CN107766105B - 应用清理方法、装置、存储介质及电子设备 - Google Patents

Abstract

本申请实施例公开了一种应用清理方法、装置、存储介质及电子设备，其中，本申请实施例获取应用的多个特征信息以及电子设备当前的缓存空间量；当缓存空间量小于预设阈值时，根据缓存空间量从多个特征信息中选取若干特征信息；根据预设机器学习算法以及选取的特征信息确定应用是否可清理，以便清理可清理应用以此实现了应用的自动清理，提高了电子设备的运行流畅度，降低了功耗。

Description

应用清理方法、装置、存储介质及电子设备

技术领域

本申请涉及通信技术领域，具体涉及一种应用清理方法、装置、存储介质及电子设备。

背景技术

目前，智能手机等电子设备上，通常会有多个应用同时运行，其中，一个应用在前台运行，其他应用在后台运行。如果长时间不清理后台运行的应用，则会导致电子设备的可用内存变小、中央处理器(central processing unit，CPU)占用率过高，导致电子设备出现运行速度变慢，卡顿，耗电过快等问题。因此，有必要提供一种方法解决上述问题。

发明内容

本申请实施例提供了一种应用清理方法、装置、存储介质及电子设备，能够提高电子设备的运行流畅度，降低功耗。

第一方面，本申请实施例了提供了的一种应用清理方法，包括：

获取应用的多个特征信息；

获取电子设备当前的缓存空间量；

当所述缓存空间量小于预设阈值时，根据所述缓存空间量从所述多个特征信息中选取若干特征信息；

根据选取的特征信息和预设机器学习算法确定所述应用是否可清理。

第二方面，本申请实施例了提供了的一种应用清理装置，包括：

特征获取单元，用于获取应用的多个特征信息；

缓存获取单元，用于获取电子设备当前的缓存空间量；

特征选取单元，用于当所述缓存空间量小于预设阈值时，根据所述缓存空间量从所述多个特征信息中选取若干特征信息；

预测单元，用于根据选取的特征信息和预设机器学习算法确定所述应用是否可清理。

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清理方法。

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，用于执行如本申请任一实施例提供的应用清理方法。

本申请实施例获取应用的多个特征信息以及电子设备当前的缓存空间量；当所述缓存空间量小于预设阈值时，根据所述缓存空间量从所述多个特征信息中选取若干特征信息；根据预设机器学习算法以及选取的特征信息确定所述应用是否可清理，以便清理可清理应用以此实现了应用的自动清理，提高了电子设备的运行流畅度，降低了功耗。

附图说明

为了更清楚地说明本发明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发明的一些实施例，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为本申请实施例提供的应用清理方法的应用场景示意图。

图2是本申请实施例提供的应用清理方法的一个流程示意图。

图3是本申请实施例提供的应用清理方法的另一个流程示意图。

图4是本申请实施例提供的应用清理装置的一个结构示意图。

图5是本申请实施例提供的应用清理装置的另一结构示意图。

图6是本申请实施例提供的应用清理装置的另一结构示意图。

图7是本申请实施例提供的电子设备的一个结构示意图。

图8是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。

在以下的说明中，本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存***中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实***置，其具有由该数据格式所定义的特定特性。但是，本申请原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。

本文所使用的术语“模块”可看做为在该运算***上执行的软件对象。本文所述的不同组件、模块、引擎及服务可看做为在该运算***上的实施对象。而本文所述的装置及方法可以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。

本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、***、产品或设备没有限定于已列出的步骤或模块，而是某些实施例还包括没有列出的步骤或模块，或某些实施例还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本申请实施例提供一种应用清理方法，该应用清理方法的执行主体可以是本申请实施例提供的应用清理装置，或者集成了该应用清理装置的电子设备，其中该应用清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、笔记本电脑、或者台式电脑等设备。

请参阅图1，图1为本申请实施例提供的应用清理方法的应用场景示意图，以应用清理装置集成在电子设备中为例，电子设备可以获取应用的多个特征信息以及获取电子设备当前的缓存空间量；当缓存空间量小于预设阈值时，根据缓存空间量从多个特征信息中选取若干特征信息；根据预设机器学习算法以及选取的特征信息确定应用是否可清理，以便清理可清理应用以此实现了应用的自动清理，提高了电子设备的运行流畅度，降低了功耗。

具体地，例如图1所示，以判断后台运行的应用程序a(如邮箱应用、游戏应用等)是否可以清理为例，可以获取应用a的多个特征信息(例如应用a在后台运行的时长、应用a运行的时间信息等)，以及电子设备当前的缓存空间量，当缓存空间量小于预设阈值时，根据缓存空间量从多个特征信息中选取若干特征信息，根据选取的特征信息和预设机器学习算法确定应用a是否可清理。此外，当预测应用a可清理时，电子设备对应用a进行清理。

请参阅图2，图2为本申请实施例提供的应用清理方法的流程示意图。本申请实施例提供的应用清理方法的具体流程可以如下：

201、获取应用的多个特征信息。

本实施例所提及的应用，可以是电子设备上安装的任何一个应用，例如办公应用、通信应用、游戏应用、购物应用等。此外，该应用可以为前台应用，也可以为后台应用。

其中，应用的多个特征信息为应用的多维特征信息，可以在应用的使用过程中采集。

应用的多维特征具有一定长度的维度，其每个维度上的参数均对应表征应用的一种特征信息，即该多维特征息由多种特征构成。该多个特征信息可以包括应用自身相关的特征信息，例如：应用切入到后台的时长；应用切入到后台期间，电子设备的灭屏时长；应用进入前台的次数；应用处于前台的时间；应用进入后台的方式，例如被主页键(home键)切换进入、被返回键切换进入，被其他应用切换进入等；应用的类型，包括一级(常用应用)、二级(其他应用)；应用在后台停留时长直方图信息，如应用在后台停留时间直方图第一个bin(0-5分钟对应的次数占比)等。

该多个特征信息还可以包括应用所在的电子设备的相关特征信息，例如：电子设备的灭屏时间、亮屏时间、当前电量，电子设备的无线网络连接状态，电子设备是否在充电状态等。

比如，可以在历史时间段内，按照预设频率采集应用的多个特征信息。历史时间段，例如可以是过去7天、10天；预设频率，例如可以是每10分钟采集一次、每半小时采集一次。

在一实施例中，为便于应用关闭，可以将应用的多维特征信息中，未用数值直接表示的特征信息用具体的数值量化出来，例如针对电子设备的无线网连接状态这个特征信息，可以用数值1表示正常的状态，用数值0表示异常的状态(反之亦可)；再例如，针对电子设备是否在充电状态这个特征信息，可以用数值1表示充电状态，用数值0表示未充电状态(反之亦可)。

其中，电子设备可以各时间段内采集应用的多个特征信息，并保存在特征数据库中，因此，本申请实施例可以从特征数据库中提取应用的多个特征信息。

202、获取电子设备当前的缓存空间量。

其中，缓存空间量为电子设备的缓存空间度量，比如10MB等。该电子设备的缓存空间可以为电子设备剩余的缓存空间，即剩余缓存空间。

步骤201和202之间的时序不受序号限制，可以是步骤202在步骤201之前执行，也可以是同时执行。

203、当缓存空间量小于预设阈值时，根据缓存空间量从多个特征信息中选取若干特征信息。

其中，预设阈值可以根据实际需求设定，比如，可以29MB、20MB等等。

其中，基于缓存空间量选取特征的方式可有多种，比如，在一实施例中，可以预先设定各种缓存空间量与特征信息之间的映射关系(即对应关系)，这样后续再得到缓存空间量后，便可以基于映射关系来获取与缓存空间量对应的特征信息。

例如，设置缓存空间量10MB对应的特征信息包括：应用进入后台的时间，应用在后台的持续时长、应用进入前台的次数等等，设置缓存空间量15MB对应的特征信息包括：应用的类型、应用紧跟当前前台应用后被打开次数等等，设置缓存空间量20MB对应的特征信息包括：电子设备亮屏时间、息屏时间、网络状态、充电状态等等。

又比如，在一实施例中，为了便于特征选取，加快特征选取速度，还可以对于每个特征信息设置相应的特征等级如等级1、等级2、等级3等，这样后续在基于特征等级以及缓存空间量选取特征信息。比如，步骤“根据缓存空间从多个特征信息中选取若干特征信息”可以包括：

获取缓存空间量对应的特征等级范围；

根据特征等级范围以及特征信息的特征等级，从多个特征信息中选取相应的特征信息。

比如，可以设置缓存空间量与特征范围的映射关系，得到缓存空间量后，可以基于该映射关系来获取相应的特征等级范围。

例如，缓存空间量10MB对应的特征等级范围为(等级1，等级3)，缓存空间量11MB对应的特征等级范围为(等级2，等级4)，缓存空间量12MB对应的特征等级范围为(等级1，等级4)等等。

其中，特征信息的等级可以基于特征信息的重要性来划分，重要性越高等级越高。在一实施例中，还可以基于机器学习算法的类型来划分，比如，对于逻辑回归算法时间特征、次数特征比较重要，因此，会将时间特征、次数特征的等级设高点。又比如，对于决策树算法应用所在电子设备的特征信息如电量特征、网络特征比较重要，因此会将应用所在电子设备的特征信息的等级设置较高。

由于缓存空间量的种类有多中，如果设置缓存空间量与特征等级范围的映射关系，工作量会很大浪费大量的资源。因此，在一实施例中，为了节省资源，可以预先设置空间范围与特征等级范围的映射关系，后续得到电子设备当前的缓存空间量后，便可以基于该缓存空间量落入的空间范围，以及空间范围与特征等级范围的映射关系快速得到相应的特征等级范围。

比如，步骤“获取缓存空间量对应的特征等级范围”，可以包括：

确定缓存空间量落入的预设空间范围；

获取与预设空间范围对应的特征等级范围。

譬如，电子设备当前的缓存空间量为1MB，其落入的预设空间范围为(0.5MB，1.5MB)，基于预先设置映射关系，得到预设空间范围(0.5MB，1.5MB)对应的特征等级范围为(等级1，等级3)；然后，基于该特征等级范围选取相应的特征信息。

其中，特征等级范围选取特征的方式多种，比如，在一实施例中，选取特征等级位于特征等级范围内的特征信息。例如，参考表1，当特征等级范围为等级1-等级3时，可以选取特征1、特征2、特征3、特征4、特征7、特征8。

表1

在一实施例中，为提升应用清理预测的准确性，可以先基于特征等级范围选取一些特征，然后，再结合所需采用的机器学习算法来进一步选取。比如，步骤“根据特征等级范围以及特征信息的特征等级，从多个特征信息中选取若干特征信息”，可以包括：

根据特征等级范围以及特征信息的特征等级，从多个特征信息中选取若干候选特征信息；

根据预设机器学习算法的算法类型从候选特征信息中选取目标特征信息。

其中，机器学习算法，可以通过不断特征学习来预测某个事件的发生，比如，可以预测应用是否可清理等。该机器学习算法可以包括：决策树模型、逻辑回归模型、贝叶斯模型、神经网络模型、聚类模型等等。

其中，不同类型的机器学习算法可以选取不同的特征信息。

本申请实施例中，机器学习算法的算法类型可以根据各种情况划分，比如，可以基于学习方式可以将机器学习算法划分成：监督式学习算法、非监控式学习算法、半监督式学习算法、强化学习算法等等。

在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件***中“垃圾邮件”“非垃圾邮件”，对手写数字识别中的“1“，”2“，”3“，”4“等。在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。监督式学习的常见应用场景如分类问题和回归问题。常见算法有逻辑回归(LogisticRegression)和反向传递神经网络(Back Propagation Neural Network)。

在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means算法。

半监督式学习算法，在此学习方式下，输入数据部分被标识，部分没有被标识，这种学习模型可以用来进行预测，但是模型首先需要学习数据的内在结构以便合理的组织数据来进行预测。应用场景包括分类和回归，算法包括一些对常用监督式学习算法的延伸，这些算法首先试图对未标识数据进行建模，在此基础上再对标识的数据进行预测。如图论推理算法(Graph Inference)或者拉普拉斯支持向量机(Laplacian SVM)等。

强化学习算法，在这种学习模式下，输入数据作为对模型的反馈，不像监督模型那样，输入数据仅仅是作为一个检查模型对错的方式，在强化学习下，输入数据直接反馈到模型，模型必须对此立刻作出调整。常见的应用场景包括动态***以及机器人控制等。常见算法包括Q-Learning以及时间差学习(Temporal difference learning)。

此外，在一实施例中，还可以基于根据算法的功能和形式的类似性将机器学习算法划分成：

回归算法，常见的回归算法包括：最小二乘法(Ordinary Least Square)，逻辑回归(Logistic Regression)，逐步式回归(Stepwise Regression)，多元自适应回归样条(Multivariate Adaptive Regression Splines)以及本地散点平滑估计(LocallyEstimated Scatterplot Smoothing)。

基于实例的算法，包括k-Nearest Neighbor(KNN),学习矢量量化(LearningVector Quantization，LVQ)，以及自组织映射算法(Self-Organizing Map，SOM)。

正则化方法，常见的算法包括：Ridge Regression，Least Absolute Shrinkageand Selection Operator(LASSO)，以及弹性网络(Elastic Net)。

决策树算法，常见的算法包括：分类及回归树(Classification And RegressionTree，CART)，ID3(Iterative Dichotomiser 3)，C4.5，Chi-squared AutomaticInteraction Detection(CHAID),Decision Stump,随机森林(Random Forest)，多元自适应回归样条(MARS)以及梯度推进机(Gradient Boosting Machine，GBM)。

贝叶斯方法算法，包括：朴素贝叶斯算法，平均单依赖估计(Averaged One-Dependence Estimators，AODE)，以及Bayesian Belief Network(BBN)。

……。

比如，参考表1，当特征等级范围为等级1-等级3时，可以选取特征1、特征2、特征3、特征4、特征7、特征8作为候选特征信息。当预设机器学习算法为决策树模型算法时，便可以从候选特征中选取特征1、特征2、特征3、特征4。当预设机器学习算法为贝叶斯模型时，便可以从候选特征中选取特征1、特征4、特征7、特征8。

在一实施例中，为提升应用清理预测的速度以及成功率，还可以基于机器学习算法的空间复杂度和缓存空间量来选取特征信息。比如，步骤“根据空间复杂度以及缓存空间量，从多个特征信息中选取若干特征信息”，可以包括：

获取预设机器学习算法的空间复杂度；

根据空间复杂度以及缓存空间量，从多个特征信息中选取若干特征信息。

其中，空间复杂度指算法在电子设备内执行时所需存储空间的度量；一般用S(n)表示。空间复杂度S(n)定义为该算法所耗费的存储空间，它也是问题规模n的函数。渐近空间复杂度也常常简称为空间复杂度。

在一实施例中，步骤“根据空间复杂度以及缓存空间量，从多个特征信息中选取若干特征信息”可以包括：

当缓存空间量大于或等于空间复杂度时，根据缓存空间量从多个特征信息中选取若干特征信息；

当缓存空间量小于空间复杂度时，根据缓存空间量和空间复杂度确定目标缓存空间量，目标缓存空间量小于空间复杂度；

根据目标缓存空间量从多个特征信息中选取若干特征信息。

其中，当缓存空间量大于空间复杂度时表明电子设备当前有足够的空间运行机器学习算法，因此，可以基于缓存空间量选取特征信息，具体的特征选取方式可以参考上述的描述。

当缓存空间量小于空间复杂度时表明电子设备当前空间不足，不足以运行机器学习算法，那么，可以基于较小的缓存空间量来选取特征，具体的特征选取方式可以参考上述的描述。

例如，缓存空间量为1000KB时，如果机器学习算法的空间复杂度为800KB，可见，缓存空间量大于机器学习算法所需的空间量，那么便可以基于缓存空间量为1000KB从多个特征信息选取相应数量的特征信息，提升算法速度。

又例如，缓存空间量为700KB时，如果机器学习算法的空间复杂度为800KB，可见，缓存空间量小于机器学习算法所需的空间量，那么便可以基于空间复杂度800KB和缓存空间量确定一个目标缓存空间量如500KB，基于500KB从多个特征信息选取相应数量的特征信息，提升算法速度，保证算法运行成功。

在一实施例中，在缓存空间量小于空间复杂度的情况下，为进一步提升应用清理预测速度以及预测成功率，还可以考虑到特征信息的平均数据量，然后，基于确定的目标缓存空间量和平均数据量来选取相应数量的特征信息。比如，步骤“根据目标缓存空间量从多个特征信息中选取若干特征信息”，可以包括：

获取特征信息的平均数据量；

根据平均数据量以及目标缓存空间量确定需要选取的特征信息数量；

根据特征信息数量从多个特征信息中选取若干特征信息。

例如，目标缓存数据量为500KB，特征信息的平均数据量为20KB，此时，可以确定选取的特征信息数量为500/20＝25个，那么可以从应用的多个特征信息选取25个特征信息作预测。

204、根据选取的特征信息和预设机器学习算法确定应用是否可清理。

比如，基于选取的特征信息以及决策树模型预测应用是否可清理；可以根据选取的特征和决策树模型确定相应的叶子节点，将该叶子节点的输出作为预测输出结果。如利用目标特征按照决策树的分支条件(即划分特征的特征值)确定当前的叶子节点，取该叶子节点的输出作为预测的结果。由于叶子节点的输出包括可清理、或不可清理，因此，此时可以基于决策树来确定应用是否可清理。

由上可知，本申请实施例获取应用的多个特征信息以及获取电子设备当前的缓存空间量；当缓存空间量小于预设阈值时，根据缓存空间量从多个特征信息中选取若干特征信息；根据预设机器学习算法以及选取的特征信息确定应用是否可清理，以便清理可清理应用以此实现了应用的自动清理，提高了电子设备的运行流畅度，降低了功耗。

进一步地，由于特征信息包括了反映用户使用应用的行为习惯的多个特征信息；因此本申请实施例可以使得对对应应用的清理更加个性化和智能化。

进一步地，本申请实施例基于电子设备当前的地理位置选取特征，并基于选取特征预测应用是否清理，一方面，该方案基于应用的部分特征进行应用清理，相对于基于应用的全部特征进行应用清理，可以节省资源以及提升应用清理速度。

另一方面，由于该方案基于缓存空间量选取特征，可以将特征选取与缓存空间量相关联，可以提升应用清理的速度以及成功率，使得应用清理更加智能化，大大提升了用户体验。比如，采用本实施例方案可以在缓存空间量很小的情况下，选择性采用应用的特征来作清理预测，在保证预测准确性的前提下，节省***资源以及预测清理的成功率，大大提升了用户体验。

下面将在上述实施例描述的方法基础上，对本申请的清理方法做进一步介绍。参考图3，该应用清理方法可以包括：

301、获取应用的多个特征信息。

其中，应用的多个特征信息为应用的多维特征信息，可以在应用的使用过程中采集。

应用的多维特征具有一定长度的维度，其每个维度上的参数均对应表征应用的一种特征信息，即该多维特征息由多种特征构成。该多个特征信息可以包括应用自身相关的特征信息，例如：应用切入到后台的时长；应用切入到后台期间，电子设备的灭屏时长；应用进入前台的次数；应用处于前台的时间；应用进入后台的方式，例如被主页键(home键)切换进入、被返回键切换进入，被其他应用切换进入等；应用的类型，包括一级(常用应用)、二级(其他应用)；应用在后台停留时长直方图信息，如应用在后台停留时间直方图第一个bin(0-5分钟对应的次数占比)等。

该多个特征信息还可以包括应用所在的电子设备的相关特征信息，例如：电子设备的灭屏时间、亮屏时间、当前电量，电子设备的无线网络连接状态，电子设备是否在充电状态等。

比如，应用的多个特征信息可以包括如下30维特征，需要说明的是，如下所示的特征信息仅为举例，实际中所包含的特征信息的数量，可以多于比如下所示信息的数量，也可以少于如下所示信息的数量，所取的具体特征信息也可以与如下所示不同，此处不作具体限定。30维特征包括：

APP上一次切入后台到现在的时长；

APP上一次切入后台到现在的时长；

APP一天里(按每天统计)进入前台的次数；

APP一天里(休息日按工作日、休息日分开统计)进入前台的次数，比如若当前预测时间为工作日，则该特征使用数值为工作日统计到的平均每个工作日在前台使用次数；

APP一天中(按每天统计)处于前台的时间；

该后台APP紧跟当前前台APP后被打开次数，不分工作日休息日统计所得；

该后台APP紧跟当前前台APP后被打开次数，分工作日休息日统计；

目标APP被切换的方式，分为被home键切换、被recent键切换、被其他APP切换；

目标APP一级类型(常用应用)；

目标APP二级类型(其他应用)；

手机屏幕灭屏时间；

手机屏幕亮屏时间；

当前屏幕亮灭状态；

当前的电量；

当前wifi状态；

App上一次切入后台到现在的时长；

APP上一次在前台被使用时长；

APP上上一次在前台被使用时长；

APP上上上一次在前台被使用时长；

若一天分了6个时间段，每段4小时，当前预测时间点为早上8:30，则处于第3段，则该特征表示的是目标app每天在8:00～12:00这个时段被使用的时间长度；

当前前台APP进入后台到目标APP进入前台按每天统计的平均间隔时间；

当前前台APP进入后台到目标APP进入前台期间按每天统计的平均屏幕熄灭时间；

目标APP在后台停留时间直方图第一个bin(0-5分钟对应的次数占比)；

目标APP在后台停留时间直方图第一个bin(5-10分钟对应的次数占比)；

目标APP在后台停留时间直方图第一个bin(10-15分钟对应的次数占比)；

目标APP在后台停留时间直方图第一个bin(15-20分钟对应的次数占比)；

目标APP在后台停留时间直方图第一个bin(15-20分钟对应的次数占比)；

目标APP在后台停留时间直方图第一个bin(25-30分钟对应的次数占比)；

目标APP在后台停留时间直方图第一个bin(30分钟以后对应的次数占比)；

当前是否有在充电。

302、获取电子设备当前的缓存空间量。

其中，缓存空间量为电子设备的缓存空间度量，比如10MB等。该电子设备的缓存空间可以为电子设备剩余的缓存空间，即剩余缓存空间。

303、当缓存空间量小于预设阈值时，确定缓存空间量落入的预设空间范围。

其中，预设阈值和预设空间范围可以根据设定，如预设阈值可以为100KB、140KB等等。预设空间范围可以为(0.5MB，1.5MB)，(0.8MB，1MB)等等。

譬如，电子设备当前的缓存空间量为800KB，其落入的预设空间范围为(500KB,1000KB)。

304、获取与预设空间范围对应的特征等级范围。

为了便于特征选取，加快特征选取速度，还可以对于每个特征信息设置相应的特征等级如等级1、等级2、等级3等，这样后续在基于特征等级以及缓存空间量选取特征信息。

其中，特征信息的等级可以基于特征信息的重要性来划分，重要性越高等级越高。在一实施例中，还可以基于机器学习算法的类型来划分，比如，对于逻辑回归算法时间特征、次数特征比较重要，因此，会将时间特征、次数特征的等级设高点。又比如，对于决策树算法应用所在电子设备的特征信息如电量特征、网络特征比较重要，因此会将应用所在电子设备的特征信息的等级设置较高。

譬如，可以获取预设空间范围(500KB,1000KB)对应的特征等级范围为(等级1，等级3)。

305、根据特征等级范围以及特征信息的特征等级，从多个特征信息中选取若干候选特征信息。

比如，参考表1，当特征等级范围为等级1-等级3时，可以选取特征1、特征2、特征3、特征4、特征7、特征8作为候选特征信息。

306、根据预设机器学习算法的算法类型从候选特征信息中选取目标特征信息。

其中，机器学习算法，可以通过不断特征学习来预测某个事件的发生，比如，可以预测应用是否可清理等。该机器学习算法可以包括：决策树模型、逻辑回归模型、贝叶斯模型、神经网络模型、聚类模型等等。

其中，不同类型的机器学习算法可以选取不同的特征信息。

本申请实施例中，机器学习算法的算法类型可以根据各种情况划分，比如，可以基于学习方式可以将机器学习算法划分成：监督式学习算法、非监控式学习算法、半监督式学习算法、强化学习算法等等。

此外，在一实施例中，还可以基于根据算法的功能和形式的类似性将机器学习算法划分成：回归算法、基于实例的算法、正则化方法、决策树算法等等。

比如，参考表1，当特征等级范围为等级1-等级3时，可以选取特征1、特征2、特征3、特征4、特征7、特征8作为候选特征信息。当预设机器学习算法为决策树模型算法时，便可以从候选特征中选取特征1、特征2、特征3、特征4。当预设机器学习算法为贝叶斯模型时，便可以从候选特征中选取特征1、特征4、特征7、特征8。

307、根据选取的特征信息和预设机器学习算法确定应用是否可清理。

比如，基于选取的特征信息以及逻辑回归模型获取应用可关闭的概率；当概率大于预设概率值时，确定应用可关闭，否则不可关闭。

在一个具体的例子中，可以利用本申请实施例方法预测后台运行的多个应用是否可清理，如表2所示，则确定可以清理后台运行的应用A1和应用A3，而保持应用A2在后台运行的状态不变。

应用	预测结果
		应用A1	可清理
应用A2	不可清理
		应用A3	可清理

表2

由上可知，本申请实施例获取应用的多个特征信息以及获取电子设备当前的缓存空间量；当缓存空间量小于预设阈值时，根据缓存空间量从多个特征信息中选取若干特征信息；根据预设机器学习算法以及选取的特征信息确定应用是否可清理，以便清理可清理应用以此实现了应用的自动清理，提高了电子设备的运行流畅度，降低了功耗。

进一步地，由于特征信息包括了反映用户使用应用的行为习惯的多个特征信息；因此本申请实施例可以使得对对应应用的清理更加个性化和智能化。

进一步地，本申请实施例基于电子设备当前的地理位置选取特征，并基于选取特征预测应用是否清理，一方面，该方案基于应用的部分特征进行应用清理，相对于基于应用的全部特征进行应用清理，可以节省资源以及提升应用清理速度。

另一方面，由于该方案基于缓存空间量选取特征，可以将特征选取与缓存空间量相关联，可以提升应用清理的速度以及成功率，使得应用清理更加智能化，大大提升了用户体验。比如，采用本实施例方案可以在缓存空间量很小的情况下，选择性采用应用的特征来作清理预测，在保证预测准确性的前提下，节省***资源以及预测清理的成功率，大大提升了用户体验。

在一实施例中还提供了一种应用清理装置。请参阅图4，图4为本申请实施例提供的应用清理装置的结构示意图。其中该应用清理装置应用于电子设备，该应用清理装置包括特征获取单元401、缓存获取单元402、特征选取单元403、和预测单元404，如下：

特征获取单元401，用于获取应用的多个特征信息；

缓存获取单元402，用于获取电子设备当前的缓存空间量；

特征选取单元403，用于当所述缓存空间量小于预设阈值时，根据所述缓存空间量从所述多个特征信息中选取若干特征信息；

预测单元404，用于根据选取的特征信息和预设机器学习算法确定所述应用是否可清理。

在一实施例中，参考图5，特征选取单元403，可以包括：

等级获取子单元4031，用于获取所述缓存空间量对应的特征等级范围；

第一选取子单元4032，用于根据所述特征等级范围以及所述特征信息的特征等级，从所述多个特征信息中选取相应的特征信息。

在一实施例中，所述第一选取子单元4032，可以具体用于：

根据所述特征等级范围以及所述特征信息的特征等级，从所述多个特征信息中选取若干候选特征信息；

根据预设机器学习算法的算法类型从所述候选特征信息中选取目标特征信息。

在一实施例中，参考图6，特征选取单元403，可以包括：

复杂度获取子单元4033，用于获取预设机器学习算法的空间复杂度；

第二选取子单元4034，用于根据所述空间复杂度以及所述缓存空间量，从所述多个特征信息中选取若干特征信息。

在一实施例中，第二选取子单元4034，可以具体用于：

当所述缓存空间量大于或等于所述空间复杂度时，根据所述缓存空间量从所述多个特征信息中选取若干特征信息；

当所述缓存空间量小于所述空间复杂度时，根据所述缓存空间量和所述空间复杂度确定目标缓存空间量，所述目标缓存空间量小于所述空间复杂度；

根据所述目标缓存空间量从所述多个特征信息中选取若干特征信息。

在一实施例中，第二选取子单元4034，可以具体用于：

获取所述特征信息的平均数据量；

根据所述平均数据量以及所述目标缓存空间量确定需要选取的特征信息数量；

根据所述特征信息数量从所述多个特征信息中选取若干特征信息。

其中，应用清理装置中各单元执行的步骤可以参考上述方法实施例描述的方法步骤。该应用清理装置可以集成在电子设备中，如手机、平板电脑等。

具体实施时，以上各个单元可以作为独立的实体实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单位的具体实施可参见前面的实施例，在此不再赘述。

由上可知，本实施例应用清理装置可以由特征获取单元401获取应用的多个特征信息以及由缓存获取单元402获取电子设备当前的缓存空间量；由特征选取单元403当所述缓存空间量小于预设阈值时，根据所述缓存空间量从所述多个特征信息中选取若干特征信息；由预测单元404根据预设机器学习算法以及选取的特征信息确定所述应用是否可清理，以便清理可清理应用以此实现了应用的自动清理，提高了电子设备的运行流畅度，降低了功耗。

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。

所述处理器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。

所述存储器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***、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：

获取应用的多个特征信息；

获取电子设备当前的缓存空间量；

当所述缓存空间量小于预设阈值时，根据所述缓存空间量从所述多个特征信息中选取若干特征信息；

根据选取的特征信息和预设机器学习算法确定所述应用是否可清理。

在某些实施方式中，在根据所述缓存空间从所述多个特征信息中选取若干特征信息时，处理器501可以具体执行以下步骤：

获取所述缓存空间量对应的特征等级范围；

根据所述特征等级范围以及所述特征信息的特征等级，从所述多个特征信息中选取相应的特征信息。

在某些实施方式中，在根据所述特征等级范围以及所述特征信息的特征等级，从所述多个特征信息中选取若干特征信息时，处理器501可以具体执行以下步骤：

根据所述特征等级范围以及所述特征信息的特征等级，从所述多个特征信息中选取若干候选特征信息；

根据预设机器学习算法的算法类型从所述候选特征信息中选取目标特征信息。

在某些实施方式中，在根据所述缓存空间量从所述多个特征信息中选取若干特征信息时，处理器501可以具体执行以下步骤：

获取预设机器学习算法的空间复杂度；

根据所述空间复杂度以及所述缓存空间量，从所述多个特征信息中选取若干特征信息。

在某些实施方式中，在根据所述空间复杂度以及所述缓存空间量，从所述多个特征信息中选取若干特征信息时，处理器501可以具体执行以下步骤：

当所述缓存空间量大于或等于所述空间复杂度时，根据所述缓存空间量从所述多个特征信息中选取若干特征信息；

当所述缓存空间量小于所述空间复杂度时，根据所述缓存空间量和所述空间复杂度确定目标缓存空间量，所述目标缓存空间量小于所述空间复杂度；

根据所述目标缓存空间量从所述多个特征信息中选取若干特征信息。

在某些实施方式中，在根据所述目标缓存空间量从所述多个特征信息中选取若干特征信息时，处理器501可以具体执行以下步骤：

获取所述特征信息的平均数据量；

根据所述平均数据量以及所述目标缓存空间量确定需要选取的特征信息数量；

根据所述特征信息数量从所述多个特征信息中选取若干特征信息。

由上述可知，本申请实施例的电子设备，获取应用的多个特征信息以及获取电子设备当前的缓存空间量；当所述缓存空间量小于预设阈值时，根据所述缓存空间量从所述多个特征信息中选取若干特征信息；根据预设机器学习算法以及选取的特征信息确定所述应用是否可清理，以便清理可清理应用以此实现了应用的自动清理，提高了电子设备的运行流畅度，降低了功耗。

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。

所述显示器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 CrystalDisplay，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。

所述射频电路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。

所述音频电路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。

所述电源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***与处理器501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，所述存储介质存储有计算机程序，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上述任一实施例中的应用清理方法，比如：获取应用的多个特征信息以及获取电子设备当前的缓存空间量；当所述缓存空间量小于预设阈值时，根据所述缓存空间量从所述多个特征信息中选取若干特征信息；根据预设机器学习算法以及选取的特征信息确定所述应用是否可清理。

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清理方法而言，本领域普通测试人员可以理解实现本申请实施例的应用清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，所述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清理方法的实施例的流程。其中，所述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清理装置而言，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。所述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，所述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清理方法、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 (9)

1.一种应用清理方法，其特征在于，包括：

获取应用的多个特征信息，所述多个特征信息反映用户使用应用的行为习惯；

获取电子设备当前的缓存空间量；

当所述缓存空间量小于预设阈值时，获取所述缓存空间量对应的特征等级范围；

根据所述特征等级范围以及所述多个特征信息的特征等级，从所述多个特征信息中选取若干候选特征信息；

根据预设机器学习算法的算法类型从所述候选特征信息中选取目标特征信息；

根据所述目标特征信息和所述预设机器学习算法确定所述应用是否可清理。

2.如权利要求1所述的应用清理方法，其特征在于，根据所述缓存空间量从所述多个特征信息中选取若干特征信息，包括：

获取预设机器学习算法的空间复杂度；

根据所述空间复杂度以及所述缓存空间量，从所述多个特征信息中选取若干特征信息。

3.如权利要求2所述的应用清理方法，其特征在于，根据所述空间复杂度以及所述缓存空间量，从所述多个特征信息中选取若干特征信息，包括：

当所述缓存空间量大于或等于所述空间复杂度时，根据所述缓存空间量从所述多个特征信息中选取若干特征信息；

当所述缓存空间量小于所述空间复杂度时，根据所述缓存空间量和所述空间复杂度确定目标缓存空间量，所述目标缓存空间量小于所述空间复杂度；

根据所述目标缓存空间量从所述多个特征信息中选取若干特征信息。

4.如权利要求3所述的应用清理方法，其特征在于，根据所述目标缓存空间量从所述多个特征信息中选取若干特征信息，包括：

获取所述特征信息的平均数据量；

根据所述平均数据量以及所述目标缓存空间量确定需要选取的特征信息数量；

根据所述特征信息数量从所述多个特征信息中选取若干特征信息。

5.一种应用清理装置，其特征在于，包括：

特征获取单元，用于获取应用的多个特征信息，所述多个特征信息反映用户使用应用的行为习惯；

缓存获取单元，用于获取电子设备当前的缓存空间量；

特征选取单元，用于当所述缓存空间量小于预设阈值时，获取所述缓存空间量对应的特征等级范围，根据所述特征等级范围以及所述多个特征信息的特征等级，从所述多个特征信息中选取若干候选特征信息，根据预设机器学习算法的算法类型从所述候选特征信息中选取目标特征信息；

预测单元，用于根据所述目标特征信息和所述预设机器学习算法确定所述应用是否可清理。

6.如权利要求5所述的应用清理装置，其特征在于，所述特征选取单元，包括：

复杂度获取子单元，用于获取预设机器学习算法的空间复杂度；

第二选取子单元，用于根据所述空间复杂度以及所述缓存空间量，从所述多个特征信息中选取若干特征信息。

7.如权利要求6所述的应用清理装置，其特征在于，所述第二选取子单元，用于：

当所述缓存空间量大于或等于所述空间复杂度时，根据所述缓存空间量从所述多个特征信息中选取若干特征信息；

当所述缓存空间量小于所述空间复杂度时，根据所述缓存空间量和所述空间复杂度确定目标缓存空间量，所述目标缓存空间量小于所述空间复杂度；

根据所述目标缓存空间量从所述多个特征信息中选取若干特征信息。

8.一种存储介质，其上存储有计算机程序，其特征在于，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至4任一项所述的应用清理方法。

9.一种电子设备，包括处理器和存储器，所述存储器有计算机程序，其特征在于，所述处理器通过调用所述计算机程序，用于执行如权利要求1至4任一项所述的应用清理方法。

Images