CN109992367A - 应用处理方法和装置、电子设备、计算机可读存储介质 - Google Patents

应用处理方法和装置、电子设备、计算机可读存储介质 Download PDF

Info

Publication number
CN109992367A
CN109992367A CN201711484440.9A CN201711484440A CN109992367A CN 109992367 A CN109992367 A CN 109992367A CN 201711484440 A CN201711484440 A CN 201711484440A CN 109992367 A CN109992367 A CN 109992367A
Authority
CN
China
Prior art keywords
sample
feature
application
target
information gain
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.)
Pending
Application number
CN201711484440.9A
Other languages
English (en)
Inventor
方攀
陈岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Oppo Mobile Telecommunications Corp Ltd
Original Assignee
Guangdong Oppo Mobile Telecommunications Corp Ltd
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 Guangdong Oppo Mobile Telecommunications Corp Ltd filed Critical Guangdong Oppo Mobile Telecommunications Corp Ltd
Priority to CN201711484440.9A priority Critical patent/CN109992367A/zh
Priority to PCT/CN2018/117694 priority patent/WO2019128598A1/zh
Publication of CN109992367A publication Critical patent/CN109992367A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • 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
    • G06F9/4401—Bootstrapping
    • G06F9/4418—Suspend and resume; Hibernate and awake
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/48—Program initiating; Program switching, e.g. by interrupt
    • G06F9/4806—Task transfer initiation or dispatching
    • G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
    • G06F9/485—Task life-cycle, e.g. stopping, restarting, resuming execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • 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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
    • G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
    • 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
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Security & Cryptography (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请涉及一种应用处理方法和装置、电子设备、计算机可读存储介质。该方法包括：获取每个特征的第一特征数据，所述第一特征数据为对应特征在预测时刻下的特征数据；获取用于预测用户是否会在预设时长之内使用所述目标应用的决策树模型，所述预设时长的起始时刻为预测时刻；将所述第一特征数据作为所述决策树模型的输入，输出预测结果；当所述预测结果为不会在预设时长之内使用所述目标应用时，对所述目标应用进行冻结。上述应用处理方法和装置、电子设备、计算机可读存储介质可提高对目标应用冻结的准确性。

Description

应用处理方法和装置、电子设备、计算机可读存储介质
技术领域
本申请涉及数据处理领域，特别是涉及一种应用处理方法和装置、电子设备、计算机可读存储介质。
背景技术
随着移动通信技术的发展，移动操作***中都提供了对后台应用进行资源限制的方法。传统的操作***中，当***资源使用率过高时，会对部分的后台应用进行强制退出处理，以回收一些资源给前台应用使用。
针对是否要对相应的后台应用进行强制退出，传统方法是通过按照每个后台应用在后台长驻的时长，应用使用频率、使用时长等因素，选取后台长驻的时长较长、应用使用频率较低或使用时长较短的后台应用，对选取的后台应用进行强制退出。针对传统的方法，还是会存在相应的后台应用刚被查杀不久，短时间内用户又要使用该应用，因而***需要再次加载回收后的资源，导致回收的准确性不高。
发明内容
本申请实施例提供一种应用处理方法和装置、电子设备、计算机可读存储介质，可以提高对后台应用的资源回收的准确性。
一种应用处理方法，包括：获取每个特征的第一特征数据，所述第一特征数据为对应特征在预测时刻下的特征数据；获取用于预测用户是否会在预设时长之内使用所述目标应用的决策树模型，所述预设时长的起始时刻为预测时刻；将所述第一特征数据作为所述决策树模型的输入，输出预测结果；当所述预测结果为不会在预设时长之内使用所述目标应用时，对所述目标应用进行冻结。
一种应用处理装置，所述装置包括：特征数据获取模块，用于获取每个特征的第一特征数据，所述第一特征数据为对应特征在预测时刻下的特征数据；决策树模型获取模块，用于获取用于预测用户是否会在预设时长之内使用所述目标应用的决策树模型，所述预设时长的起始时刻为预测时刻；预测模块，用于将所述第一特征数据作为所述决策树模型的输入，输出预测结果；应用处理模块，用于当所述预测结果为不会在预设时长之内使用所述目标应用时，对所述目标应用进行冻结。
一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行本申请各个实施例中的应用处理方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请各个实施例中的应用处理方法的步骤。
本申请实施例提供的应用处理方法和装置、电子设备、计算机可读存储介质，通过预先设置了目标应用的决策树模型，并获取每个特征的第一特征数据以及该目标应用的决策树模型，将该第一特征数据作为决策树模型的输入，以得到决策树模型所输出的用户是否会在预设时长之内使用该目标应用的预测结果，当该预测结果为不会在预设时长之内使用目标应用时，对目标应用进行冻结，以限制目标应用对资源的占用，提高了对目标应用进行冻结的精准性，进而也提高了对***资源释放的有效性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术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，对于本领域普通技术人员来讲，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为一个实施例中电子设备的内部结构示意图；
图2为一个实施例中电子设备中的***的部分框架示意图；
图3为一个实施例中应用处理方法的应用环境图；
图4为一个实施例中应用处理方法的流程图；
图5为一个实施例中根据特征对于样本集分类的信息增益率对样本集进行样本分类，生成用于预测用户是否会在预设时长之内使用目标应用的决策树模型的流程图；
图6A为一个实施例中决策树的示意图；
图6B为另一个实施例中一种决策树的示意图；
图6C为又一个实施例中决策树的示意图；
图7为一个实施例中获取特征对于目标样本集分类的信息增益率的流程图；
图8为另一个实施例中应用处理方法的流程图；
图9为一个实施例中应用处理装置的结构框图；
图10为另一个实施例中应用处理装置的结构框图；
图11为又一个实施例中应用处理装置的结构框图；
图12为一个实施例中手机的部分结构的框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
可以理解，本发明所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本发明的范围的情况下，可以将第一特征数据称为第二特征数据，且类似地，可将第二特征数据称为第一特征数据。第一特征数据和第二特征数据两者都是特征数据，但其不是同一特征数据。
在一个实施例中，如图1所示，提供了一种电子设备的内部结构示意图。该电子设备包括通过***总线连接的处理器、存储器和显示屏。其中，该处理器用于提供计算和控制能力，支撑整个电子设备的运行。存储器用于存储数据、程序、和/或指令代码等，存储器上存储至少一个计算机程序，该计算机程序可被处理器执行，以实现本申请实施例中提供的适用于电子设备的应用处理方法。存储器可包括磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)等非易失性存储介质，或随机存储记忆体(Random-Access-Memory，RAM)等。例如，在一个实施例中，存储器包括非易失性存储介质及内存储器。非易失性存储介质存储有操作***、数据库和计算机程序。该数据库中存储有用于实现以上各个实施例所提供的一种应用处理方法相关的数据，比如可存储有每个进程或应用的名称等信息。该计算机程序可被处理器所执行，以用于实现本申请各个实施例所提供的一种应用处理方法。内存储器为非易失性存储介质中的操作***、数据库和计算机程序提供高速缓存的运行环境。显示屏可以是触摸屏，比如为电容屏或电子屏，用于显示第一进程对应的应用的界面信息，还可以被用于检测作用于该显示屏的触摸操作，生成相应的指令，比如进行前后台应用的切换指令等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。如该电子设备还包括通过***总线连接的网络接口，网络接口可以是以太网卡或无线网卡等，用于与外部的电子设备进行通信，比如可用于同服务器进行通信。再比如该电子设备上并不存在通过***总线连接的显示器，或者可连接外部显示设备。
在一个实施例中，如图2所示，提供了一种电子设备的部分架构图。其中，该电子设备的架构***中包括JAVA空间层210、本地框架层220以及内核(Kernel) 空间层230。JAVA空间层210上可包含冻结管理应用212，电子设备可通过该冻结管理应用212来实现对各个应用的冻结策略，对后台耗电的相关应用做冻结和解冻等管理操作。本地框架层220中包含资源优先级和限制管理模块222和平台冻结管理模块224。电子设备可通过资源优先级和限制管理模块222实时维护不同的应用处于不同优先级和不同资源的组织中，并根据上层的需求来调整应用程序的资源组别从而达到优化性能，节省功耗的作用。电子设备可通过平台冻结管理模块224将后台可以冻结的任务按照进入冻结时间的长短，分配到对应预设的不同层次的冻结层，可选地，该冻结层可包括三个，分别是：CPU限制睡眠模式、 CPU冻结睡眠模式、进程深度冻结模式。其中，CPU限制睡眠模式是指对相关进程所占用的CPU资源进行限制，使相关进程占用较少的CPU资源，将空余的CPU 资源向其它未被冻结的进程倾斜，限制了对CPU资源的占用，也相应限制了进程对网络资源以及I/O接口资源的占用；CPU冻结睡眠模式是指禁止相关进程使用CPU，而保留对内存的占用，当禁止使用CPU资源时，相应的网络资源以及I/O 接口资源也被禁止使用；进程深度冻结模式是指除禁止使用CPU资源之外，进一步对相关进程所占用的内存资源进行回收，回收的内存可供其它进程使用。内核空间层230中包括UID管理模块231、Cgroup模块232、Binder管控模块233、进程内存回收模块234以及冻结超时退出模块235。其中，UID管理模块231用于实现基于应用的用户身份标识(User Identifier，UID)来管理第三方应用的资源或进行冻结。相比较于基于进程身份标识(Process Identifier，PID)来进行进程管控，通过UID更便于统一管理一个用户的应用的资源。Cgroup模块232用于提供一套完善的中央处理器(Central Processing Unit，CPU)、CPUSET、内存(memory)、输入 /输出(input/output，I/O)和Net相关的资源限制机制。Binder管控模块233用于实现后台binder通信的优先级的控制。其中，本地框架层220的接口模块包含开发给上层的binder接口，上层的框架或者应用通过提供的binder接口来发送资源限制或者冻结的指令给资源优先级和限制管理模块222和平台冻结管理模块224。进程内存回收模块234用于实现进程深度冻结模式，这样能当某个第三方应用长期处于冻结状态的时候，会主要释放掉进程的文件区，从而达到节省内存的模块，也加快该应用在下次启动时的速度。冻结超时退出模块235用于解决出现冻结超时场景产生的异常。通过上述的架构，可实现本申请各个实施例中的应用处理方法。
在一个实施例中，如图3所示，为一个实施例中应用处理方法的应用场景示意图，电子设备可采集不同时间段下，用于体现用户行为习惯的预设特征的特征数据作为样本，形成样本集，根据特征对于样本分类的信息增益率对样本集进行样本分类，以构建出预测是否会在预设时长之内使用目标应用的决策树模型；然后将预测时刻下的预设特征的特征数据作为该决策树模型的输入，得到预测结果。当预测结果为当预测结果为不会在预设时长之内使用目标应用时，对目标应用进行冻结，否则，不冻结目标应用。
在一个实施例中，如图4所示，提供了一种应用处理方法，本实施例以该方法应用于如图1所示的电子设备为例进行说明。该方法包括：
步骤402，获取每个特征的第一特征数据，第一特征数据为对应特征在预测时刻下的特征数据。
特征数据为用于体现用户对电子设备的应用的操作习惯的特征的数据。该特征可为电子设备的设备软硬件特征、设备使用状态、用户对应用操作时间时长等其中一种或多种维度。电子设备可在***的预设路径下埋点，按照预设的采样频率实时检测每个特征的特征数据。或者可在检测到启动了某一应用时，记录在该应用在启动时刻下，相关特征的特征数据以及该应用的应用标识，将该应用标识与记录的特征数据进行关联。
可选地，该特征包括在记录对应数据时的当前时间段、当前日期类别、上一个前景应用的应用标识、上上一个前景应用的应用标识、当前无线保真 WiFi(WIrelessFidelity)连接状态、连接的WiFi的WiFi标识、应用在后台停留的时长、应用在后台停留期间灭屏的时长、当前耳机的插拔状态、当前充电状态、当前电池电量、应用被切换的方式、应用的类别、应用切换到前台的次数等其中一种或多种特征。其中，日期类别可包括工作日和休息日，WiFi连接状态包括未连接WiFi和已连接WiFi，WiFi标识可为服务集标识SSID(Service Set Identifier)或基本服务集标识BSSID(Basic Service Set Identifier)等其中任意种可唯一标识WiFi的信息；应用的类别包括社交应用、支付应用、游戏应用、工具类应用等类别，应用的分类方式可包括多种，并不局限于此。应用切换表示应用从前台切换到后台或者从后台切换到前台，切换方式可包括直接根据应用的启动图标打开应用而形成的应用切换、点击应用的通知消息而形成的应用切换、直接退出应用而形成的应用切换等。上一个前景应用表示在记录该特征的时刻，在上一次处于前台运行的应用，上上一个应用表示在记录该特征的时刻，上上一次处于前台运行的应用。
第一特征数据是指在预测时刻下，对应特征的特征数据，当该特征涉及到应用时，则为目标应用、比如，第一特征数据可包括在预测时刻下的当前时间段、当前日期类别、上一个前景应用名字、上上一个前景应用名字、当前WiFi连接状态、连接的WiFi的WiFi标识、目标应用在后台停留的时长、目标应用在后台停留期间灭屏的时长、当前耳机的插拔状态、当前充电状态、当前电池电量、目标应用被切换的方式、目标应用的类别、目标应用切换到前台的次数等其中一种或多种特征。其中，预测时刻可为当前时刻。
在一个实施例中，电子设备可通过冻结管理应用212来来发起针对处于后台运行的一个或多个应用的冻结指令，该冻结指令可并根据该指令开始执行获取每个特征的第一特征数据。其中，可在检测到电子设备的可用资源低于预设阈值时，触发该应用冻结指令，或者可在检测到某一应用被切换到后台时，对该应用发起冻结指令。冻结指令所针对的应用即为目标应用。
步骤404，获取用于预测用户是否会在预设时长之内使用目标应用的决策树模型；预设时长的起始时刻为预测时刻。
决策树模型为用于预测目标应用是否会在预设时长之内是否会被使用到的模型。预设时长的起始时刻为预测时刻，即预测目标应用是否会在从当前时刻起，在预设时长之内是否会被使用。预设时长可为任意合适的时长，可根据经验值而设置，比如可为1分钟、5分钟、10分钟或30分钟等。目标应用即为待遇测的应用，其中，该目标应用可为电子设备中，当前处于后台运行的一个或多个应用。
在一个实施例中，电子设备预设了与目标应用对应的决策树模型，并获取与目标应用对应的决策树模型，以预测该目标应用是否会在预设时长之内被用户使用到。针对不同的应用，可对应设置不同的决策树模型，比如，则可针对每个应用设置一个对应的决策树模型，或者针对每个类型的应用，设置对应的决策树模型。
步骤406，将第一特征数据作为决策树模型的输入，输出预测结果。
电子设备可将采集到的各个特征在在预测时刻下的第一特征数据作为该决策树模型的数据，并运行该决策树模型，以得到决策树的输出结果。该数据结果即为预测结果。其中，预测结果包括目标应用不会在预设时长之内被使用到或者会在预设时长之内使用到。
步骤408，当预测结果为不会在预设时长之内使用目标应用时，对目标应用进行冻结。
当测到预测结果为不会在预设时长之内使用到时，可对目标应用进行冻结。可选地，电子设备可将预测结果发送至如图2中所示的平台冻结管理模块224，平台冻结管理模块224接收到不会在预设时长之内使用目标应用的预测结果时，可对该目标应用发起冻结操作，以对目标应用可使用的资源进行限制，比如可采取 CPU限制睡眠模式、CPU冻结睡眠模式或进程深度冻结模式等其中的任意一种模式对目标应用进行冻结。
上述的应用处理方法，通过预先设置了目标应用的决策树模型，并获取每个特征的第一特征数据以及该目标应用的决策树模型，将该第一特征数据作为决策树模型的输入，以得到决策树模型所输出的用户是否会在预设时长之内使用该目标应用的预测结果，当该预测结果为不会在预设时长之内使用目标应用时，对目标应用进行冻结，以限制目标应用对资源的占用。由于对应用冻结时也需要消耗一定的***资源，通过进行预测是否会在预设时长之内使用目标应用，在不使用时则进行冻结，从而降低在对目标应用进行冻结以后，用户又会在预设时长之内使用到该应用，而需要对该应用进行解冻，而造成多余的冻结操作，提高了对目标应用进行冻结的精准性，进而也提高了对***资源释放的有效性。
在一个实施例中，在步骤402之前，还包括：获取预设的每个特征的第二特征数据作为样本，生成样本集，第二特征数据为在预测时刻之前，启动了参考应用时的对应特征的特征数据，参考应用包括目标应用；当样本集的数据量超过预设阈值时，根据特征对于样本集分类的信息增益率对样本集进行样本分类，生成用于预测用户是否会在预设时长之内使用目标应用的决策树模型。
其中，第二特征数据为在预测时刻之前而记录的每个特征的特征数据，该第二特征数据与对应参考应用的应用标识具有关联关系，即在该预测时刻之前，在检测到参考应用被启动时，则记录在启动时刻下，每个特征的特征数据(即第二特征数据)，并将该第二特征数据与该参考应用的应用标识建立关联关系。
电子设备可通过历史时间段，按照预设频率采集每个特征的第二特征数据，将每次记录到的第二特征作为样本，从而形成样本集。当积累的样本集的数据量超过预设阈值时，则开始根据所积累的样本集来构建各个需要预测的应用的决策树模型。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。可以理解的是，一次采集的多维特征数据构成一个样本，多次采集的多个样本构成样本集。
在构成样本集之后，可以对样本集中的每个样本进行标记，标记样本的应用标识，得到每个样本的样本标签。对每个样本的标记即为对应关联的应用标识。由于针对的是目标应用，因而该样本标签可分类属于目标应用和非目标应用，也即样本类别包括“目标应用”和“非目标应用”。即将在该目标应用被启动时，所记录到的特征的第二特征数据的样本标签设置为“目标应用”，针对非目标应用被启动时，所记录到的特征的第二特征数据的样本标签设置为“非目标应用”。可选地，可以用数值“1”表示“目标应用”，用数值“0”表示“非目标应用”，反之亦可。
预设阈值可为预设的任意合适的数值，比如可为10000，即当记录到的样本数量超过10000时，则开始构建决策树模型。可选地，样本数量越大，则构建的决策树模型相对越准确。
在一种实施例中，为便于样本分类，可以将特征数据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，针对当前WiFi连接状态这一特征，可用数值1表示已连接WiFi，用数值0表示未连接WiFi(反之亦可)。
本申请实施例可以基于特征对于样本集分类的信息增益率对样本集进行样本分类，以构建预测用户是否会在预设时长之内使用目标应用的决策树模型。比如，可以基于C4.5算法来构建决策树模型。
其中，决策树是一种依托决策而建立起来的一种树。在机器学习中，决策树是一种预测模型，代表的是一种对象属性与对象值之间的一种映射关系，每一个节点代表某个对象，树中的每一个分叉路径代表某个可能的属性值，而每一个叶子节点则对应从根节点到该叶子节点所经历的路径所表示的对象的值。决策树仅有单一输出，如果有多个输出，可以分别建立独立的决策树以处理不同的输出。
其中，C4.5算法是决策树的一种，它是一系列用在机器学习和数据挖掘的分类问题中的算法，是由ID3改进后的一种重要算法。它的目标是监督学习：给定一个数据集，其中的每一个元组都能用一组属性值来描述，每一个元组属于一个互斥的类别中的某一类。C4.5的目标是通过学习，找到一个从属性值到类别的映射关系，并且这个映射能用于对新的类别未知的实体进行分类。
ID3(Iterative Dichotomiser 3，迭代二叉树3代)是基于奥卡姆剃刀原理的，即用尽量用较少的东西做更多的事。在信息论中，期望信息越小，那么信息增益就越大，从而纯度就越高。ID3算法的核心思想就是以信息增益来度量属性的选择，选择***后信息增益最大的属性进行***。该算法采用自顶向下的贪婪搜索遍历可能的决策空间。
本申请实施例中，信息增益率可以定义为：特征对于样本分类的信息增益、与特征对于样本分类的***信息之比。具体地的信息增益率获取方式参考下面的描述。
信息增益是针对一个一个特征而言的，就是看一个特征t，***有它和没有它时的信息量各是多少，两者的差值就是这个特征给***带来的信息量，即信息增益。
***信息用来衡量特征***数据(如样本集)的广度和均匀程度，该***信息可以为特征的熵。
在一个实施例中，如图5所示，根据特征对于样本集分类的信息增益率对样本集进行样本分类，生成用于预测用户是否会在预设时长之内使用目标应用的决策树模型，包括：
步骤501，将样本集作为决策树的根节点的节点信息；将根节点的节点信息确定为当前待分类的目标样本集。
即在开始构建的情况下，将该样本集作为当前待分类的目标样本集。样本集的分类包括“目标应用”和“非目标应用”。
步骤502，获取特征对于目标样本集分类的信息增益率。
步骤503，根据信息增益率从目标样本集中选取样本作为划分特征。
划分特征为根据各特征对于样本集分类的信息增益率从特征中选取的特征，用于对样本集分类。其中，根据信息增益率选取划分特征的方式有多种，比如为了提升样本分类的精确性，可以选取最大信息增益率对应的特征为划分特征。
在一个实施例中，为了提升决策树模型的决策准确性，还可以设置一个增益率阈值；当最大的信息增益率大于该阈值时，才选取该信息增益率对应的特征为划分特征。可从信息增益率中选取最大的目标信息增益率；判断目标信息增益率是否大于预设阈值；若是，则选取目标信息增益率对应的特征作为当前的划分特征。
当目标信息增益率不大于预设阈值时，可以将当前节点作为叶子节点，并选取样本数量最多的样本分类作为该叶子节点的输出。其中，样本类别包括“目标应用”和“非目标应用”，当输出的为“目标应用”时，即表示会在预设时长之内使用到目标应用，当输出为“非目标应用”时，即表示不会在预设时长之内使用到目标应用。其中，预设阈值可以根据实际需求设定，如0.9、0.8等等。例如，当特征1对于样本分类的信息增益率0.9为最大信息增益时，预设增益率阈值为0.8 时，由于最大信息增益率大于预设阈值，此时，可以将特征1作为划分特征。又例如，当预设阈值为1时，那么最大信息增益率小于预设阈值，此时，可以将当前节点作为叶子节点。
步骤504，根据划分特征对目标样本集进行划分，生成至少一个子样本集。
根据划分特征对样本进行分类划分的方式有多种，比如，可以基于划分特征的特征值来对样本集进行划分。可获取目标样本集中划分特征的特征值；根据特征值对目标样本集进行划分。比如，可以将样本集中划分特征值相同的样本划分到同一子样本集中。譬如，划分特征的特征值包括：0、1、2，那么此时，可以划分特征的特征值为0的样本归为一类、将特征值为1的样本归为一类、将特征值为2的样本归为一类。
步骤505，去除每个子样本集中样本的划分特征；生成当前节点的子节点，并将去除划分特征后的子样本集作为子节点的节点信息。
步骤506，判断子节点是否满足预设分类终止条件；所致，则执行步骤507，否则，将目标样本集更新为去除划分特征后的子样本集，并返回执行步骤502。
步骤507，将子节点作为叶子节点，根据去除划分特征后的子样本集的类别设置叶子节点的输出。
当子节点满足预设分类终止条件时，可以将子节点作为叶子节点，即停止对该子节点的样本集分类，并且可以基于去除后子样本集中样本的类别设置该叶子节点的输出。基于样本的类别设置叶子节点的输出的方式有多种。比如，可以去除后样本集中样本数量最多的类别作为该叶子节点的输出。
其中，预设分类终止条件可以根据实际需求设定，当子节点满足预设分类终止条件时，将当前子节点作为叶子节点，停止对子节点对应的样本集进行分词分类；当子节点不满足预设分类终止条件时，继续对子节点对应的额样本集进行分类。比如，预设分类终止条件可以包括：子节点的去除后子样本集合中样本的类别数量是否为预设数量，若是，则确定子节点满足预设分类终止条件。
通过上述方法，可构建出目标应用的决策树模型，使得根据该决策树模型预测是否会在预设时长之内使用该目标应用。
举例来说，对于样本集D{样本1、样本2……样本i……样本n}，其中样本包括若干特征A。
首先，对样本集中所有样本进行初始化，然后，生成一个根节点d，并将样本集D作为该根节点d的节点信息，如参考图6A。
计算各特征如特征A对于样本集分类的信息增益率gR(D,A)1、gR(D,A)2…… gR(D,A)m；选取最大的信息增益率gR(D,A)max。
当最大的信息增益率gR(D,A)max小于预设阈值ε时，当前的节点作为叶子节点，并选取样本数量最多的样本类别作为叶子节点的输出。
当最大的信息增益率gR(D,A)max大于预设阈值ε时，可以选取信息增益 gR(D,A)max对应的特征作为划分特征Ag，根据特征Ag对样本集D{样本1、样本 2……样本i……样本n}进行划分，具体地，对Ag的每一个取值ai，依照Ag＝ai将D 划分为若干个非空集合Di，作为当前节点的子节点。如将样本集划分成两个子样本集D1{样本1、样本2……样本k}和D2{样本k+1……样本n}。
将子样本集D1和D2中划分特征Ag去除即A-Ag。参考图6A生成根节点d的子节点d1和d2，并将子样本集D1作为子节点d1的节点信息、将子样本集D2作为子节点 d2的节点信息。
接着，对于每个子节点，对于每个子节点，以A-Ag作为特征，子节点的Di作为数据集，递归调用上述步，构建子树，直到满足预设分类终止条件为止。
以子节点d1为例，判断子节点是否满足预设分类终止条件，若是，则将当前的子节点d1作为叶子节点，并根据子节点d1对应的子样本集中样本的类别设置该叶子节点输出。
当子节点不满足预设分类终止条件时，采用上述基于信息增益分类的方式，继续对子节点对应的子样本集进行分类，如以子节点d2为例可以计算A2样本集中各特征相对于样本分类的信息增益率gR(D,A)，选取最大的信息增益率 gR(D,A)max，当最大的信息增益率gR(D,A)max大于预设阈值ε时，可以选取该信息增益率gR(D,A)对应的特征为划分特征Ag(如特征Ai+1)，基于划分特征Ag将D2划分成若干子样本集，如可以将D2划分成子样本集D21、D22、D23，然后，将子样本集D21、D22、D23中的划分特征Ag去除，并生成当前节点d2的子节点d21、d22、d23，将去除划分特征Ag后的样本集D21、D22、D23分别作为子节点d21、d22、d23的节点信息。
依次类推，利用上述的基于信息增益率分类的方式可以构成出如图6B所示的决策树，该决策树的叶子节点的输出包括在预设时长之内会使用到目标应用或者在预设时长之内不会使用到目标应用。其中，输出结果“是”和“否”可对应表示“目标应用”和“非目标应用”，即表示“会在预设时长之内使用目标应用”和“不会在预设时长之内使用目标应用”。
在一种实施例中，为了提升利用决策树进行预测的速度和效率，还可以在节点之间的路径上标记相应的划分特征的特征值。比如，在上述基于信息增益分类的过程中，可以在当前节点与其子节点路径上标记相应划分特征的特征值。
例如，划分特征Ag的特征值包括：0、1时，可以在d2与d之间的路径上标记 1，在d1与d之间的路径上标记0，依次类推，在每次划分后，便可以在当前节点与其子节点的路径上标记相应的划分特征值如0或1，便可以得到如图6C所示的决策树。同样地，输出结果“是”和“否”可对应表示“目标应用”和“非目标应用”，即表示“会在预设时长之内使用目标应用”和“不会在预设时长之内使用目标应用”。
在一个实施例中，如图7所示，获取特征对于目标样本集分类的信息增益率包括：
步骤702，获取特征对于目标样本集分类的信息增益。
信息增益表示某个特征的类(“目标应用”或“非目标应用”)的信息的不确定性减少程度。
步骤704，获取特征对于目标样本集分类的***信息。
***信息用来衡量特征***数据(如样本集)的广度和均匀程度，该***信息可以为特征的熵。
步骤706，根据信息增益与***信息获取特征对于目标样本集分类的信息增益率。
信息增益率可为特征对于样本集分类的信息增益、与特征对于样本分类的***信息之比。可根据获取的信息增益与对应的***信息相除，得到信息增益率。
特征对于目标样本集分类的信息增益还为经验熵与条件熵之间的差值。可获取目标样本分类的经验熵；获取特征对于目标样本集分类结果的条件熵；根据条件熵和经验熵，获取特征对于目标样本集分类的信息增益。其中，可以获取正样本在样本集中出现的第一概率、以及负样本在样本集中出现的第二概率，正样本为样本类别为“目标应用”的样本，负样本为样本类别为“非目标应用”的样本；根据第一概率和第二概率获取样本的经验熵。
在一个实施例中，例如，对于样本集D{样本1、样本2……样本i……样本n}，样本包括多维特征，如特征A。特征A对于样本分类的信息增益率可以通过以下公式得到：
其中，gR(D,A)为特征A对于样本集D分类的信息增益率，g(D,A)为特征A对于样本分类的信息增益，HA(D)为特征A的***信息，即特征A的熵。
其中，gR(D,A)可以通过以下公式得到：
H(D)为样本集D分类的经验熵，H(D|A)为特征A对于样本集D分类的条件熵。
如果样本类别为“目标应用”的样本数量为j，“非目标应用”的样本数量为 n-j；此时，正样本在样本集D中的出现概率p1＝j/n，负样本在样本集D中的出现概率p2＝n-j/n。然后，基于以下经验熵的计算公式，计算出样本分类的经验熵H(D)：
在决策树分类问题中，信息增益就是决策树在进行属性选择划分前和划分后信息的差值。本实施中，样本分类的经验熵H(D)为：
H(D)＝p1 log p1+p2 log p2
在一种实施例中，可以根据特征A将样本集划分成若干子样本集，然后，获取各子样本集分类的信息熵，以及该特征A的各特征值在样本集中出现的概率，根据该信息熵以及该概率便可以得到划分后的信息熵，即该特征Ai对于样本集分类结果的条件熵。
例如，对于样本特征A，该样本特征A对于样本集D分类结果的条件熵可以通过以下公式计算得到：
其中，n为特征A的取值种数，即特征值类型数量。此时，pi为A特征值为第 i种取值的样本在样本集D中出现的概率，Ai为A的第i种取值。(D|A＝Ai)为子样本集Di分类的经验熵，该子样本集Di中样本的A特征值均为第i种取值。
例如，以特征A的取值种数为3，即A1、A2、A3为例，此时，可以特征A将样本集D{样本1、样本2……样本i……样本n}划分成三个子样本集,特征值为A1的 D1{样本1、样本2……样本d}、特征值为A2的D2{样本d+1……样本e}、特征值为 A3的D3{样本e+1……样本n}。d、e均为正整数，且小于n。
此时，特征A对于样本集D分类结果的条件熵为：
H(D|A)＝p1H(D|A＝A1)+p2H(D|A＝A2)+p3H(D|A＝A3)
其中，p1＝D1/D，p2＝D2/D，p2＝D3/D；
H(D|A1)为子样本集D1分类的信息熵，即经验熵，可以通过上述经验熵的计算公式计算得到。
在得到样本分类的经验熵H(D)，以及特征A对于样本集D分类结果的条件熵 H(D|A)后，便可以计算出特征A对于样本集D分类的信息增益，如通过以下公式计算得到：
也即特征A对于样本集D分类的信息增益为：经验熵H(D)与特征A对于样本集D分类结果的条件熵H(D|A)的差值。
其中，特征对于样本集分类的***信息为特征的熵。可以基于特征的取值在目样本集中的样本分布概率得到。比如，HA(D)可以通过如下公式得到：
为特征A的取值类别，或种数。
其中，Di为样本集D特征A为第i种的样本集。
在一个实施例中，在对目标应用进行冻结之前，还包括检测目标应用是否属于白名单应用，若是，则对目标应用免冻结；否则，执行对目标应用进行冻结。
其中，检测目标应用是否属于白名单应用可在对目标应用冻结之前的任意过程中执行。电子设备中预设了免冻结的应用的白名单，白名单中的应用可为用户自定义设置，或者可为***默认设置。该白名单中记录了可以免冻结的应用的应用信息，比如可记录应用的应用标识。当目标应用处于该免冻结名单时，则不对目标应用进行冻结，若不在白名单中，且预测结果为不会在预设时长之内使用目标应用时，才对目标应用进行冻结。通过进一步设置白名单，进一步提高了对应用冻结的准确性。
在一个实施例中，如图8所示，提供了另一种应用处理方法，该方法包括：
步骤801，获取预设的每个特征的第二特征数据作为样本，生成样本集。
获取的特征可包括多种，如下表1所示，为电子设备所获取的14个维度的特征。实际中，一个样本所包含的特征信息的数量，可以多于比表1所示信息的数量，也可以少于表1所示信息的数量，所取的具体特征信息也可以与表1所示不同，此处不作具体限定。
表1
电子设备可预先在最近时间段内，按照预设频率采集上述的多个特征的特征信息，作为样本。一次采集的多维特征数据构成一个样本，多次采集的多个样本构成样本集。其中，可在***的预设路径下埋点，在检测到启动了某一应用时，记录在该应用在启动时刻下，相关特征的特征数据以及该应用的应用标识，将该应用标识与记录的特征数据进行关联。
在构成样本集之后，可以对样本集中的每个样本进行标记，得到每个样本的样本标签，该样本标签可为对应应用的应用标识，或对应应用所属的应用类别。相对于待检测的目标应用，该样本标签可分为“目标应用”或“非目标应用”，或者可为分为“与目标应用的应用类型相同”，或者“与目标应用的应用类型不同”。
步骤802，当样本集的数据量超过预设阈值时，将样本集作为决策树的根节点的节点信息；将根节点的节点信息确定为当前待分类的目标样本集。
也即确定根节点的样本集作为当前待分类的目标样本集。比如，参考图6A，对于样本集D{样本1、样本2……样本i……样本n}，可以先生成决策树的根节点 d，并将样本集D作为该根节点d的节点信息。
步骤803，获取特征对于目标样本集分类的信息增益率，从信息增益率中确定最大的信息增益率。
在一个实施例中，可首先通过公式H(D,A)＝p1H(D|A＝A1)+ p2H(D|A＝A2)+p3H(D|A＝A3)计算出特征A对于样本集D分类结果的条件熵H(D|A)，再通过计算出特征A对于样本集D分类的信息增益g(D,A)，然后按照过计算特征对于目标样本集分类的信息增益率gR(D,A)。
步骤804，检测最大的信息增益率是否大于预设阈值，若是，则执行步骤805，否则，执行步骤806。
例如，可以判断最大的信息增益gR(D,A)max是否大于预设的阈值ε，该阈值ε可以根据实际需求设定。
步骤805，选取最大的信息增益率对应的样本作为划分特征，根据划分特征对目标样本集进行划分，生成至少一个子样本集。
步骤806，将当前节点作为叶子节点，并选取样本数量最多的样本分类作为叶子节点的输出。
比如，当最大的信息增益gR(D,A)max对应的特征为特征Ag时，可以选取特征 Ag为划分特征。
具体地，可以根据划分特征的特征值种数将样本集划分成若干子样本集，子样本集的数量与特征值种数相同。例如，可以将样本集中划分特征值相同的样本划分到同一子样本集中。譬如，划分特征的特征值包括：0、1、2，那么此时，可以划分特征的特征值为0的样本归为一类、将特征值为1的样本归为一类、将特征值为2的样本归为一类。
比如，划分特征i的取值有两种时，可以将样本集D划分成D1{样本1、样本 2……样本k}和D2{样本k+1……样本n}。然后，可以将子样本集D1和D2中的划分特征Ag去除，即A-Ag。
步骤807，去除每个子样本集中样本的划分特征，生成当前节点的子节点，并将去除划分特征后的子样本集作为子节点的节点信息。
其中，一个子样本集对应一个子节点。例如，考图6A生成根节点d的子节点 d1和d2，并将子样本集D1作为子节点d1的节点信息、将子样本集D2作为子节点d2的节点信息。
在一种实施例中，还可以将子节点对应的划分特征值设置子节点与当前节点的路径上，便于后续进行是否会使用到应用的预测，参考图6C。
步骤808，判断子节点对应的去除划分特征后的子样本集中样本的类别数量是否为预设数量，若是，则执行步骤809，否则，将目标样本集更新为去除划分特征后的子样本集，并返回执行步骤803。
当子节点不满足预设分类终止条件时，采用上述基于信息增益分类的方式，继续对子节点对应的子样本集进行分类，如以子节点d2为例可以计算A2样本集中各特征相对于样本分类的信息增益率gR(D,A)，选取最大的信息增益率 gR(D,A)max，当最大的信息增益率gR(D,A)max大于预设阈值ε时，可以选取该信息增益率gR(D,A)对应的特征为划分特征Ag(如特征Ai+1)，基于划分特征Ag将D2划分成若干子样本集，如可以将D2划分成子样本集D21、D22、D23，然后，将子样本集D21、D22、D23中的划分特征Ag去除，并生成当前节点d2的子节点d21、d22、d23，将去除划分特征Ag后的样本集D21、D22、D23分别作为子节点d21、d22、d23的节点信息。
如果子节点满足该预设分类终止条件，那么，将子样本集中样本的类别作为该叶子节点的输出。如去除后子样本集中只有类别为“目标应用”的样本时，那么，可以将“目标应用”作为该叶子节点的输出。
步骤809，将子节点作为叶子节点，根据去除划分特征后的子样本集的类别设置叶子节点的输出。
例如，在子节点d1的子样本集D1分类时，如果最大信息增益小与预设阈值，此时，可以将子样本集D1中样本数量最多的样本类别作为该叶子节点的输出。如“目标应用”的样本数量最多，那么可以将“目标应用”作为叶子节点d1的输出。
步骤810，获取每个特征的第一特征数据，第一特征数据为对应特征在预测时刻下的特征数据。
在构建完决策树模型后，获取需要预测是否会使用目标应用的时刻，采集在该预测时刻下的特征的特征数据。
步骤811，获取用于预测用户是否会在预设时长之内使用目标应用的决策树模型，预设时长的起始时刻为预测时刻。
步骤812，将第一特征数据作为决策树模型的输入，输出预测结果，当预测结果为不会在预设时长之内使用目标应用时，执行步骤813，否则，执行步骤815。
电子设备可获取预先构建好的决策树模型，将该第一特征数据作为该模型的输入，得到相应的输出结果。
步骤813，检测目标应用是否属于白名单应用，若是，则执行步骤814，否则，执行步骤815。
步骤814，对目标应用免冻结。
步骤815，对目标应用进行冻结。
当预测结果为不会在预设时长之内使用目标应用，且目标应用不在白名单中时，可通过平台冻结管理模块224可对该目标应用发起冻结操作，以对目标应用可使用的资源进行限制，比如可采取CPU限制睡眠模式、CPU冻结睡眠模式或进程深度冻结模式等其中的任意一种模式对目标应用进行冻结。
上述的应用处理方法，通过构建用于预测是否会在预设时长之内目标应用的决策树模型，并获取每个特征的第一特征数据以及该目标应用的决策树模型，将该第一特征数据作为决策树模型的输入，以得到决策树模型所输出的用户是否会在预设时长之内使用该目标应用的预测结果，当该预测结果为不会在预设时长之内使用目标应用时，对目标应用进行冻结，以限制目标应用对资源的占用。由于对应用冻结时也需要消耗一定的***资源，通过进行预测是否会在预设时长之内使用目标应用，在不使用时则进行冻结，从而降低在对目标应用进行冻结以后，用户又会在预设时长之内使用到该应用，而需要对该应用进行解冻，而造成多余的冻结操作，提高了对目标应用进行冻结的精准性，进而也提高了对***资源释放的有效性。
应该理解的是，虽然图4、图5、图7和图8的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图4、图5、图7和图8中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图9所示，提供了一种应用处理装置，该装置包括特征数据获取模块902、决策树模型获取模块904、预测模块906以及应用处理模块908。其中，特征数据获取模块902用于获取每个特征的第一特征数据，第一特征数据为对应特征在预测时刻下的特征数据；决策树模型获取模块904用于获取用于预测用户是否会在预设时长之内使用目标应用的决策树模型，预设时长的起始时刻为预测时刻；预测模块906用于将第一特征数据作为决策树模型的输入，输出预测结果；应用处理模块908用于当预测结果为不会在预设时长之内使用目标应用时，对目标应用进行冻结。
在一个实施例中，如图10所示提供了另一种应用处理装置，该装置还包括：
决策树构建模块910，用于获取预设的每个特征的第二特征数据作为样本，生成样本集，第二特征数据为在预测时刻之前，启动了参考应用时的对应特征的特征数据，参考应用包括目标应用；当样本集的数据量超过预设阈值时，根据特征对于样本集分类的信息增益率对样本集进行样本分类，生成用于预测用户是否会在预设时长之内使用目标应用的决策树模型。
在一个实施例中，决策树构建模块910还用于将样本集作为决策树的根节点的节点信息；将根节点的节点信息确定为当前待分类的目标样本集；获取特征对于目标样本集分类的信息增益率；根据信息增益率从目标样本集中选取样本作为划分特征；根据划分特征对目标样本集进行划分，生成至少一个子样本集；去除每个子样本集中样本的划分特征；生成当前节点的子节点，并将去除划分特征后的子样本集作为子节点的节点信息；判断子节点是否满足预设分类终止条件；若否，则将目标样本集更新为去除划分特征后的子样本集，并返回执行获取特征对于目标样本集分类的信息增益率；若是，则将子节点作为叶子节点，根据去除划分特征后的子样本集的类别设置叶子节点的输出。
在一个实施例中，决策树构建模块910还用于从信息增益率中确定最大的信息增益率；当最大的信息增益率大于预设阈值时，选取最大的信息增益率对应的样本作为划分特征；当最大的信息增益率不大于预设阈值时，将当前节点作为叶子节点，并选取样本数量最多的样本分类作为叶子节点的输出。
在一个实施例中，决策树构建模块910还用于判断子节点对应的去除划分特征后的子样本集中样本的类别数量是否为预设数量；若是，则确定子节点满足预设分类终止条件。
在一个实施例中，决策树构建模块910还用于获取特征对于目标样本集分类的信息增益；获取特征对于目标样本集分类的***信息；根据信息增益与***信息获取特征对于目标样本集分类的信息增益率。
在一个实施例中，决策树构建模块910还用于通过计算特征对于目标样本集分类的信息增益率；其中，D表示样本集，g(D,A)为特征A对于样本集D分类的信息增益，HA(D)为特征A的***信息，gR(D,A)为特征A对于样本集D分类的信息增益率；g(D,A)通过 计算得到；其中，H(D)为样本集D分类的经验熵，H(D|A)为特征A对于样本集D分类的条件熵，n为特征A的样本取值种类数，pi为特征A取第 i种取值的样本在样本集中出现的概率，n和i均为大于零的正整数。
在一个实施例中，如图11所示，提供了又一种应用处理装置，该装置还包括：
应用检测模块912，用于检测目标应用是否属于白名单应用。
应用处理模块908还用于当预测结果为不会在预设时长之内使用目标应用时，对目标应用进行冻结；当预测结果为会在预设时长之内使用目标应用，或目标应用属于白名单应用时，对目标应用免冻结。
上述应用处理装置中各个模块的划分仅用于举例说明，在其他实施例中，可将应用处理装置按照需要划分为不同的模块，以完成上述应用处理装置的全部或部分功能。
关于应用处理装置的具体限定可以参见上文中对于应用处理方法的限定，在此不再赘述。上述应用处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
本申请实施例中提供的应用处理装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器等电子设备上运行。该计算机程序构成的程序模块可存储在电子设备的存储器上。该计算机程序被处理器执行时，实现本申请实施例中所描述的应用处理方法的步骤。
在一个实施例中，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述各实施例所提供的应用处理方法的步骤。
在一个实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序对处理器执行时，实现本申请各实施例中所描述的应用处理方法的步骤。
在一个实施例中，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本申请各实施例中所描述的应用处理方法。
本申请实施例还提供了一种计算机设备。如图12所示，为了便于说明，仅示出了与本申请实施例相关的部分，具体技术细节未揭示的，请参照本申请实施例方法部分。该计算机设备可以为包括手机、平板电脑、PDA(Personal Digital Assistant，个人数字助理)、POS(Point of Sales，销售终端)、车载电脑、穿戴式设备等任意终端设备，以计算机设备为手机为例：
图12为与本申请实施例提供的计算机设备相关的手机的部分结构的框图。参考图12，手机包括：射频(Radio Frequency，RF)电路1210、存储器1220、输入单元1230、显示单元1240、传感器1250、音频电路1260、无线保真(wireless fidelity，WiFi)模块1270、处理器1280、以及电源1290等部件。本领域技术人员可以理解，图12所示的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
其中，RF电路1210可用于收发信息或通话过程中，信号的接收和发送，可将基站的下行信息接收后，给处理器1280处理；也可以将上行的数据发送给基站。通常，RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low Noise Amplifier，LNA)、双工器等。此外，RF电路1210还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯***(Global System ofMobile communication，GSM)、通用分组无线服务(General Packet Radio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband CodeDivision Multiple Access，WCDMA)、长期演进(Long Term Evolution，LTE))、电子邮件、短消息服务(Short Messaging Service，SMS)等。
存储器1220可用于存储软件程序以及模块，处理器1280通过运行存储在存储器1220的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器1220可主要包括程序存储区和数据存储区，其中，程序存储区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能的应用程序、图像播放功能的应用程序等)等；数据存储区可存储根据手机的使用所创建的数据(比如音频数据、通讯录等)等。此外，存储器1220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。
输入单元1230可用于接收输入的数字或字符信息，以及产生与手机1200的用户设置以及功能控制有关的键信号输入。具体地，输入单元1230可包括触控面板1231以及其他输入设备1232。触控面板1231，也可称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板1231上或在触控面板1231附近的操作)，并根据预先设定的程式驱动相应的连接装置。在一个实施例中，触控面板1231可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器1280，并能接收处理器1280发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板1231。除了触控面板1231，输入单元1230还可以包括其他输入设备1232。具体地，其他输入设备1232可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)等中的一种或多种。
显示单元1240可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元1240可包括显示面板1241。在一个实施例中，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light- Emitting Diode,OLED)等形式来配置显示面板1241。在一个实施例中，触控面板 1231可覆盖显示面板1241，当触控面板1231检测到在其上或附近的触摸操作后，传送给处理器1280以确定触摸事件的类型，随后处理器1280根据触摸事件的类型在显示面板1241上提供相应的视觉输出。虽然在图12中，触控面板 1231与显示面板1241是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板1231与显示面板1241集成而实现手机的输入和输出功能。
手机1200还可包括至少一种传感器1250，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板1241的亮度，接近传感器可在手机移动到耳边时，关闭显示面板1241和/或背光。运动传感器可包括加速度传感器，通过加速度传感器可检测各个方向上加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换)、振动识别相关功能(比如计步器、敲击)等；此外，手机还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器等。
音频电路1260、扬声器1261和传声器1262可提供用户与手机之间的音频接口。音频电路1260可将接收到的音频数据转换后的电信号，传输到扬声器 1261，由扬声器1261转换为声音信号输出；另一方面，传声器1262将收集的声音信号转换为电信号，由音频电路1260接收后转换为音频数据，再将音频数据输出处理器1280处理后，经RF电路1210可以发送给另一手机，或者将音频数据输出至存储器1220以便后续处理。
WiFi属于短距离无线传输技术，手机通过WiFi模块1270可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图12示出了WiFi模块1270，但是可以理解的是，其并不属于手机1200 的必须构成，可以根据需要而省略。
处理器1280是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器1220内的软件程序和/或模块，以及调用存储在存储器1220内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。在一个实施例中，处理器1280可包括一个或多个处理单元。在一个实施例中，处理器1280可集成应用处理器和调制解调器，其中，应用处理器主要处理操作***、用户界面和应用程序等；调制解调器主要处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器1280中。比如，该处理器1280 可集成应用处理器和基带处理器，基带处理器与和其它***芯片等可组成调制解调器。手机1200还包括给各个部件供电的电源1290(比如电池)，优选的，电源可以通过电源管理***与处理器1280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。
在一个实施例中，手机1200还可以包括摄像头、蓝牙模块等。
在本申请实施例中，该手机所包括的处理器执行存储在存储器上的计算机程序时实现上述所描述的应用处理方法。
本申请所使用的对存储器、存储、数据库或其它介质的任何引用可包括非易失性和/或易失性存储器。合适的非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM) 或闪存。易失性存储器可包括随机存取存储器(RAM)，它用作外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态 RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线 (Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (11)

1.一种应用处理方法，其特征在于，包括：
获取每个特征的第一特征数据，所述第一特征数据为对应特征在预测时刻下的特征数据；
获取用于预测用户是否会在预设时长之内使用所述目标应用的决策树模型，所述预设时长的起始时刻为预测时刻；
将所述第一特征数据作为所述决策树模型的输入，输出预测结果；
当所述预测结果为不会在预设时长之内使用所述目标应用时，对所述目标应用进行冻结。
2.根据权利要求1所述的方法，其特征在于，在所述获取预设的每个特征的第一特征数据之前，还包括：
获取预设的每个特征的第二特征数据作为样本，生成样本集，所述第二特征数据为在预测时刻之前，启动了参考应用时的对应特征的特征数据，所述参考应用包括所述目标应用；
当所述样本集的数据量超过预设阈值时，根据特征对于样本集分类的信息增益率对样本集进行样本分类，生成用于预测用户是否会在预设时长之内使用所述目标应用的决策树模型。
3.根据权利要求2所述的方法，其特征在于，所述根据特征对于样本集分类的信息增益率对样本集进行样本分类，生成用于预测用户是否会在预设时长之内使用所述目标应用的决策树模型，包括：
将所述样本集作为决策树的根节点的节点信息；
将所述根节点的节点信息确定为当前待分类的目标样本集；
获取特征对于目标样本集分类的信息增益率；
根据所述信息增益率从所述目标样本集中选取样本作为划分特征；
根据所述划分特征对所述目标样本集进行划分，生成至少一个子样本集；
去除每个所述子样本集中样本的划分特征；
生成当前节点的子节点，并将去除划分特征后的子样本集作为所述子节点的节点信息；
判断所述子节点是否满足预设分类终止条件；
若否，则将所述目标样本集更新为所述去除划分特征后的子样本集，并返回执行获取特征对于目标样本集分类的信息增益率；
若是，则将所述子节点作为叶子节点，根据所述去除划分特征后的子样本集的类别设置所述叶子节点的输出。
4.根据权利要求3所述的方法，其特征在于，所述根据所述信息增益率从所述目标样本集中选取样本作为划分特征，包括：
从所述信息增益率中确定最大的信息增益率；
当所述最大的信息增益率大于预设阈值时，选取所述最大的信息增益率对应的样本作为划分特征；
当所述最大的信息增益率不大于预设阈值时，将当前节点作为叶子节点，并选取样本数量最多的样本分类作为所述叶子节点的输出。
5.根据权利要求3所述的方法，其特征在于，所述判断所述子节点是否满足预设分类终止条件，包括：
判断所述子节点对应的去除划分特征后的子样本集中样本的类别数量是否为预设数量；
若是，则确定所述子节点满足预设分类终止条件。
6.根据权利要求3至5中任一项所述的方法，其特征在于，所述获取特征对于目标样本集分类的信息增益率，包括：
获取特征对于目标样本集分类的信息增益；
获取特征对于目标样本集分类的***信息；
根据所述信息增益与所述***信息获取特征对于目标样本集分类的信息增益率。
7.根据权利要求6所述的方法，其特征在于，所述根据所述信息增益与所述***信息获取特征对于目标样本集分类的信息增益率，包括：
通过计算特征对于目标样本集分类的信息增益率；
其中，D表示样本集，g(D,A)为特征A对于样本集D分类的信息增益，HA(D) 为特征A的***信息，gR(D,A)为特征A对于样本集D分类的信息增益率；
所述g(D,A)通过计算得到；
其中，H(D)为样本集D分类的经验熵，H(D|A)为特征A对于样本集D分类的条件熵，n为特征A的样本取值种类数，pi为特征A取第i种取值的样本在样本集中出现的概率，n和i均为大于零的正整数。
8.根据权利要求1所述的方法，其特征在于，在所述对所述目标应用进行冻结之前，还包括：
检测所述目标应用是否属于白名单应用，若是，则对所述目标应用免冻结；否则，执行所述对所述目标应用进行冻结。
9.一种应用处理装置，其特征在于，所述装置包括：
特征数据获取模块，用于获取每个特征的第一特征数据，所述第一特征数据为对应特征在预测时刻下的特征数据；
决策树模型获取模块，用于获取用于预测用户是否会在预设时长之内使用所述目标应用的决策树模型，所述预设时长的起始时刻为预测时刻；
预测模块，用于将所述第一特征数据作为所述决策树模型的输入，输出预测结果；
应用处理模块，用于当所述预测结果为不会在预设时长之内使用所述目标应用时，对所述目标应用进行冻结。
10.一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1至8中任一项所述的应用处理方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的应用处理方法的步骤。
CN201711484440.9A 2017-12-29 2017-12-29 应用处理方法和装置、电子设备、计算机可读存储介质 Pending CN109992367A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201711484440.9A CN109992367A (zh) 2017-12-29 2017-12-29 应用处理方法和装置、电子设备、计算机可读存储介质
PCT/CN2018/117694 WO2019128598A1 (zh) 2017-12-29 2018-11-27 应用处理方法、电子设备、计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711484440.9A CN109992367A (zh) 2017-12-29 2017-12-29 应用处理方法和装置、电子设备、计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN109992367A true CN109992367A (zh) 2019-07-09

Family

ID=67066384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711484440.9A Pending CN109992367A (zh) 2017-12-29 2017-12-29 应用处理方法和装置、电子设备、计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN109992367A (zh)
WO (1) WO2019128598A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111708427A (zh) * 2020-05-29 2020-09-25 广州三星通信技术研究有限公司 管理终端的方法和终端
CN112130991A (zh) * 2020-08-28 2020-12-25 北京思特奇信息技术股份有限公司 一种基于机器学习的应用程序控制方法和***
CN112256354A (zh) * 2020-11-25 2021-01-22 Oppo（重庆）智能科技有限公司 应用启动方法、装置、存储介质及电子设备
CN112330069A (zh) * 2020-11-27 2021-02-05 上海眼控科技股份有限公司 一种预警解除方法、装置、电子设备及存储介质
CN112390388A (zh) * 2020-11-25 2021-02-23 创新奇智(青岛)科技有限公司 一种模型训练方法、曝气值预估方法、装置及电子设备
WO2021047665A1 (zh) * 2019-09-12 2021-03-18 华为技术有限公司 终端之间连接状态的预测方法、装置和分析设备
CN113627932A (zh) * 2021-08-11 2021-11-09 中国银行股份有限公司 无网络状态下控制终端应用账户等待时长的方法及装置
CN114416600A (zh) * 2022-03-29 2022-04-29 腾讯科技（深圳）有限公司 应用检测方法、装置、计算机设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020087499A1 (en) * 2001-01-03 2002-07-04 Stockfisch Thomas P. Methods and systems of classifying multiple properties simultaneously using a decision tree
CN105389193A (zh) * 2015-12-25 2016-03-09 北京奇虎科技有限公司 应用的加速处理方法、装置和***、服务器
CN106250532A (zh) * 2016-08-04 2016-12-21 广州优视网络科技有限公司 应用推荐方法、装置及服务器
CN106793031A (zh) * 2016-12-06 2017-05-31 常州大学 基于集合竞优算法的智能手机能耗优化方法
CN107133094A (zh) * 2017-06-05 2017-09-05 努比亚技术有限公司 应用管理方法、移动终端及计算机可读存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105868222A (zh) * 2015-09-17 2016-08-17 乐视网信息技术（北京）股份有限公司 一种任务调度方法及装置
CN106294743A (zh) * 2016-08-10 2017-01-04 北京奇虎科技有限公司 应用功能的推荐方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020087499A1 (en) * 2001-01-03 2002-07-04 Stockfisch Thomas P. Methods and systems of classifying multiple properties simultaneously using a decision tree
CN105389193A (zh) * 2015-12-25 2016-03-09 北京奇虎科技有限公司 应用的加速处理方法、装置和***、服务器
CN106250532A (zh) * 2016-08-04 2016-12-21 广州优视网络科技有限公司 应用推荐方法、装置及服务器
CN106793031A (zh) * 2016-12-06 2017-05-31 常州大学 基于集合竞优算法的智能手机能耗优化方法
CN107133094A (zh) * 2017-06-05 2017-09-05 努比亚技术有限公司 应用管理方法、移动终端及计算机可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
秦文: "分类技术中的决策树算法分析", 《深圳信息职业技术学院学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021047665A1 (zh) * 2019-09-12 2021-03-18 华为技术有限公司 终端之间连接状态的预测方法、装置和分析设备
CN111708427A (zh) * 2020-05-29 2020-09-25 广州三星通信技术研究有限公司 管理终端的方法和终端
CN112130991A (zh) * 2020-08-28 2020-12-25 北京思特奇信息技术股份有限公司 一种基于机器学习的应用程序控制方法和***
CN112256354A (zh) * 2020-11-25 2021-01-22 Oppo（重庆）智能科技有限公司 应用启动方法、装置、存储介质及电子设备
CN112390388A (zh) * 2020-11-25 2021-02-23 创新奇智(青岛)科技有限公司 一种模型训练方法、曝气值预估方法、装置及电子设备
CN112390388B (zh) * 2020-11-25 2022-06-14 创新奇智(青岛)科技有限公司 一种模型训练方法、曝气值预估方法、装置及电子设备
CN112330069A (zh) * 2020-11-27 2021-02-05 上海眼控科技股份有限公司 一种预警解除方法、装置、电子设备及存储介质
CN113627932A (zh) * 2021-08-11 2021-11-09 中国银行股份有限公司 无网络状态下控制终端应用账户等待时长的方法及装置
CN113627932B (zh) * 2021-08-11 2024-02-27 中国银行股份有限公司 无网络状态下控制终端应用账户等待时长的方法及装置
CN114416600A (zh) * 2022-03-29 2022-04-29 腾讯科技（深圳）有限公司 应用检测方法、装置、计算机设备及存储介质
CN114416600B (zh) * 2022-03-29 2022-06-28 腾讯科技（深圳）有限公司 应用检测方法、装置、计算机设备及存储介质

Also Published As

Publication number Publication date
WO2019128598A1 (zh) 2019-07-04

Similar Documents

Publication Publication Date Title
CN109992367A (zh) 应用处理方法和装置、电子设备、计算机可读存储介质
CN107220076B (zh) 一种内存回收方法及装置
CN107809542B (zh) 应用程序控制方法、装置、存储介质和电子设备
CN110008008A (zh) 应用程序处理方法和装置、电子设备、计算机可读存储介质
CN108419145A (zh) 一种视频摘要的生成方法和装置以及计算机可读存储介质
CN107272872A (zh) 省电控制方法及相关产品
CN107146616A (zh) 设备控制方法及相关产品
CN107292235B (zh) 指纹的采集方法及相关产品
CN109992400A (zh) 资源分配方法、装置、移动终端及计算机可读存储介质
CN109992398A (zh) 资源管理方法、装置、移动终端及计算机可读存储介质
CN110018900A (zh) 内存处理方法和装置、电子设备、计算机可读存储介质
CN109992402A (zh) 内存处理方法和装置、电子设备、计算机可读存储介质
CN110045809A (zh) 信息处理方法、装置、计算机设备和计算机可读存储介质
CN110018902A (zh) 内存处理方法和装置、电子设备、计算机可读存储介质
CN109992364A (zh) 应用冻结方法、装置、计算机设备和计算机可读存储介质
CN110377527A (zh) 一种内存管理的方法以及相关设备
CN110032267A (zh) 信息处理方法、装置、移动终端及计算机可读存储介质
CN104978353B (zh) 一种桌面应用的生成控制方法、装置及***
CN110032431A (zh) 应用处理方法和装置、电子设备、计算机可读存储介质
CN108616653A (zh) 信息处理方法、装置、移动终端和计算机可读存储介质
CN109992965A (zh) 进程处理方法和装置、电子设备、计算机可读存储介质
CN110032439A (zh) 资源管理方法、装置、移动终端及计算机可读存储介质
CN110018905A (zh) 信息处理方法、装置、计算机设备和计算机可读存储介质
CN109992380A (zh) 应用程序处理方法和装置、电子设备、计算机可读存储介质
CN109992522A (zh) 应用处理方法和装置、电子设备、计算机可读存储介质

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190709

RJ01 Rejection of invention patent application after publication