程序在每一采样时段对应的样本使用概率的步骤,包括:
判断所述使用信息是否满足预设条件;
确定每一样本应用在相同采样时段中对应的使用信息满足预设条件的采样时间点数量;
获取每一样本应用在多个时间周期内使用信息满足预设条件的采样时间点总数量;
根据所述采样时间点数量和所述采样时间点总数量,计算每一样本应用程序在每一采样时段对应的样本使用概率。
4.如权利要求3所述的应用程序的处理方法,其特征在于,所述使用信息为样本应用程序的运行状态信息;判断所述使用信息是否满足预设条件的步骤,包括:
判断所述运行状态是否为前台运行;
若是,则判定所述使用信息满足预设条件;
若否,则判定所述使用信息不满足预设条件。
5.如权利要求2所述的应用程序的处理方法,其特征在于,所述采样时段包括[t1,t2…tm],所述样本使用概率包括[P1,P2…Pm];
根据所述训练样本对预设的混合高斯模型进行训练的步骤,包括:
将所述采样时段及对应的样本使用概率输入至第一公式中,所述第一预设公式为:
其中,Ai表示样本应用程序i,t表示采样时段,k表示子高斯模型数量,μk表示数学期望,σk表示方差,ωk表示权值,N(t|μk,σk)表示随机变量t服从一个数学期望为μk、方差为σk的正态分布,P(t|Ai)表示样本应用程序i的运行状态为前台运行时采样时段为t的概率;
基于所输入的采样时段、样本使用概率,对所述第一预设公式进行训练,得到多个训练后的子高斯模型;
将多个训练后的子高斯模型叠加,以得到训练后的混合高斯模型。
6.如权利要求5所述的应用程序的处理方法,其特征在于,每一应用程序对应有唯一训练后的混合高斯模型;
基于训练后的混合高斯模型和预设的贝叶斯模型,对所述电子设备中的后台应用程序进行处理的步骤,包括:
获取应用程序处理指令;
根据所述应用程序处理指令确定所述电子设备中的后台应用程序;
基于每一应用程序所对应训练后的混合高斯模型,利用第二预设公式计算每一后台应用程序在目标时间的使用概率,所述第二预设公式为:
其中,T表示时间,N表示训练后的混合高斯模型的数量,P(Ai|T)表示采样时段为T时前台运行的应用程序为应用程序i的概率,P(T|Ai)表示样本应用程序i的运行状态为前台运行时采样时段为T的概率,P(T|Aj)表示应用程序j的运行状态为前台运行时采样时段为T的概率,P(Ai)表示应用程序i在历史时间段内的应用使用概率,P(Aj)表示应用程序j的在历史时间段内的应用使用概率;
根据所述使用概率对后台应用程序进行处理。
7.如权利要求6所述的应用程序的处理方法,其特征在于,根据所述使用概率对后台应用程序进行处理的步骤,包括:
从当前后台应用程序中确定使用概率小于预设阈值的目标后台应用程序;
关闭所述目标后台应用程序。
8.一种应用程序的处理装置,其特征在于,所述装置包括:
获取模块,用于获取历史时间段内每一采样时间点样本应用程序的使用信息;
生成模块,用于根据所述采样时间点和所述使用信息生成训练样本;
训练模块,用于根据所述训练样本对预设的混合高斯模型进行训练;
处理模块,用于基于训练后的混合高斯模型和预设的贝叶斯模型,对所述电子设备中的后台应用程序进行处理。
9.如权利要求8所述的应用程序的处理装置,其特征在于,所述历史时间段包括多个时间周期,每一时间周期划分为多个采样时段;
所述生成模块包括:
第一确定子模块,用于确定每一采样时间点对应的时间周期和采样时段,其中,每一时间周期内采样时间点与采样时段一一对应;
信息处理子模块,用于将不同时间周期中相同采样时段对应的使用信息进行处理,得到样本应用程序在每一采样时段对应的样本使用概率;
生成子模块,用于基于采样时段以及对应的样本使用概率生成训练样本。
10.如权利要求9所述的应用程序的处理装置,其特征在于,所述处理子模块包括:
判断单元,用于判断所述使用信息是否满足预设条件;
第一确定单元,用于确确定每一样本应用在相同采样时段中对应的使用信息满足预设条件的采样时间点数量;
获取单元,用于获取每一样本应用在多个时间周期内使用信息满足预设条件的采样时间点总数量;
计算单元,用于根据所述采样时间点数量和所述采样时间点总数量,计算每一样本应用程序在每一采样时段对应的样本使用概率。
11.如权利要求10所述的应用程序的处理装置,其特征在于,所述使用信息为样本应用程序的运行状态信息;所述判断单元用于:
判断所述运行状态是否为前台运行;
若是,则判定所述使用信息满足预设条件;
若否,则判定所述使用信息不满足预设条件。
12.如权利要求9所述的应用程序的处理装置,其特征在于,所述采样时段包括[t1,t2…tm],所述样本使用概率包括[P1,P2…Pm];所述训练模块包括:
输入子模块,用于将所述采样时段及对应的样本使用概率输入至第一公式中,所述第一预设公式为:
其中,Ai表示样本应用程序i,t表示采样时段,k表示子高斯模型数量,μk表示数学期望,σk表示方差,ωk表示权值,N(t|μk,σk)表示随机变量t服从一个数学期望为μk、方差为σk的正态分布,P(t|Ai)表示样本应用程序i的运行状态为前台运行时采样时段为t的概率;
训练子模块,用于基于所输入的采样时段、样本使用概率,对所述第一预设公式进行训练,得到多个训练后的子高斯模型;
叠加子模块,用于将多个训练后的子高斯模型叠加,以得到训练后的混合高斯模型。
13.如权利要求12所述的应用程序的处理装置,其特征在于,每一应用程序对应有唯一训练后的混合高斯模型;所述处理模块包括:
获取子模块,用于获取应用程序处理指令;
第二确定子模块,用于根据所述应用程序处理指令确定所述电子设备中的后台应用程序;
计算子模块,用于基于每一应用程序所对应训练后的混合高斯模型,利用第二预设公式计算每一后台应用程序在目标时间的使用概率,所述第二预设公式为:
其中,T表示时间,N表示训练后的混合高斯模型的数量,P(Ai|T)表示采样时段为T时前台运行的应用程序为应用程序i的概率,P(T|Ai)表示样本应用程序i的运行状态为前台运行时采样时段为T的概率,P(T|Aj)表示应用程序j的运行状态为前台运行时采样时段为T的概率,P(Ai)表示应用程序i在历史时间段内的应用使用概率,P(Aj)表示应用程序j的在历史时间段内的应用使用概率;
应用处理子模块,用于根据所述使用概率对后台应用程序进行处理。
14.如权利要求13所述的应用程序的处理装置,其特征在于,所述应用处理子模块包括:
第二确定单元,用于从当前后台应用程序中确定使用概率小于预设阈值的目标后台应用程序;
关闭单元,用于关闭所述目标后台应用程序。
15.一种存储介质,其特征在于,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如权利要求1-7中任一项所述的应用程序的处理方法。
16.一种电子设备,其特征在于,包括处理器及存储器,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如权利要求1-7中任一项所述的应用程序的处理方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710919655.2A CN107632697B (zh) | 2017-09-30 | 2017-09-30 | 应用程序的处理方法、装置、存储介质及电子设备 |
PCT/CN2018/102011 WO2019062405A1 (zh) | 2017-09-30 | 2018-08-23 | 应用程序的处理方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710919655.2A CN107632697B (zh) | 2017-09-30 | 2017-09-30 | 应用程序的处理方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107632697A true CN107632697A (zh) | 2018-01-26 |
CN107632697B CN107632697B (zh) | 2019-10-25 |
Family
ID=61104863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710919655.2A Active CN107632697B (zh) | 2017-09-30 | 2017-09-30 | 应用程序的处理方法、装置、存储介质及电子设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107632697B (zh) |
WO (1) | WO2019062405A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932140A (zh) * | 2018-07-13 | 2018-12-04 | 重庆邮电大学 | 基于安卓用户行为习惯的清理后台应用程序的方法 |
WO2019062405A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 应用程序的处理方法、装置、存储介质及电子设备 |
WO2019062404A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 应用程序的处理方法、装置、存储介质及电子设备 |
CN110554837A (zh) * | 2018-06-03 | 2019-12-10 | 苹果公司 | 易疲劳存储介质的智能交换 |
CN111045507A (zh) * | 2019-11-27 | 2020-04-21 | RealMe重庆移动通信有限公司 | 名单管控方法、装置、移动终端及存储介质 |
WO2020206696A1 (zh) * | 2019-04-12 | 2020-10-15 | 深圳市欢太科技有限公司 | 应用清理方法、装置、存储介质及电子设备 |
CN112650564A (zh) * | 2020-12-18 | 2021-04-13 | 北京紫光展锐通信技术有限公司 | 一种应用的限制方法和电子设备 |
CN112866482A (zh) * | 2019-11-27 | 2021-05-28 | 青岛海信移动通信技术股份有限公司 | 一种对象行为习惯预测的方法和终端 |
CN113050783A (zh) * | 2019-12-26 | 2021-06-29 | Oppo广东移动通信有限公司 | 终端控制方法、装置、移动终端及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521041A (zh) * | 2011-12-14 | 2012-06-27 | 华为终端有限公司 | 一种处理应用程序的方法及无线手持设备 |
CN105718027A (zh) * | 2016-01-20 | 2016-06-29 | 努比亚技术有限公司 | 后台应用程序的管理方法及移动终端 |
CN106201686A (zh) * | 2016-06-30 | 2016-12-07 | 北京小米移动软件有限公司 | 应用的管理方法、装置及终端 |
CN106709298A (zh) * | 2017-01-04 | 2017-05-24 | 广东欧珀移动通信有限公司 | 一种信息处理方法、装置及智能终端 |
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 |
US20170269678A1 (en) * | 2016-03-17 | 2017-09-21 | Fujitsu Limited | Information processing device, power measuring method, and non-transitory recording medium storing power measuring program |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110307200A1 (en) * | 2010-06-11 | 2011-12-15 | Academia Sinica | Recognizing multiple appliance operating states using circuit-level electrical information |
CN104317658B (zh) * | 2014-10-17 | 2018-06-12 | 华中科技大学 | 一种基于MapReduce的负载自适应任务调度方法 |
CN105046429B (zh) * | 2015-07-10 | 2018-08-24 | 南京大学 | 基于手机传感器的交互过程中用户思维工作负荷评估方法 |
CN107632697B (zh) * | 2017-09-30 | 2019-10-25 | Oppo广东移动通信有限公司 | 应用程序的处理方法、装置、存储介质及电子设备 |
-
2017
- 2017-09-30 CN CN201710919655.2A patent/CN107632697B/zh active Active
-
2018
- 2018-08-23 WO PCT/CN2018/102011 patent/WO2019062405A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521041A (zh) * | 2011-12-14 | 2012-06-27 | 华为终端有限公司 | 一种处理应用程序的方法及无线手持设备 |
CN105718027A (zh) * | 2016-01-20 | 2016-06-29 | 努比亚技术有限公司 | 后台应用程序的管理方法及移动终端 |
US20170269678A1 (en) * | 2016-03-17 | 2017-09-21 | Fujitsu Limited | Information processing device, power measuring method, and non-transitory recording medium storing power measuring program |
CN106201686A (zh) * | 2016-06-30 | 2016-12-07 | 北京小米移动软件有限公司 | 应用的管理方法、装置及终端 |
CN106709298A (zh) * | 2017-01-04 | 2017-05-24 | 广东欧珀移动通信有限公司 | 一种信息处理方法、装置及智能终端 |
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 |
Non-Patent Citations (2)
Title |
---|
孙水发 等: "《视频前景检测及其在水电工程监测中的应用》", 31 December 2014, 国防工业出版社 * |
杨旗: "《人体步态及行为识别技术研究》", 31 January 2014, 辽宁科学技术出版社 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019062405A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 应用程序的处理方法、装置、存储介质及电子设备 |
WO2019062404A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 应用程序的处理方法、装置、存储介质及电子设备 |
CN110554837A (zh) * | 2018-06-03 | 2019-12-10 | 苹果公司 | 易疲劳存储介质的智能交换 |
CN108932140A (zh) * | 2018-07-13 | 2018-12-04 | 重庆邮电大学 | 基于安卓用户行为习惯的清理后台应用程序的方法 |
WO2020206696A1 (zh) * | 2019-04-12 | 2020-10-15 | 深圳市欢太科技有限公司 | 应用清理方法、装置、存储介质及电子设备 |
CN113439253A (zh) * | 2019-04-12 | 2021-09-24 | 深圳市欢太科技有限公司 | 应用清理方法、装置、存储介质及电子设备 |
CN113439253B (zh) * | 2019-04-12 | 2023-08-22 | 深圳市欢太科技有限公司 | 应用清理方法、装置、存储介质及电子设备 |
CN111045507A (zh) * | 2019-11-27 | 2020-04-21 | RealMe重庆移动通信有限公司 | 名单管控方法、装置、移动终端及存储介质 |
CN112866482A (zh) * | 2019-11-27 | 2021-05-28 | 青岛海信移动通信技术股份有限公司 | 一种对象行为习惯预测的方法和终端 |
CN113050783A (zh) * | 2019-12-26 | 2021-06-29 | Oppo广东移动通信有限公司 | 终端控制方法、装置、移动终端及存储介质 |
CN113050783B (zh) * | 2019-12-26 | 2023-08-08 | Oppo广东移动通信有限公司 | 终端控制方法、装置、移动终端及存储介质 |
CN112650564A (zh) * | 2020-12-18 | 2021-04-13 | 北京紫光展锐通信技术有限公司 | 一种应用的限制方法和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN107632697B (zh) | 2019-10-25 |
WO2019062405A1 (zh) | 2019-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107632697A (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN107943583B (zh) | 应用程序的处理方法、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 | |
CN108337358B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN107678803B (zh) | 应用管控方法、装置、存储介质及电子设备 | |
CN109948633A (zh) | 用户性别预测方法、装置、存储介质及电子设备 | |
CN107728772A (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN107678858B (zh) | 应用处理方法、装置、存储介质及电子设备 | |
CN107911491A (zh) | 信息推荐方法、装置及存储介质、服务器和移动终端 | |
CN107704070A (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN107947951A (zh) | 用户群组推荐方法、装置及存储介质和服务器 | |
EP3702912A1 (en) | Background application cleaning method and apparatus, and storage medium and electronic device | |
CN107870810B (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN103338461B (zh) | 基于业务量预测的网络规划方法及装置 | |
CN105447583A (zh) | 一种预测用户离网的方法及装置 | |
CN107729081A (zh) | 应用管理方法、装置、存储介质及电子设备 | |
CN113284142A (zh) | 图像检测方法、装置、计算机可读存储介质及计算机设备 | |
CN113794683A (zh) | 一种工业物联网入侵检测方法、装置、设备及存储介质 | |
WO2019062462A1 (zh) | 应用控制方法、装置、存储介质以及电子设备 | |
CN107943582A (zh) | 特征处理方法、装置、存储介质及电子设备 | |
CN111125519A (zh) | 用户行为预测方法、装置、电子设备以及存储介质 | |
CN107678531A (zh) | 应用清理方法、装置、存储介质及电子设备 | |
CN112465141A (zh) | 模型压缩方法、装置、电子设备及介质 | |
CN107643925A (zh) | 后台应用清理方法、装置、存储介质及电子设备 | |
CN107169555A (zh) | 一种闸机提示方法、装置、存储介质和终端 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant after: OPPO Guangdong Mobile Communications Co., Ltd. Address before: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18 Applicant before: Guangdong OPPO Mobile Communications Co., Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |