CN110196805B - 数据处理方法、装置、存储介质和电子装置 - Google Patents
数据处理方法、装置、存储介质和电子装置 Download PDFInfo
- Publication number
- CN110196805B CN110196805B CN201810534202.2A CN201810534202A CN110196805B CN 110196805 B CN110196805 B CN 110196805B CN 201810534202 A CN201810534202 A CN 201810534202A CN 110196805 B CN110196805 B CN 110196805B
- Authority
- CN
- China
- Prior art keywords
- target
- difference
- application program
- parameter
- target application
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3604—Software analysis for verifying properties of programs
- G06F11/3608—Software analysis for verifying properties of programs using formal methods, e.g. model checking, abstract interpretation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3604—Software analysis for verifying properties of programs
- G06F11/3612—Software analysis for verifying properties of programs by runtime analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
- G06F8/65—Updates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Computer Security & Cryptography (AREA)
- Stored Programmes (AREA)
Abstract
本发明公开了一种数据处理方法、装置、存储介质和电子装置。其中,该方法包括:获取目标模型根据目标应用程序的第一参数值输出的实际运行指标,其中,目标模型用于根据目标应用程序的运行参数确定出目标应用程序的运行指标,第一参数值为目标应用程序的目标运行参数的值;向目标模型输入目标应用程序的第二参数值,其中,第二参数值为更改第一参数值之后得到的目标运行参数的值;获取目标模型根据第二参数值输出的参考运行指标;在实际运行指标和参考运行指标的目标差异满足目标条件的情况下,根据目标运行参数更新目标应用程序。本发明解决了无法确定影响运行指标的参数而导致对应用程序的更新不准确的技术问题的技术问题。
Description
技术领域
本发明涉及数据处理领域,具体而言,涉及一种数据处理方法、装置、存储介质和电子装置。
背景技术
目前应用程序在提升用户体验时,一般通过收集用户反馈或者做用户调研,判断用户的潜在需求,然后根据研判的需求,发布产品对应的测试版本,然后使用A/B测试,确定更新后的产品是否提高了用户体验。以留存率为例,现有技术提升用户的留存率时,由于用户反馈和调研用户的影响比较大,无法确定哪些是影响用户留存比较重要的因素,也无法针对不同的用户来制定提高留存率的方案,导致现有技术对应用程序的更新不准确的技术问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种数据处理方法、装置、存储介质和电子装置,以至少解决无法确定影响运行指标的参数而导致对应用程序的更新不准确的技术问题的技术问题。
根据本发明实施例的一个方面,提供了一种数据处理方法,包括:获取目标模型根据目标应用程序的第一参数值输出的实际运行指标,其中,所述目标模型用于根据目标应用程序的运行参数确定出所述目标应用程序的运行指标,所述第一参数值为所述目标应用程序的目标运行参数的值;向所述目标模型输入所述目标应用程序的第二参数值,其中,所述第二参数值为更改所述第一参数值之后得到的所述目标运行参数的值;获取所述目标模型根据所述第二参数值输出的参考运行指标;在所述实际运行指标和所述参考运行指标的目标差异满足目标条件的情况下,根据所述目标运行参数更新所述目标应用程序。
根据本发明实施例的另一方面,还提供了一种应用程序的数据处理装置,包括:第一获取单元,用于获取目标模型根据目标应用程序的第一参数值输出的实际运行指标,其中,所述目标模型用于根据目标应用程序的运行参数确定出所述目标应用程序的运行指标,所述第一参数值为所述目标应用程序的目标运行参数的值;输入单元,用于向所述目标模型输入所述目标应用程序的第二参数值,其中,所述第二参数值为更改所述第一参数值之后得到的所述目标运行参数的值;第二获取单元,用于获取所述目标模型根据所述第二参数值输出的参考运行指标;更新单元,用于在所述实际运行指标和所述参考运行指标的目标差异满足目标条件的情况下,根据所述目标运行参数更新所述目标应用程序。
根据本发明实施例的另一方面,还提供了一种存储介质,包括:所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述的方法。
根据本发明实施例的另一方面,还提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行上述的方法。
本实施例通过目标应用程序预测第二参数值所对应的参考运行指标,并根据实际运行指标和参考运行指标的比较,确定出与实际运行指标对应的目标运行参数对目标应用程序的影响,从而对目标应用程序进行更新操作,解决了现有技术无法确定影响运行指标的参数而导致对应用程序的更新不准确的技术问题,达到了提高更新目标应用程序的准确性的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的硬件环境的示意图;
图2是根据本发明实施例的数据处理方法的流程图;
图3是根据本发明优选实施例的数据处理方法的流程图;
图4是根据本发明实施例的应用程序的数据处理装置的示意图;
图5是根据本发明实施例的一种电子装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明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发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
名词解释:
GUID:是全局唯一标识符,唯一的标识一台安装有目标应用程序的机器。
观察池:指在云端,或者后台对GUID的一个分类标志,即一个观察池,即把很多的GUID归为一类。
根据本发明实施例的一个方面,提供了一种数据处理方法。在本实施例中,上述数据处理方法可以应用于如图1所示的终端用户104和服务器130所构成的硬件环境中。如图1所示,用户102操作用户终端104,用户终端104通过网络与服务器130进行连接,上述网络包括但不限于:广域网、城域网或局域网,用户终端104可以是手机终端,也可以是PC终端、笔记本终端或平板电脑终端。用户终端104包括RAM106和处理器108,该数据处理方法可以在服务器130上执行,多个用户终端104上安装有应用程序,该应用程序可以自动上报110参数,以便服务器130根据应用程序上报的运行参数训练目标模型,并确定出对目标指出影响比较大的运行参数,根据确定出的运行参数对应用程序进行更新。其中,服务器130中的参数和指标数据库122存储应用程序上报的参数和指标,并放入训练学习模型120中进行学习,服务器130还包括更改后的参数数据库124,更改后的参数输入到训练学习模型120中,输出更改后的参数对应的指标。
图2是根据本发明实施例的数据处理方法的流程图。如图2所示,该数据处理方法包括:
S202,获取目标模型根据目标应用程序的第一参数值输出的实际运行指标,其中,目标模型用于根据目标应用程序的运行参数确定出目标应用程序的运行指标,第一参数值为目标应用程序的目标运行参数的值。
目标应用程序可以是安装在终端上的应用程序,该应用程序可以是工具类应用程序(如电脑管家)、聊天社交类应用程序(如即时通讯应用)、影音视听类应用程序(如音乐或视频播放器)、购物类应用程序、游戏类应用程序和办公类应用程序等,该目标应用程序可以是任意类型的应用程序,不再一一举例说明。
运行参数包括目标应用程序的安装时间、开启时间、功能运行数据、关联账号以及安装有目标应用程序的终端的性能数据。功能运行数据,如目标应用程序运行了哪些功能,比如,电脑管家运行了内存清理的功能,运行该功能的时间、清理内容和频率等数据都可以作为功能运行数据。关联账号可以是与该目标应用程序关联的其他应用的帐号,例如,与电脑管家关联的即时通讯应用的帐号;终端的性能数据包括终端的CPU占用情况、内存使用情况等,还可以包括终端的数据传输速度等数据。
运行指标可以包括目标应用程序的留存率、活跃度等数据,运行指标可以反映目标应用程序本身质量,例如,通过留存率、活跃度等数据可以反映用户是否愿意安装和使用该目标应用程序。依据这些信息对目标应用程序进行更新。
第一参数值是目标应用程序在一个终端上运行时目标运行参数的值,第一参数值是目标应用程序上报的数值,或者是服务器从目标应用程序获取的数值。实际运行指标是与第一参数值对应的指标。例如,实际运行指标是留存率,目标运行参数是终端的CPU占用率,第一参数值为80%。即目标模型根据终端的CPU占用率80%输出该目标应用程序的留存率为70%。需要说明是,根据多种参数的综合计算得到留存率,该留存率只是用来举例说明,并不表示实际数据与该数据相同。此处采用预先训练好的目标模型来输出留存率。
可选地,在获取目标模型根据目标应用程序的第一参数值输出的实际运行指标之前,先训练目标模型,训练目标模型包括:采集安装在不同终端上的目标应用程序上报的运行参数;根据运行参数确定出安装在不同终端上的目标应用程序的运行指标;根据运行参数和运行指标对原始模型进行训练,得到目标模型。
训练目标模型时,采集多个终端上安装的相同的目标应用程序上报的运行参数和相应的运行指标,将运行参数和运行指标作为样本数据。根据这些运行参数和相应的运行指标对原始模型进行训练,得到目标模型。例如,运行指标为留存率,运行参数包括目标应用程序的安装时间、开启时间、功能运行数据、关联账号以及安装有目标应用程序的终端的性能数据等。留存率包括不同时长的留存率,采集的数据也可以按照留存率的计算周期来收集,例如,采集2天的数据来计算日留存率,采集2周的数据来计算周留存率,采集2个月的数据来计算月留存率。采用GUID(全球唯一标识符,globally unique identifier)标记每个终端上的目标应用程序,并标记每个GUID是否留存,留存标记为A类或1类,未留存标记为B类或0类。
使用合适方法将采集到的数据转化为适合进一步处理的形式(如1个特征拆分成多个,多个特征合并成1个,或者转化形式),具体可以使用信息增益法或者LDA(文档主题生成模型)或PCA(主成分分析方法)。
使用算法根据特征和GUID是否留存训练目标模型,即如果GUID是留存,即A类或1类,如果GUID未留存即B类或0类。采用逻辑回归模型、贝叶斯,神经网络等训练原始模型得到目标模型。下面以逻辑回归模型说明训练方法。
逻辑回归模型(LogisticRegression)是离散选择法模型之一。其中f(x)即为预测的结果(即0~1的数,更接近0就预测为0类,接近1就预测为1类),x1至xn为特征。
模型的数学形式确定后,剩下就是如何去求解模型中的参数。统计学中常用的一种方法是最大似然估计,即找到一组参数,使得在这组参数下,我们的数据的似然度(概率)越大。本实施例以梯度下降为例说明对模型的优化。梯度下降(Gradient Descent)又叫作最速梯度下降,是一种迭代求解的方法,通过在每一步选取使目标函数变化最快的一个方向调整参数的值来逼近最优值。基本步骤如下:
a.选择下降方向(梯度方向);b.选择步长,更新参数;c.重复以上两步直到满足终止条件。
在得到目标模型之后,将第一参数值输入到目标模型后,输出的实际运行指标与样本数据相同。例如,样本数据中,第一参数值对应的留存为A类,则将第一参数值输入到目标模型之后,目标模型输出的留存为A类。
S204,向目标模型输入目标应用程序的第二参数值,其中,第二参数值为更改第一参数值之后得到的目标运行参数的值。
S206,获取目标模型根据第二参数值输出的参考运行指标。将第一参数值更改为第二参数值,第二参数值可以比第一参数值大,或者比第一参数值小。针对不同的参数来确定增大参数值还是减小参数值。第一参数值为目标应用程序实际上报的参数值,而第二参数值并非是目标应用程序实际上报的数值。将更改后得到的第二参数值输入到目标模型中,输出参考运行指标。通过参考运行指标和实际运行指标的比较,确定出该目标运行参数对目标应用程序的目标运行指标的影响程度。例如,将目标应用程序的内存占用作为第一参数值,修改为第二参数值后输出参考留存率,如果参考留存率与实际留存率的差异比较大,说明目标应用程序的内存占用对留存率的影响比较大,可以调节内存占用来调整留存率。例如,内存占用的第一参数值为60%,此时的留存率为60%,将第一参数值更改为第二参数值40%,将第二参数值输入到目标模型后输出的留存率为80%,这说明内存占用对留存率的影响是比较大的,可以通过优化目标应用程序来调节内存占用,进而提高目标应用程序的留存率。
S208,在实际运行指标和参考运行指标的目标差异满足目标条件的情况下,根据目标运行参数更新目标应用程序。
例如,目标运行参数是CPU的占用率,则降低CPU的占用率可以提高用户的留存率,则更新目标应用程序使得目标应用程序在运行时CPU的占用率更低。
本实施例通过目标应用程序预测第二参数值所对应的参考运行指标,并根据实际运行指标和参考运行指标的比较,确定出与实际运行指标对应的目标运行参数对目标应用程序的影响,从而对目标应用程序进行更新操作,解决了现有技术无法确定影响运行指标的参数而导致对应用程序的更新不准确的技术问题,达到了提高更新目标应用程序的准确性的技术效果。
在确定实际运行指标和参考运行指标的目标差异是否满足目标条件时,可以采用以下两种方式。一种方式是判断目标差异是否在目标范围内,如果在目标范围内,确定目标差异满足目标条件。另外一种方式是,对所有运行参数对应的多个差异进行排序,将排序靠前(差异由大到小排序)的差异作为目标条件,如果目标差异为排序靠前的差异其中之一,确定出目标差异满足目标条件,说明如下:
可选地,在实际运行指标和参考运行指标的目标差异满足目标条件的情况下,根据目标运行参数更新目标应用程序包括:判断目标差异是否在目标范围内;在判断出目标差异在目标范围内,则确定实际运行指标和参考运行指标的目标差异满足目标条件;根据目标运行参数更新目标应用程序。
目标差异可以通过数值表示,目标范围可以是阈值范围,例如,当目标差异大于阈值时,确定目标差异在目标范围内。也就是说,该目标差异比较大,目标差异对应的目标运行参数对应用程序的运行指标影响比较大。
可选地,在实际运行指标和参考运行指标的目标差异满足目标条件的情况下,根据目标运行参数更新目标应用程序包括:获取多个运行参数所关联的多个差异,其中,每个运行参数关联一个差异,差异为每个运行参数关联的实际运行指标和参考运行指标之间的差异,目标运行参数为多个运行参数的其中之一;从多个差异中查找至少一个最大差异;在目标差异为最大差异的情况下,根据目标运行参数更新目标应用程序。
如表1所示,多个运行参数分别为参数1、参数2和参数3,分别关联差异C1、C2和C3。假设,差异C1大于C2,且C2大于C3,则最大差异为C1,如果此时目标差异为C1,则确定根据参数1对目标应用程序进行更新。
表1
可选地,获取多个运行参数所关联的多个差异包括:获取多个目标应用程序在目标运行参数下的第一差异,得到多个第一差异;对多个第一差异进行求平均处理,得到差异均值;将差异均值作为目标运行参数关联的差异。
表2
如表2所示,对于参数1,应用程序X1对应的第一差异为C11,应用程序X2对应的第一差异为C21,应用程序X3对应的第一差异为C31,对多个第一差异求平均,得到差异均值C1,将差异均值C1作为参数1的目标差异。同理,对于参数2,应用程序X1对应的第一差异为C12,应用程序X2对应的第一差异为C22,应用程序X3对应的第一差异为C32,对多个第一差异求平均,得到差异均值C2,将差异均值C2作为参数2的目标差异。上述多个应用程序是指安装在不同终端上的应用程序。
需要说明的是,对多个第一差异取平均得到差异均值,并将差异均值作为目标差异的方案也可以采用其他计算方式,比如,加权求和等。
可选地,在更新目标应用程序时,对于不同终端上的目标应用程序分别进行更新,根据每个目标应用程序的实际运行指标和参考运行指标的差异来确定需要更新的目标应用程序,即在实际运行指标和参考运行指标的目标差异满足目标条件的情况下,根据目标运行参数更新目标应用程序包括:在所述实际运行指标和所述参考运行指标的目标差异满足目标条件的情况下,获取多个所述目标应用程序关联的实际运行指标和参考运行指标,得到多个实际运行指标和多个参考运行指标,其中,多个所述目标应用程序安装在不同的终端上;根据所述多个实际运行指标和所述多个参考运行指标对多个所述目标应用程序进行分类,得到第一类应用程序和第二类应用程序,其中,所述第一类应用程序在所述目标运行参数下的所述目标差异满足所述目标条件,所述第二类应用程序在所述目标运行参数下的所述目标差异不满足所述目标条件;根据所述目标运行参数对所述第一类应用程序进行更新。
例如,目标运行参数对部分应用程序有影响的情况下,针对产生影响的部分应用程序进行更新。对全部应用程序有影响的情况下,对全部应用程序进行更新。对于全部应用程序进行更新的情况下,如果目标运行参数对应的产品特性比较好改动,则发布测试版本进行验证;如果目标运行参数对应的产品特性比较不好改动,则采用其他的方法判断需求,在确定需要改动的内容之后,再发布测试版本进行验证。
以下结合图3对本实施例的数据处理方法进行说明。以电脑管家是目标应用程序为例。
S301,根据规则确定特定的新装用户进入观察池。该规则可以是下载的目标应用程序的安装包的途径,比如,是从目标应用程序的官方下载的安装包,或者从合作方下载的目标应用程序的安装包。进入观察池的用户就是通过相同途径下载的目标应用程序的安装包。即,在获取目标模型根据目标应用程序的第一参数值输出的实际运行指标之前,将采用相同途径下载目标应用程序的安装包的用户确定为待分析用户,收集这些用户安装的目标应用程序的各种运行参数的参数值。这样的好处是消除不同的下载途径对分析结果的影响。
S302,根据对应的上报,提取特征。即,收集上述待分析用户对应的每个终端上目标应用程序上报的运行参数作为样本数据。其中,运行参数包括目标应用程序在运行过程中的CPU占用、内存占用、电量消耗、后台运行时间、开启频率和执行的功能等。运行参数包括登录目标应用程序的帐号信息,与该帐号信息关联的其他应用程序的帐号等。
S303,把特征处理成所需格式。即,将运行参数处理成所需格式。由于需要对运行参数进行数据处理,对于不同格式的运行参数都采用向量表达,从而可以对不同的运行参数进行统一的处理,提高处理效率。
S304,记录观察池管家的启动情况。管家即目标应用程序。为了计算留存率,就要统计目标应用程序的启动情况。周留存率就统计一周之内目标应用程序的启动情况,月留存率就统计一个月之内目标应用程序的启动情况,季度留存率就统计一个季度之内目标应用程序的启动情况。
S305,将其分为2类,一类仍然启动为留存,另一类为非留存。在一周之内仍然启动的目标应用程序,统计周留存率时将该目标应用程序分类为留存;在一周之内不再启动的目标应用程序,统计周留存率时将该目标应用程序分类为非留存;同理,在一个月之内仍然启动的目标应用程序,统计月留存率时将该目标应用程序分类为留存;在一个月之内不再启动的目标应用程序,统计月留存率时将该目标应用程序分类为非留存。
S306,使用分类算法,利用个特征将用户分类得到训练好的模型。即,分类成留存和非留存两类用户,根据运行参数和分类结果训练得到训练好的模型。利用已经收集的运行参数和留存、非留存等分类结果作为训练样本进行训练,得到目标模型。向该训练好的目标模型输入运行参数就可以输出对应的留存率。
S307,改变某个特征的值。将收集到的多个运行参数的参数值进行更改,更改为多个与实际运行参数值不同的其他参数值,得到多个修改后的运行参数值。
S308,将改变后的特征值带入训练好的模型。将多个修改后的运行参数值分别输入到目标模型中,得到多个输出结果。在目标模型为留存率的模型时,多个输出结果为与多个修改后的运行参数值对应的多个留存率。
S309,查看模型得出的值与原有情况的差异。原有情况是改变特征的值之前的特征输入到训练好的模型中,输出的值。多个输出结果与更改前的运行参数对应的留存率进行比较。也就是说,每个类型的运行参数的参数值都进行更改,分别输入到目标模型中,并得到输出结果。例如,运行参数A输入到目标模型,输出留存率a;运行参数B输入到目标模型,输出留存率b;运行参数C输入到目标模型,输出留存率c。
S310,得到哪些特征的变动造成的模型结果变化大。比较留存率a、b和c,哪个留存率与修改运行参数前的留存率的变化更大,找出使得留存率变化最大的那个运行参数,确定该运行参数对目标应用程序的留存率影响比较大。
S311,影响整体。某个运行参数对所有应用程序都有影响。
S312,只对部分用户有影响。某个运行参数对部分应用程序有影响。
分析影响留存率比较大的运行参数是对所有终端上安装的目标应用程序都有影响还是只对部分终端上安装的目标应用程序有影响。如果是对所有终端上安装的目标应用程序都有影响,那么可以对目标应用程序进行优化更新,并发布新的版本,以更新所有终端上的目标应用程序。如果只对部分终端上安装的目标应用程序有影响,则进行针对性灰度验证,以判断是否对目标应用程序进行更新。
S313,针对性灰度验证。
S314,如果特征对应的产品特性比较好改动,则在测试版本中验证。
S315,如果特征对应的产品特性不好改动,用其他方法判断需求,针对性调研。
在对所有终端上安装的目标应用程序都有影响的情况下,如果针对运行参数B比较容易改动目标应用程序,则在测试版本中进行验证;如果运行参数B不容易改动目标应用程序,则采用其他方法判断需求,比如,对该运行参数B进行针对性调研。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
根据本发明实施例的另一个方面,还提供了一种用于实施上述数据处理方法的应用程序的数据处理装置,如图4所示,该装置包括:
第一获取单元42,用于获取目标模型根据目标应用程序的第一参数值输出的实际运行指标,其中,所述目标模型用于根据目标应用程序的运行参数确定出所述目标应用程序的运行指标,所述第一参数值为所述目标应用程序的目标运行参数的值;
目标应用程序可以是安装在终端上的应用程序,该应用程序可以是工具类应用程序(如电脑管家)、聊天社交类应用程序(如即时通讯应用)、影音视听类应用程序(如音乐或视频播放器)、购物类应用程序、游戏类应用程序和办公类应用程序等,该目标应用程序可以是任意类型的应用程序,不再一一举例说明。
运行参数包括目标应用程序的安装时间、开启时间、功能运行数据、关联账号以及安装有目标应用程序的终端的性能数据。功能运行数据,如目标应用程序运行了哪些功能,比如,电脑管家运行了内存清理的功能,运行该功能的时间、清理内容和频率等数据都可以作为功能运行数据。关联账号可以是与该目标应用程序关联的其他应用的帐号,例如,与电脑管家关联的即时通讯应用的帐号;终端的性能数据包括终端的CPU占用情况、内存使用情况等,还可以包括终端的数据传输速度等数据。
运行指标可以包括目标应用程序的留存率、活跃度等数据,运行指标可以反映目标应用程序本身质量,例如,通过留存率、活跃度等数据可以反映用户是否愿意安装和使用该目标应用程序。依据这些信息对目标应用程序进行更新。
第一参数值是目标应用程序在一个终端上运行时目标运行参数的值,第一参数值是目标应用程序上报的数值,或者是服务器从目标应用程序获取的数值。实际运行指标是与第一参数值对应的指标。例如,实际运行指标是留存率,目标运行参数是终端的CPU占用率,第一参数值为80%。即目标模型根据终端的CPU占用率80%输出该目标应用程序的留存率为70%。需要说明是,根据多种参数的综合计算得到留存率,该留存率只是用来举例说明,并不表示实际数据与该数据相同。此处采用预先训练好的目标模型来输出留存率。
可选地,在获取目标模型根据目标应用程序的第一参数值输出的实际运行指标之前,该装置包括采集单元,用于在获取目标模型根据目标应用程序的第一参数值输出的实际运行指标之前,采集安装在不同终端上的所述目标应用程序上报的运行参数;指标单元,用于根据所述运行参数确定出安装在不同终端上的所述目标应用程序的所述运行指标;训练单元,用于根据所述运行参数和所述运行指标对原始模型进行训练,得到所述目标模型。
训练目标模型时,采集多个终端上安装的相同的目标应用程序上报的运行参数和相应的运行指标,将运行参数和运行指标作为样本数据。根据这些运行参数和相应的运行指标对原始模型进行训练,得到目标模型。例如,运行指标为留存率,运行参数包括目标应用程序的安装时间、开启时间、功能运行数据、关联账号以及安装有目标应用程序的终端的性能数据等。留存率包括不同时长的留存率,采集的数据也可以按照留存率的计算周期来收集,例如,采集2天的数据来计算日留存率,采集2周的数据来计算周留存率,采集2个月的数据来计算月留存率。采用GUID(全球唯一标识符,globally unique identifier)标记每个终端上的目标应用程序,并标记每个GUID是否留存,留存标记为A类或1类,未留存标记为B类或0类。
使用合适方法将采集到的数据转化为适合进一步处理的形式(如1个特征拆分成多个,多个特征合并成1个,或者转化形式),具体可以使用信息增益法或者LDA(文档主题生成模型)或PCA(主成分分析方法)。
使用算法根据特征和GUID是否留存训练目标模型,即如果GUID是留存,即A类或1类,如果GUID未留存即B类或0类。采用逻辑回归模型、贝叶斯,神经网络等训练原始模型得到目标模型。下面以逻辑回归模型说明训练方法。
逻辑回归模型(LogisticRegression)是离散选择法模型之一。其中f(x)即为预测的结果(即0~1的数,更接近0就预测为0类,接近1就预测为1类),x1至xn为特征。
模型的数学形式确定后,剩下就是如何去求解模型中的参数。统计学中常用的一种方法是最大似然估计,即找到一组参数,使得在这组参数下,我们的数据的似然度(概率)越大。本实施例以梯度下降为例说明对模型的优化。梯度下降(Gradient Descent)又叫作最速梯度下降,是一种迭代求解的方法,通过在每一步选取使目标函数变化最快的一个方向调整参数的值来逼近最优值。基本步骤如下:
a.选择下降方向(梯度方向);b.选择步长,更新参数;c.重复以上两步直到满足终止条件。
在得到目标模型之后,将第一参数值输入到目标模型后,输出的实际运行指标与样本数据相同。例如,样本数据中,第一参数值对应的留存为A类,则将第一参数值输入到目标模型之后,目标模型输出的留存为A类。
输入单元44,用于向所述目标模型输入所述目标应用程序的第二参数值,其中,所述第二参数值为更改所述第一参数值之后得到的所述目标运行参数的值;
第二获取单元46,用于获取所述目标模型根据所述第二参数值输出的参考运行指标;
更改第一参数值为第二参数值,第一参数值为目标应用程序实际上报的参数值,而第二参数值并非是目标应用程序实际上报的数值。将更改后得到的第二参数值输入到目标模型中,输出参考运行指标。通过参考运行指标和实际运行指标的比较,确定出该目标运行参数对目标应用程序的目标运行指标的影响程度。例如,将目标应用程序的内存占用作为第一参数值,修改为第二参数值后输出参考留存率,如果参考留存率与实际留存率的差异比较大,说明目标应用程序的开启频率对留存率的影响比较大,可以调节内存占用来调整留存率。
更新单元48,用于在所述实际运行指标和所述参考运行指标的目标差异满足目标条件的情况下,根据所述目标运行参数更新所述目标应用程序。
例如,目标运行参数是CPU的占用率,则降低CPU的占用率可以提高用户的留存率,则更新目标应用程序使得目标应用程序在运行时CPU的占用率更低。
本实施例通过目标应用程序预测第二参数值所对应的参考运行指标,并根据实际运行指标和参考运行指标的比较,确定出与实际运行指标对应的目标运行参数对目标应用程序的影响,从而对目标应用程序进行更新操作,解决了现有技术无法确定影响运行指标的参数而导致对应用程序的更新不准确的技术问题,达到了提高更新目标应用程序的准确性的技术效果。
在确定实际运行指标和参考运行指标的目标差异是否满足目标条件时,可以采用以下两种方式。一种方式是判断目标差异是否在目标范围内,如果在目标范围内,确定目标差异满足目标条件。另外一种方式是,对所有运行参数对应的多个差异进行排序,将排序靠前(差异由大到小排序)的差异作为目标条件,如果目标差异为排序靠前的差异其中之一,确定出目标差异满足目标条件,说明如下:
可选地,所述更新单元包括:判断模块,用于判断所述目标差异是否在目标范围内;确定模块,用于在判断出所述目标差异在所述目标范围内,则确定所述实际运行指标和所述参考运行指标的差异满足目标条件;第一更新模块,用于根据所述目标运行参数更新所述目标应用程序。
目标差异可以通过数值表示,目标范围可以是阈值范围,例如,当目标差异大于阈值时,确定目标差异在目标范围内。也就是说,该目标差异比较大,目标差异对应的目标运行参数对应用程序的运行指标影响比较大。
可选地,所述更新单元包括:第一获取模块,用于获取多个运行参数所关联的多个差异,其中,每个运行参数关联一个差异,所述差异为每个运行参数关联的实际运行指标和参考运行指标之间的差异,所述目标运行参数为所述多个运行参数的其中之一;查找模块,用于从所述多个差异中查找至少一个最大差异;第二更新模块,用于在所述目标差异为所述最大差异的情况下,根据所述目标运行参数更新所述目标应用程序。
可选地,第一获取模块包括:获取子模块,用于获取多个所述目标应用程序在所述目标运行参数下的第一差异,得到多个第一差异;处理子模块,用于对所述多个第一差异进行求平均处理,得到差异均值;差异子模块,用于将所述差异均值作为所述目标运行参数关联的差异。
可选地,所述更新单元包括:第二获取模块,用于在所述实际运行指标和所述参考运行指标的目标差异满足目标条件的情况下,获取多个所述目标应用程序关联的实际运行指标和参考运行指标,得到多个实际运行指标和多个参考运行指标,其中,多个所述目标应用程序安装在不同的终端上;分类模块,用于根据所述多个实际运行指标和所述多个参考运行指标对多个所述目标应用程序进行分类,得到第一类应用程序和第二类应用程序,其中,所述第一类应用程序在所述目标运行参数下的所述目标差异满足所述目标条件,所述第二类应用程序在所述目标运行参数下的所述目标差异不满足所述目标条件;第三更新模块,用于根据所述目标运行参数对所述第一类应用程序进行更新。
例如,目标运行参数对部分应用程序有影响的情况下,针对产生影响的部分应用程序进行更新。对全部应用程序有影响的情况下,对全部应用程序进行更新。对于全部应用程序进行更新的情况下,如果目标运行参数对应的产品特性比较好改动,则发布测试版本进行验证;如果目标运行参数对应的产品特性比较不好改动,则采用其他的方法判断需求,在确定需要改动的内容之后,再发布测试版本进行验证。
根据本发明实施例的又一个方面,还提供了一种用于实施上述数据处理方法的电子装置,如图5所示,该电子装置包括,包括存储器和处理器,该存储器中存储有计算机程序,该处理器被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,图5是根据本发明实施例的一种电子装置的结构框图。如图5所示,该电子装置可以包括:一个或多个(图中仅示出一个)处理器501、至少一个通信总线502、用户接口503、至少一个传输装置504和存储器505。其中,通信总线502用于实现这些组件之间的连接通信。其中,用户接口503可以包括显示器506和键盘507。传输装置504可选的可以包括标准的有线接口和无线接口。
可选地,在本实施例中,上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,获取目标模型根据目标应用程序的第一参数值输出的实际运行指标;
S2,获取所述目标模型根据所述目标应用程序的第二参数值输出的参考运行指标;
S3,在所述实际运行指标和所述参考运行指标的目标差异满足目标条件的情况下,根据所述目标运行参数更新所述目标应用程序。
可选地,本领域普通技术人员可以理解,图4所示的结构仅为示意,电子装置也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图5其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图5中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图5所示不同的配置。
其中,存储器505可用于存储软件程序以及模块,如本发明实施例中的数据处理方法和装置对应的程序指令/模块,处理器501通过运行存储在存储器505内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的数据处理方法。存储器505可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器505可进一步包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述的传输装置504用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置504包括一个网络适配器(NetworkInterface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置504为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
其中,具体地,存储器505用于存储目标模型和目标应用程序上报的运行参数。
本实施例通过目标应用程序预测第二参数值所对应的参考运行指标,并根据实际运行指标和参考运行指标的比较,确定出与实际运行指标对应的目标运行参数对目标应用程序的影响,从而对目标应用程序进行更新操作,解决了现有技术无法确定影响运行指标的参数而导致对应用程序的更新不准确的技术问题,达到了提高更新目标应用程序的准确性的技术效果。
本发明的实施例还提供了一种存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,获取目标模型根据目标应用程序的第一参数值输出的实际运行指标;
S2,获取所述目标模型根据所述目标应用程序的第二参数值输出的参考运行指标;
S3,在所述实际运行指标和所述参考运行指标的目标差异满足目标条件的情况下,根据所述目标运行参数更新所述目标应用程序。
可选地,存储介质还被设置为存储用于执行以下步骤的计算机程序:获取多个运行参数所关联的多个差异,其中,每个运行参数关联一个差异,所述差异为每个运行参数关联的实际运行指标和参考运行指标之间的差异,所述目标运行参数为所述多个运行参数的其中之一;从所述多个差异中查找至少一个最大差异;在所述目标差异为所述最大差异的情况下,根据所述目标运行参数更新所述目标应用程序。
可选地,存储介质还被设置为存储用于执行以下步骤的计算机程序:
获取多个所述目标应用程序在所述目标运行参数下的第一差异,得到多个第一差异;对所述多个第一差异进行求平均处理,得到差异均值;将所述差异均值作为所述目标运行参数关联的差异。
可选地,存储介质还被设置为存储用于执行以下步骤的计算机程序:
在所述实际运行指标和所述参考运行指标的目标差异满足目标条件的情况下,获取多个所述目标应用程序关联的实际运行指标和参考运行指标,得到多个实际运行指标和多个参考运行指标,其中,多个所述目标应用程序安装在不同的终端上;根据所述多个实际运行指标和所述多个参考运行指标对多个所述目标应用程序进行分类,得到第一类应用程序和第二类应用程序,其中,所述第一类应用程序在所述目标运行参数下的所述目标差异满足所述目标条件,所述第二类应用程序在所述目标运行参数下的所述目标差异不满足所述目标条件;根据所述目标运行参数对所述第一类应用程序进行更新。
可选地,存储介质还被设置为存储用于执行以下步骤的计算机程序:
采集安装在不同终端上的所述目标应用程序上报的运行参数;根据所述运行参数确定出安装在不同终端上的所述目标应用程序的所述运行指标;根据所述运行参数和所述运行指标对原始模型进行训练,得到所述目标模型。
可选地,存储介质还被设置为存储用于执行上述实施例中的方法中所包括的步骤的计算机程序,本实施例中对此不再赘述。
可选地,在本实施例中,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终端设备相关的硬件来完成,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:闪存盘、只读存储器(Read-Only Memory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
在本发明的上述实施例中,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。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (13)
1.一种数据处理方法,其特征在于,包括:
获取目标模型根据目标应用程序的第一参数值输出的实际运行指标,其中,所述目标模型用于根据目标应用程序的运行参数确定出所述目标应用程序的运行指标,所述第一参数值为所述目标应用程序的目标运行参数的值;
向所述目标模型输入所述目标应用程序的第二参数值,其中,所述第二参数值为更改所述第一参数值之后得到的所述目标运行参数的值;
获取所述目标模型根据所述第二参数值输出的参考运行指标;
在所述实际运行指标和所述参考运行指标的目标差异满足目标条件的情况下,根据所述目标运行参数更新所述目标应用程序包括:
判断所述目标差异是否在目标范围内;
在判断出所述目标差异在所述目标范围内,则确定所述实际运行指标和所述参考运行指标的差异满足目标条件;
根据所述目标运行参数更新所述目标应用程序。
2.根据权利要求1所述的方法,其特征在于,在所述实际运行指标和所述参考运行指标的目标差异满足目标条件的情况下,根据所述目标运行参数更新所述目标应用程序还包括:
获取多个运行参数所关联的多个差异,其中,每个运行参数关联一个差异,所述差异为每个运行参数关联的实际运行指标和参考运行指标之间的差异,所述目标运行参数为所述多个运行参数的其中之一;
从所述多个差异中查找至少一个最大差异;
在所述目标差异为所述最大差异的情况下,根据所述目标运行参数更新所述目标应用程序。
3.根据权利要求2所述的方法,其特征在于,获取多个运行参数所关联的多个差异包括:
获取多个所述目标应用程序在所述目标运行参数下的第一差异,得到多个第一差异;
对所述多个第一差异进行求平均处理,得到差异均值;
将所述差异均值作为所述目标运行参数关联的差异。
4.根据权利要求1所述的方法,其特征在于,在所述实际运行指标和所述参考运行指标的目标差异满足目标条件的情况下,根据所述目标运行参数更新所述目标应用程序还包括:
在所述实际运行指标和所述参考运行指标的目标差异满足目标条件的情况下,获取多个所述目标应用程序关联的实际运行指标和参考运行指标,得到多个实际运行指标和多个参考运行指标,其中,多个所述目标应用程序安装在不同的终端上;
根据所述多个实际运行指标和所述多个参考运行指标对多个所述目标应用程序进行分类,得到第一类应用程序和第二类应用程序,其中,所述第一类应用程序在所述目标运行参数下的所述目标差异满足所述目标条件,所述第二类应用程序在所述目标运行参数下的所述目标差异不满足所述目标条件;
根据所述目标运行参数对所述第一类应用程序进行更新。
5.根据权利要求1所述的方法,其特征在于,在获取目标模型根据目标应用程序的第一参数值输出的实际运行指标之前,所述方法还包括:
采集安装在不同终端上的所述目标应用程序上报的运行参数;
根据所述运行参数确定出安装在不同终端上的所述目标应用程序的所述运行指标;
根据所述运行参数和所述运行指标对原始模型进行训练,得到所述目标模型。
6.根据权利要求5所述的方法,其特征在于,采集安装在不同终端上的所述目标应用程序上报的运行参数包括:
采集的所述运行参数包括以下至少之一:
所述目标应用程序的安装时间、开启时间、功能运行数据、关联账号以及安装有所述目标应用程序的终端的性能数据。
7.一种数据处理装置,其特征在于,包括:
第一获取单元,用于获取目标模型根据目标应用程序的第一参数值输出的实际运行指标,其中,所述目标模型用于根据目标应用程序的运行参数确定出所述目标应用程序的运行指标,所述第一参数值为所述目标应用程序的目标运行参数的值;
输入单元,用于向所述目标模型输入所述目标应用程序的第二参数值,其中,所述第二参数值为更改所述第一参数值之后得到的所述目标运行参数的值;
第二获取单元,用于获取所述目标模型根据所述第二参数值输出的参考运行指标;
更新单元,用于在所述实际运行指标和所述参考运行指标的目标差异满足目标条件的情况下,根据所述目标运行参数更新所述目标应用程序;
所述更新单元包括:
判断模块,用于判断所述目标差异是否在目标范围内;
确定模块,用于在判断出所述目标差异在所述目标范围内,则确定所述实际运行指标和所述参考运行指标的差异满足目标条件;
第一更新模块,用于根据所述目标运行参数更新所述目标应用程序。
8.根据权利要求7所述的装置,其特征在于,所述更新单元包括:
第一获取模块,用于获取多个运行参数所关联的多个差异,其中,每个运行参数关联一个差异,所述差异为每个运行参数关联的实际运行指标和参考运行指标之间的差异,所述目标运行参数为所述多个运行参数的其中之一;
查找模块,用于从所述多个差异中查找至少一个最大差异;
第二更新模块,用于在所述目标差异为所述最大差异的情况下,根据所述目标运行参数更新所述目标应用程序。
9.根据权利要求8所述的装置,其特征在于,第一获取模块包括:
获取子模块,用于获取多个所述目标应用程序在所述目标运行参数下的第一差异,得到多个第一差异;
处理子模块,用于对所述多个第一差异进行求平均处理,得到差异均值;
差异子模块,用于将所述差异均值作为所述目标运行参数关联的差异。
10.根据权利要求7所述的装置,其特征在于,所述更新单元包括:
第二获取模块,用于在所述实际运行指标和所述参考运行指标的目标差异满足目标条件的情况下,获取多个所述目标应用程序关联的实际运行指标和参考运行指标,得到多个实际运行指标和多个参考运行指标,其中,多个所述目标应用程序安装在不同的终端上;
分类模块,用于根据所述多个实际运行指标和所述多个参考运行指标对多个所述目标应用程序进行分类,得到第一类应用程序和第二类应用程序,其中,所述第一类应用程序在所述目标运行参数下的所述目标差异满足所述目标条件,所述第二类应用程序在所述目标运行参数下的所述目标差异不满足所述目标条件;
第三更新模块,用于根据所述目标运行参数对所述第一类应用程序进行更新。
11.根据权利要求7所述的装置,其特征在于,所述装置还包括:
采集单元,用于在获取目标模型根据目标应用程序的第一参数值输出的实际运行指标之前,采集安装在不同终端上的所述目标应用程序上报的运行参数;
指标单元,用于根据所述运行参数确定出安装在不同终端上的所述目标应用程序的所述运行指标;
训练单元,用于根据所述运行参数和所述运行指标对原始模型进行训练,得到所述目标模型。
12.一种存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的方法。
13.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为通过所述计算机程序执行所述权利要求1至6任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810534202.2A CN110196805B (zh) | 2018-05-29 | 2018-05-29 | 数据处理方法、装置、存储介质和电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810534202.2A CN110196805B (zh) | 2018-05-29 | 2018-05-29 | 数据处理方法、装置、存储介质和电子装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110196805A CN110196805A (zh) | 2019-09-03 |
CN110196805B true CN110196805B (zh) | 2021-09-28 |
Family
ID=67751355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810534202.2A Active CN110196805B (zh) | 2018-05-29 | 2018-05-29 | 数据处理方法、装置、存储介质和电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110196805B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652379B (zh) * | 2020-05-29 | 2024-04-16 | 京东城市(北京)数字科技有限公司 | 模型管理方法、装置、电子设备及存储介质 |
CN111967719B (zh) * | 2020-07-21 | 2024-07-05 | 珠海格力电器股份有限公司 | 一种检测指标的更新方法和装置 |
CN113791975B (zh) * | 2021-08-25 | 2023-09-12 | 网易(杭州)网络有限公司 | 一种游戏测试方法、装置、计算机设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009543233A (ja) * | 2006-07-06 | 2009-12-03 | アコリ ネットワークス,インコーポレイテッド | アプリケーションシステムの負荷管理 |
CN101021810A (zh) * | 2007-03-08 | 2007-08-22 | 山东浪潮齐鲁软件产业股份有限公司 | 软件***性能评估方法 |
CN108073502B (zh) * | 2016-11-16 | 2021-06-08 | ***通信有限公司研究院 | 一种测试方法及其*** |
CN107862551B (zh) * | 2017-11-06 | 2021-05-11 | 广州虎牙信息科技有限公司 | 网络应用推广效果的预测方法、装置和终端设备 |
CN107809542B (zh) * | 2017-11-14 | 2020-06-12 | Oppo广东移动通信有限公司 | 应用程序控制方法、装置、存储介质和电子设备 |
-
2018
- 2018-05-29 CN CN201810534202.2A patent/CN110196805B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110196805A (zh) | 2019-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110012060B (zh) | 移动终端的信息推送方法、装置、存储介质和服务器 | |
CN102073699B (zh) | 用于基于用户行为来改善搜索结果的方法、装置和设备 | |
CN106339507B (zh) | 流媒体消息推送方法和装置 | |
WO2018130201A1 (zh) | 确定关联账号的方法、服务器及存储介质 | |
CN110196805B (zh) | 数据处理方法、装置、存储介质和电子装置 | |
US20180248879A1 (en) | Method and apparatus for setting access privilege, server and storage medium | |
WO2020093289A1 (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
CN111160624B (zh) | 一种用户意向预测方法、用户意向预测装置及终端设备 | |
CN108985048B (zh) | 模拟器识别方法及相关装置 | |
CN105159910A (zh) | 信息推荐方法和装置 | |
WO2019062405A1 (zh) | 应用程序的处理方法、装置、存储介质及电子设备 | |
CN111522724A (zh) | 异常账号的确定方法、装置、服务器及存储介质 | |
JP2014215685A (ja) | レコメンドサーバおよびレコメンドコンテンツ決定方法 | |
CN113626624B (zh) | 一种资源识别方法和相关装置 | |
CN117235371A (zh) | 视频推荐方法、模型训练方法及装置 | |
CN113011966A (zh) | 基于深度学习的信用评分方法及装置 | |
CN110516151B (zh) | 有效行为检测和个性化推荐方法 | |
CN112449002A (zh) | 一种待推送对象的推送方法、装置、设备及存储介质 | |
CN112052399A (zh) | 一种数据处理方法、装置和计算机可读存储介质 | |
JP5373670B2 (ja) | 質問推薦装置及び方法及びプログラム | |
CN111309706A (zh) | 模型训练方法、装置、可读存储介质及电子设备 | |
CN113536111B (zh) | 保险知识内容的推荐方法、装置和终端设备 | |
CN111368858A (zh) | 用户满意度评估方法及装置 | |
CN113011886B (zh) | 帐号类型的确定方法和装置及电子设备 | |
CN115393100A (zh) | 资源推荐方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |