Nothing Special   »   [go: up one dir, main page]

CN108076224B - 应用程序控制方法、装置及存储介质和移动终端 - Google Patents

应用程序控制方法、装置及存储介质和移动终端 Download PDF

Info

Publication number
CN108076224B
CN108076224B CN201711394447.1A CN201711394447A CN108076224B CN 108076224 B CN108076224 B CN 108076224B CN 201711394447 A CN201711394447 A CN 201711394447A CN 108076224 B CN108076224 B CN 108076224B
Authority
CN
China
Prior art keywords
behavior
prediction model
preset
user
control operation
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
Application number
CN201711394447.1A
Other languages
English (en)
Other versions
CN108076224A (zh
Inventor
陈岩
刘耀勇
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 CN201711394447.1A priority Critical patent/CN108076224B/zh
Publication of CN108076224A publication Critical patent/CN108076224A/zh
Application granted granted Critical
Publication of CN108076224B publication Critical patent/CN108076224B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0484—Interaction techniques based on graphical user interfaces [GUI] for the control of specific functions or operations, e.g. selecting or manipulating an object, an image or a displayed text element, setting a parameter value or selecting a range
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G06F3/0487—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser
    • G06F3/0488—Interaction techniques based on graphical user interfaces [GUI] using specific features provided by the input device, e.g. functions controlled by the rotation of a mouse with dual sensing arrangements, or of the nature of the input device, e.g. tap gestures based on pressure sensed by a digitiser using a touch-screen or digitiser, e.g. input of commands through traced gestures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
    • H04M1/72406—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality by software upgrading or downloading
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72403—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality
    • H04M1/7243—User interfaces specially adapted for cordless or mobile telephones with means for local support of applications that increase the functionality with interactive means for internal management of messages
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72469—User interfaces specially adapted for cordless or mobile telephones for operating the device by selecting functions from two or more displayed items, e.g. menus or icons

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Telephone Function (AREA)
  • Stored Programmes (AREA)

Abstract

本申请实施例公开了一种应用程序控制方法、装置及存储介质和移动终端，所述方法包括：在设定周期内每隔设定时间，获取目前行为特征；获取基于机器学习方法生成的预设行为预测模型，所述预设行为预测模型由多个已知控制操作的行为特征样本训练得到，用于基于行为特征预测控制操作；将所述目前行为特征输入至所述预设行为预测模型，得到所述预设行为预测模型输出的预测结果；根据所述预测结果，自动执行符合用户行为习惯的控制操作，所述控制操作包括应用程序的数据清理和数据更新操作。本申请实施例提供的技术方案，可以自动执行符合用户行为习惯的应用程序控制操作，提升了应用程序控制的智能化。

Description

应用程序控制方法、装置及存储介质和移动终端
技术领域
本申请实施例涉及移动终端技术领域，尤其涉及一种应用程序控制方法、装置及存储介质和移动终端。
背景技术
手机等移动终端中的功能越来越多，为人们的生活和工作提供了便利，在移动终端中人们可以安装各式各样的应用软件，来支持移动终端不同功能的实现，人们可以利用手机接打电话，还可以听音乐、观看视频、聊天、玩游戏等。用户在使用移动终端的过程中，会有一些自身的行为习惯，现有技术中对应用程序进行控制时，并没有很好的利用该用户行为习惯，需要改进。
发明内容
本申请实施例提供一种应用程序控制方法、装置及存储介质和移动终端，可以自动执行符合用户行为习惯的应用程序控制操作。
在第一方面，本申请实施例提供了一种应用程序控制方法，包括：
在设定周期内每隔设定时间，获取目前行为特征；
获取基于机器学习方法生成的预设行为预测模型，所述预设行为预测模型由多个已知控制操作的行为特征样本训练得到，用于基于行为特征预测控制操作；
将所述目前行为特征输入至所述预设行为预测模型，得到所述预设行为预测模型输出的预测结果；
根据所述预测结果，自动执行符合用户行为习惯的控制操作，所述控制操作包括应用程序的数据清理和数据更新操作。
在第二方面，本申请实施例提供了一种应用程序控制装置，包括：
目前行为特征获取模块，在设定周期内每隔设定时间，获取目前行为特征；
预设行为预测模型获取模块，用于获取基于机器学习方法生成的预设行为预测模型，所述预设行为预测模型由多个已知控制操作的行为特征样本训练得到，用于基于行为特征预测控制操作；
控制操作预测模块，用于将所述目前行为特征输入至所述预设行为预测模型，得到所述预设行为预测模型输出的预测结果；
控制操作执行模块，用于自动执行所述符合用户行为习惯的控制操作，所述控制操作包括应用程序的数据清理和数据更新操作。
第三方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所提供的应用程序控制方法。
在第四方面，本申请实施例提供了一种移动终端，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，所述处理器执行时实现如第一方面所提供的应用程序控制方法。
本申请实施例提供的应用程序的控制方案，通过在设定周期内每隔设定时时间获取目前行为特征，将目前行为特征输入至基于机器学习方法生成的预设行为预测模型，得到所述预设行为预测模型输出的预测结果，根据所述预测结果，自动执行符合用户行为习惯的控制操作，所述控制操作包括应用程序的数据清理和数据更新操作，可以自动执行符合用户行为习惯的应用程序控制操作，提升了应用程序控制的智能化。
附图说明
图1是本申请实施例提供的一种应用程序控制方法的流程图；
图2是本申请实施例提供的另一种应用程序控制方法的流程图；
图3是本申请实施例提供的另一种应用程序控制方法的流程图；
图4是本申请实施例提供的一种应用程序控制装置的结构示意图；
图5是本申请实施例提供的一种移动终端的结构示意图；
图6是本申请实施例提供的另一种移动终端的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
图1给出了本申请实施例提供的一种应用程序控制方法的流程图，本实施例的方法可以由应用程序控制装置来执行，该装置可通过硬件和/或软件的方式实现，所述装置可作为移动终端一部分设置在所述移动终端的内部。本申请实施例中所述的移动终端包括但不限定于智能手机、平板电脑或者笔记本等设备。
如图1所示，本实施例提供的应用程序控制方法包括以下步骤：
步骤101、在设定周期内每隔设定时时间，获取目前行为特征。
在使用移动终端的过程中，由于移动终端种类和性能的不同，不同用户针对自己所使用的移动终端都有自己的行为习惯，例如，移动终端的内存不是很大，用户可能会经常清除一些应用程序的缓存数据，又例如，用户会根据自己的实际需求设置和使用不同的闹钟。现有技术中，这些行为习惯都是用户自己手动进行操作，不够智能且需要重复操作。本申请实施例提供的技术方案的一种适用场景就是：通过移动终端或者预设服务器学习用户的历史行为习惯，生成预设行为预测模型，在后续移动终端的使用过程中，获取移动终端一段时间内的行为特征，基于预设行为预测模型，预测待执行的应用程序控制操作，自动执行该控制操作。
其中，所述设定周期可以为一个月，设定时间可以为一个星期；所述设定周期可以为一个星期，设定时间可以为一天；所述设定周期可以为一天，设定时间可以为1个小时，也可为其他任意满足设定时间小于设定周期的情况，本实施例对此并不进行限制。
其中，所述行为特征可以包括用户行为特征和移动终端性能参数，所述移动终端性能参数可以包括内存、电量和网络情况等。所述目前行为特征可以为当前设定时间往前到设定周期开始的这段时间内所具备的行为特征。
可选的，若预设行为预测模型在移动终端上建立，则在步骤101之前还可以包括以下步骤：在移动终端的运行期间，采集用户操作移动终端的第一用户行为习惯；对所述第一用户行为习惯进行分析，得到第一基本行为特征；将所述第一基本行为特征作为训练样本，基于机器学习方法进行训练，生成预设行为预测模型。其中，所述用户行为习惯包括用户自身的行为习惯，还包括用户发生行为习惯的过程中移动终端的性能参数。
其中，所述基本行为特征包括移动终端的性能参数、应用程序标识、行为发生时间、行为结束时间、行为发生地点、行为内容和行为频率中的至少一项。所述目前行为特征可以为基本行为特征中的一项或者多项。示例性的，基本行为特征为应用程序标识、行为发生时间、行为结束时间、行为发生地点、行为内容和行为频率，目前行为特征为应用程序标识、行为发生时间、行为发生地点和行为内容。
步骤102、获取基于机器学习方法生成的预设行为预测模型。所述预设行为预测模型由多个已知控制操作的行为特征样本训练得到，用于基于行为特征预测控制操作。
该基于机器学习方法生成的预设行为预测模型的训练生成及更新过程可以在移动终端本地进行，也可以在预设服务器中进行，当预设行为预测模型训练生成完毕或者更新完毕后，可以直接发送到移动终端进行存储，或者在预设服务器进行存储，等待移动终端主动获取。相应的，该步骤102可以包括：从预设服务器中或者移动终端本地获取基于机器学习方法生成的预设行为预测模型。
可选的，所述机器学习方法包括神经网络方法、支持向量机方法、决策树方法、逻辑回归方法、贝叶斯方法、和随机森林方法。其中，神经网络(Neural Networks，简写为NNs)系统指的是人工神经网络，启发自人类大脑处理信息的生物神经网络，它包括输入层、隐藏层和输出层，相应的包括三种节点(神经网络的基本单元)：输入节点、隐藏节点和输出节点，输入节点从外部世界获取信息；隐藏节点和外部世界没有直接联系，这些节点利用激活函数进行计算，并将信息从输入节点传递到输出节点；输出节点用于向外部世界传递信息。
在本实施例中，对用户行为习惯样本的来源和数量不做限定，可以为移动终端用户对应用程序的历史行为习惯，也可以为目标用户群体对应用程序的历史行为习惯，也可以是两者的结合，优选为移动终端用户对应用程序的历史行为习惯。其中，该目标用户群组可以为移动终端用户具有相同用户属性的多个用户，用户属性可以包括年龄、性别、爱好和职业中的至少一项。本实施例以移动终端用户或者与移动终端用户具有相同用户属性的目标用户群体的历史行为习惯，作为样本进行训练，可以自动的进行贴合用户实际行为习惯的应用程序控制操作。
将历史用户行为习惯中的基本行为特征作为样本基于机器学习方法进行训练，得到预设行为预测模型，该预设行为预测模型的输入为行为特征，输出为该行为特征下待执行的对应用程序的控制操作。
可选的，在生成预设行为预测模型之后，还包括：每隔设定周期，系统自动获取当前设定时间周期内的第二用户行为习惯；对所述第二用户行为习惯进行分析，得到第二基本行为特征；将所述第二基本行为特征输入至所述预设行为预测模型中，获取所述预设行为预测模型的输出结果；若所述输出结果与所述第二基本行为特征对应的实际控制操作的差值超出了预设误差范围，则将所述第二基本行为特征作为新的训练样本对所述预设行为预测模型进行再次训练和更新。示例性的，所述设定周期可以为一天，即在生成预设行为预测模型之后，每天系统自动获取当天内的用户行为习惯。
步骤103、将所述目前行为特征输入至所述预设行为预测模型，得到所述预设行为预测模型输出的预测结果。
其中，预测结果可能为在该行为特征下符合用户行为习惯的控制操作，也可能为不执行任何控制操作。
步骤104、根据所述预测结果，自动执行符合用户行为习惯的待执行控制操作，所述控制操作包括应用程序的数据清理和数据更新操作。
在预测结果为该行为特征下符合用户行为习惯的控制操作时，自动执行所述控制操作。
可选的，所述应用程序的数据清理操作包括应用程序的缓存数据清理操作和/或后台应用程序的关闭操作，所述应用程序的数据更新操作包括应用程序的版本更新操作和/或应用程序的运行参数更新操作。示例性的，对于可播放音视频的应用程序，运行参数可以为听筒播放和扬声器播放，对于闹钟应用程序，运行参数可以为闹钟设置时间或者闹铃响铃方式等。
示例性的，若目前行为特征为移动终端的内存在500M-1G范围内，行为发生时间为晚上8点，将目前行为特征输入预设行为预测模型中，预设行为预测模型的输出结果为应用程序的缓存数据清理操作，则移动终端自动执行清除用户习惯清除的微信和天猫应用程序的缓存。示例性的，若目前行为特征为应用程序标识为闹钟、行为发生时间为晚上10点30分，行为结束时间为10点32分，行为内容为闹钟时间设置并后台保留运行，将目前行为特征输入至预设行为预测模型中，预设行为预测模型的输出结果为后台应用程序的关闭操作，则自动将后台保留运行的闹钟关闭。
本实施例提供的应用程序控制方法，通过在设定周期内每隔设定时时间获取目前行为特征，将目前行为特征输入至基于机器学习方法生成的预设行为预测模型，得到所述预设行为预测模型输出的预测结果，根据所述预测结果，自动执行符合用户行为习惯的控制操作，所述控制操作包括应用程序的数据清理和数据更新操作，可以自动执行符合用户行为习惯的应用程序控制操作，提升了应用程序控制的智能化。
下面以在移动终端本地建立预设行为预测模型为例，对基于预设行为预测模型对应用程序进行控制的方法进行简要描述。图2给出了本申请实施例提供的另一种应用程序控制方法的流程图。如图2所示，本实施例提供的应用程序控制方法包括以下步骤：
步骤201、在移动终端的运行期间，采集用户操作移动终端的第一用户行为习惯。
通过对用户较长时间操作移动终端的行为习惯进行记录，示例性，对用户操作移动终端的一系列连续操作进行记录，以及对该一系列连续操作后移动终端执行的控制操作进行记录。
步骤202、对所述第一用户行为习惯进行分析，得到第一基本行为特征。
可选的，所述第一基本行为特征包括移动终端的性能参数、应用程序标识、行为发生时间、行为结束时间、行为发生地点、行为内容和行为频率中的至少一项。
步骤203、将所述第一基本行为特征作为训练样本，基于机器学习方法进行训练，生成预设行为预测模型。
可选的，该步骤包括：将所述第一基本行为特征作为训练样本，基于不同的机器学习方法进行训练，生成多个候选行为预测模型；将所述候选行为预测模型中预测准确度最高的作为预设行为预测模型。
步骤204、在设定周期内每隔设定时时间，获取目前行为特征。
步骤205、将所述目前行为特征输入至所述预设行为预测模型，得到所述预设行为预测模型输出的预测结果。符合用户行为习惯的待执行控制操作。
步骤206、根据所述预测结果，自动执行符合用户行为习惯的控制操作，所述控制操作包括应用程序的数据清理和数据更新操作。
本实施例提供的方法，通过在移动终端中运行期间，采集用户操作移动终端的第一用户行为习惯，对第一用户行为习惯进行分析，得到第一基本行为特征，将第一基本行为特征作为训练样本，基于机器学习方法进行训练，生成预设行为预测模型，提供了一个符合用户行为习惯的控制操作预测模型，可以准确的根据目前行为特征预测移动终端的控制操作，并自动执行符合用户行为习惯的控制操作。
下面以机器学习为方法为神经网络方法为例，对利用神经网络方法生成的预设行为预测模型，进行应用程序控制的方法进行介绍。所述神经网络方法包括输入层、隐藏层和输出层。图3给出了本申请实施例提供的另一种应用程序控制方法的流程图。如图3所示，本实施例提供的应用程序控制方法包括以下步骤：
步骤301、在移动终端的运行期间，采集用户操作移动终端的第一用户行为习惯。
步骤302、对所述第一用户行为习惯进行分析，得到第一基本行为特征。
步骤303、将所述第一基本行为特征输入至所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出中间控制操作。
其中，所述激活函数是指为神经网络系统提供非线性建模能力，一般而言是非线性函数。激活函数可以包括relu函数、sigmoid函数、tanh函数或者maxout函数。
sigmoid是常用的非线性的激活函数，它的数学形式如下：
Figure BDA0001518204430000071
它的输出为0-1之间的值。tanh跟sigmoid还是很像的，实际上，tanh是sigmoid的变形：tanh(x)＝2sigmoid(2x)-1，与sigmoid不同的是，tanh是0均值的。近年来，relu变的越来越受欢迎。它的数学表达式如下：f(x)＝max(0，x)，其中，输入信号<0时，输出都是0，输入信号>0的情况下，输出等于输入。maxout函数的表达式如下：fi(x)＝maxj∈[1,k]Zij。假设输入节点包括x1和x2，对应的权重分别为w1和w2，还包括权重b，那么输出节点Y＝f(w1*x1+w2*x2+b)，其中f为激活函数。另外，输入层和输出层的个数通常均为一个，隐藏层可以由多层构成。
步骤304、利用所述中间控制操作与所述第一基本行为特征对应的实际控制操作之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直到所述中间控制操作与所述实际控制操作之间的差值在预设误差范围内，得到训练完成的各节点的激活函数，生成预设行为预测模型。
所述优化算法包括随机梯度下降(Stochastic Gradient Descent，SGD)算法、适应性矩估计(adaptive moment estimation，adam)算法或者Momentum算法。
步骤305、在设定周期内每隔设定时时间，获取目前行为特征。
步骤306、将所述目前行为特征输入至所述预设行为预测模型，得到所述预设行为预测模型输出的预测结果。
步骤307、根据所述预测结果，自动执行所述符合用户行为习惯的控制操作，所述控制操作包括应用程序的数据清理和数据更新操作。
本实施例提供的方法，采用神经网络方法对用户行为习惯进行训练生成预设行为预测模型，通过在设定周期内每隔设定时时间获取目前行为特征，将目前行为特征输入预设行为预测模型，得到所述预设行为预测模型输出的预测结果，根据所述预测结果，自动执行符合用户行为习惯的控制操作，实现了自动执行符合用户行为习惯的应用程序控制操作，提升了应用程序控制的智能化。
图4为本申请实施例提供的一种应用程序控制装置的结构示意图，该装置可由软件和/或硬件实现，集成在移动终端中。如图4所示，该装置包括目前行为特征获取模块41、预设行为预测模型获取模块42、控制操作预测模块43和控制操作执行模块44。
目前行为特征获取模块41，在设定周期内每隔设定时间，获取目前行为特征；
预设行为预测模型获取模块42，用于获取基于机器学习方法生成的预设行为预测模型，所述预设行为预测模型由多个已知控制操作的行为特征样本训练得到，用于基于行为特征预测控制操作；
控制操作预测模块43，用于将所述目前行为特征输入至所述预设行为预测模型，得到所述预设行为预测模型输出的预测结果；
控制操作执行模块44，用于自动执行所述符合用户行为习惯的控制操作，所述控制操作包括应用程序的数据清理和数据更新操作。
本实施例提供的装置，通过在设定周期内每隔设定时时间获取目前行为特征，将目前行为特征输入至基于机器学习方法生成的预设行为预测模型，得到所述预设行为预测模型输出的预测结果，根据所述预测结果，自动执行符合用户行为习惯的控制操作，所述控制操作包括应用程序的数据清理和数据更新操作，可以自动执行符合用户行为习惯的应用程序控制操作，提升了应用程序控制的智能化。
可选的，所述应用程序的数据清理操作包括应用程序的缓存数据清理操作和/或后台应用程序的关闭操作，所述应用程序的数据更新操作包括应用程序的版本更新操作和/或应用程序的运行参数更新操作。
可选的，所述装置还包括：
用户行为习惯采集模块，用于在移动终端的运行期间，采集用户操作移动终端的第一用户行为习惯；
基本行为特征获取模块，用于对所述第一用户行为习惯进行分析，得到第一基本行为特征；
预设行为预测模型生成模块，用于将所述第一基本行为特征作为训练样本，基于机器学习方法进行训练，生成预设行为预测模型。
可选的，所述基本行为特征包括移动终端的性能参数、应用程序标识、行为发生时间、行为结束时间、行为发生地点、行为内容和行为频率中的至少一项。
可选的，所述机器学习方法包括神经网络方法、支持向量机方法、决策树方法、逻辑回归方法、贝叶斯方法、和随机森林方法。
可选的，所述机器学习方法包括神经网络方法，所述神经网络方法包括输入层、隐藏层和输出层，所述预设行为预测模型生成模块具体用于：
将所述第一基本行为特征输入至所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出中间控制操作；
利用所述中间控制操作与所述第一基本行为特征对应的实际行为操作之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直到所述中间控制操作与所述实际行为操作之间的差值在预设误差范围内，得到训练完成的各节点的激活函数，生成预设行为预测模型。
可选的，还包括预设行为预测模型更新模块，具体用于：
在生成预设行为预测模型之后，每隔所述设定周期，系统自动获取当前设定周期内的第二用户行为习惯；
对所述第二用户行为习惯进行分析，得到第二基本行为特征；
将所述第二基本行为特征输入至所述预设行为预测模型中，获取所述预设行为预测模型的输出结果；
若所述输出结果与所述第二基本行为特征对应的实际控制操作的差值超出了预设误差范围，则将所述第二基本行为特征作为新的训练样本对所述预设行为预测模型进行再次训练和更新。
本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种应用程序控制方法，该方法包括：
在设定周期内每隔设定时间，获取目前行为特征；
获取基于机器学习方法生成的预设行为预测模型，所述预设行为预测模型由多个已知控制操作的行为特征样本训练得到，用于基于行为特征预测控制操作；
将所述目前行为特征输入至所述预设行为预测模型，得到所述预设行为预测模型输出的预测结果；
根据所述预测结果，自动执行符合用户行为习惯的控制操作，所述控制操作包括应用程序的数据清理和数据更新操作。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括可以驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的应用程序控制操作，还可以执行本申请任意实施例所提供的应用程序控制方法中的相关操作。
本申请实施例提供了一种移动终端，该移动终端中可集成本申请实施例提供的应用程序控制装置。图5为本申请实施例提供的一种移动终端的结构示意图。移动终端500可以包括：存储器501，处理器502及存储在存储器501上并可在处理器502运行的计算机程序，所述处理器502执行所述计算机程序时实现如本申请实施例所述的应用程序控制方法。
本申请实施例提供的移动终端，通过在设定周期内每隔设定时时间获取目前行为特征，将目前行为特征输入至基于机器学习方法生成的预设行为预测模型，得到所述预设行为预测模型输出的预测结果，根据所述预测结果，自动执行符合用户行为习惯的控制操作，所述控制操作包括应用程序的数据清理和数据更新操作，可以自动执行符合用户行为习惯的应用程序控制操作，提升了应用程序控制的智能化。
图6为本申请实施例提供的另一种移动终端的结构示意图，如图6所示，该移动终端可以包括：存储器601、中央处理器(Central Processing Unit，CPU)602(又称处理器，以下简称CPU)、所述存储器601，用于存储可执行程序代码；所述处理器602通过读取所述存储器601中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行：在设定周期内每隔设定时间，获取目前行为特征；获取基于机器学习方法生成的预设行为预测模型，所述预设行为预测模型由多个已知控制操作的行为特征样本训练得到，用于基于行为特征预测控制操作；将所述目前行为特征输入至所述预设行为预测模型，得到所述预设行为预测模型输出的预测结果；根据所述预测结果，自动执行符合用户行为习惯的控制操作，所述控制操作包括应用程序的数据清理和数据更新操作。
所述移动终端还包括：外设接口603、RF(Radio Frequency，射频)电路605、音频电路606、扬声器611、电源管理芯片608、输入/输出(I/O)子系统609、触摸屏612、其他输入/控制设备610以及外部端口604，这些部件通过一个或多个通信总线或信号线607来通信。
应该理解的是，图示移动终端600仅仅是移动终端的一个范例，并且移动终端600可以具有比图中所示出的更多的或者更少的部件，可以组合两个或更多的部件，或者可以具有不同的部件配置。图中所示出的各种部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件、或硬件和软件的组合中实现。
下面就本实施例提供的用于控制应用程序的移动终端进行详细的描述，该移动终端以手机为例。
存储器601，所述存储器601可以被CPU602、外设接口603等访问，所述存储器601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，例如一个或多个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
外设接口603，所述外设接口603可以将设备的输入和输出外设连接到CPU502和存储器601。
I/O子系统609，所述I/O子系统609可以将设备上的输入输出外设，例如触摸屏612和其他输入/控制设备610，连接到外设接口603。I/O子系统609可以包括显示控制器6091和用于控制其他输入/控制设备610的一个或多个输入控制器6092。其中，一个或多个输入控制器6092从其他输入/控制设备610接收电信号或者向其他输入/控制设备610发送电信号，其他输入/控制设备610可以包括物理按钮(按压按钮、摇臂按钮等)、拨号盘、滑动开关、操纵杆、点击滚轮。值得说明的是，输入控制器6092可以与以下任一个连接：键盘、红外端口、USB接口以及诸如鼠标的指示设备。
触摸屏612，所述触摸屏612是用户终端与用户之间的输入接口和输出接口，将可视输出显示给用户，可视输出可以包括图形、文本、图标、视频等。
I/O子系统609中的显示控制器6091从触摸屏612接收电信号或者向触摸屏612发送电信号。触摸屏612检测触摸屏上的接触，显示控制器6091将检测到的接触转换为与显示在触摸屏612上的用户界面对象的交互，即实现人机交互，显示在触摸屏612上的用户界面对象可以是运行游戏的图标、联网到相应网络的图标等。值得说明的是，设备还可以包括光鼠，光鼠是不显示可视输出的触摸敏感表面，或者是由触摸屏形成的触摸敏感表面的延伸。
RF电路605，主要用于建立手机与无线网络(即网络侧)的通信，实现手机与无线网络的数据接收和发送。例如收发短信息、电子邮件等。具体地，RF电路605接收并发送RF信号，RF信号也称为电磁信号，RF电路605将电信号转换为电磁信号或将电磁信号转换为电信号，并且通过该电磁信号与通信网络以及其他设备进行通信。RF电路605可以包括用于执行这些功能的已知电路，其包括但不限于天线系统、RF收发机、一个或多个放大器、调谐器、一个或多个振荡器、数字信号处理器、CODEC(COder-DECoder，编译码器)芯片组、用户标识模块(Subscriber Identity Module，SIM)等等。
音频电路606，主要用于从外设接口603接收音频数据，将该音频数据转换为电信号，并且将该电信号发送给扬声器611。
扬声器611，用于将手机通过RF电路605从无线网络接收的语音信号，还原为声音并向用户播放该声音。
电源管理芯片608，用于为CPU602、I/O子系统及外设接口603所连接的硬件进行供电及电源管理。
上述实施例中提供的应用程序控制装置、存储介质及移动终端可执行本申请任意实施例所提供的应用程序控制方法，具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的应用程序控制方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。

Claims (5)

1.一种应用程序控制方法，其特征在于，包括：
在移动终端的运行期间，采集用户操作移动终端的第一用户行为习惯；
对所述第一用户行为习惯进行分析，得到第一基本行为特征；
将所述第一基本行为特征作为训练样本，基于机器学习方法进行训练，生成预设行为预测模型；
每隔设定周期，系统自动获取当前设定周期内的第二用户行为习惯；
对所述第二用户行为习惯进行分析，得到第二基本行为特征；
将所述第二基本行为特征输入至所述预设行为预测模型中，获取所述预设行为预测模型的输出结果；
若所述输出结果与所述第二基本行为特征对应的实际控制操作的差值超出了预设误差范围，则将所述第二基本行为特征作为新的训练样本对所述预设行为预测模型进行再次训练和更新；所述第一基本行为特征和所述第二基本行为特征均包括移动终端的性能参数、应用程序标识、行为发生时间、行为结束时间、行为发生地点、行为内容和行为频率中的至少一项；
在所述设定周期内每隔设定时间，获取目前行为特征；获取基于机器学习方法生成的预设行为预测模型，所述预设行为预测模型由多个已知控制操作的行为特征样本训练得到，用于基于行为特征预测控制操作；其中，所述第一用户行为习惯和所述第二用户行为习惯为目标用户群体和移动终端用户对应用程序的历史行为习惯，或者，所述第一用户行为习惯和第二用户行为习惯为目标用户群体对应用程序的历史行为习惯，所述目标用户群体为具有相同用户属性的多个用户，所述目前行为特征包括用户行为特征和移动终端性能参数，所述移动终端性能参数包括内存、电量和网络情况；
将所述目前行为特征输入至所述预设行为预测模型，得到所述预设行为预测模型输出的预测结果；
根据所述预测结果，自动执行符合用户行为习惯的控制操作，所述控制操作包括应用程序的数据清理和数据更新操作，所述应用程序的数据更新操作包括应用程序的版本更新操作和/或应用程序的运行参数更新操作；
所述机器学习方法包括神经网络方法，所述神经网络方法包括输入层、隐藏层和输出层，所述将所述第一基本行为特征作为训练样本，基于机器学习方法进行训练，生成预设行为预测模型包括：
将所述第一基本行为特征输入至所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出中间控制操作；
利用所述中间控制操作与所述第一基本行为特征对应的实际行为操作之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直到所述中间控制操作与所述实际行为操作之间的差值在预设误差范围内，得到训练完成的各节点的激活函数，生成预设行为预测模型。
2.根据权利要求1所述的应用程序控制方法，其特征在于，所述机器学习方法包括神经网络方法、支持向量机方法、决策树方法、逻辑回归方法、贝叶斯方法、和随机森林方法。
3.一种应用程序控制装置，其特征在于，包括：
用户行为习惯采集模块，用于在移动终端的运行期间，采集用户操作移动终端的第一用户行为习惯；
基本行为特征获取模块，用于对所述第一用户行为习惯进行分析，得到第一基本行为特征；
预设行为预测模型生成模块，用于将所述第一基本行为特征作为训练样本，基于机器学习方法进行训练，生成预设行为预测模型；
预设行为预测模型更新模块，用于在生成预设行为预测模型之后，每隔设定周期，系统自动获取当前设定周期内的第二用户行为习惯；
对所述第二用户行为习惯进行分析，得到第二基本行为特征；
将所述第二基本行为特征输入至所述预设行为预测模型中，获取所述预设行为预测模型的输出结果；
若所述输出结果与所述第二基本行为特征对应的实际控制操作的差值超出了预设误差范围，则将所述第二基本行为特征作为新的训练样本对所述预设行为预测模型进行再次训练和更新；
所述第一基本行为特征和所述第二基本行为特征均包括移动终端的性能参数、应用程序标识、行为发生时间、行为结束时间、行为发生地点、行为内容和行为频率中的至少一项；
目前行为特征获取模块，在所述设定周期内每隔设定时间，获取目前行为特征；
预设行为预测模型获取模块，用于获取基于机器学习方法生成的预设行为预测模型，所述预设行为预测模型由多个已知控制操作的行为特征样本训练得到，用于基于行为特征预测控制操作；其中，所述第一用户行为习惯和所述第二用户行为习惯为目标用户群体和移动终端用户对应用程序的历史行为习惯，或者，所述第一用户行为习惯和所述第二用户行为习惯为目标用户群体对应用程序的历史行为习惯，所述目标用户群体为具有相同用户属性的多个用户，所述目前行为特征包括用户行为特征和移动终端性能参数，所述移动终端性能参数包括内存、电量和网络情况；
控制操作预测模块，用于将所述目前行为特征输入至所述预设行为预测模型，得到所述预设行为预测模型输出的预测结果；
控制操作执行模块，用于自动执行符合用户行为习惯的控制操作，所述控制操作包括应用程序的数据清理和数据更新操作，所述应用程序的数据更新操作包括应用程序的版本更新操作和/或应用程序的运行参数更新操作；
所述机器学习方法包括神经网络方法，所述神经网络方法包括输入层、隐藏层和输出层，所述预设行为预测模型生成模块还用于，将所述第一基本行为特征输入至所述输入层，并经过与所述隐藏层各节点对应的激活函数的计算，输出中间控制操作；
利用所述中间控制操作与所述第一基本行为特征对应的实际行为操作之间的差值，以及优化算法对所述激活函数中的权重进行反复修正，直到所述中间控制操作与所述实际行为操作之间的差值在预设误差范围内，得到训练完成的各节点的激活函数，生成预设行为预测模型。
4.一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，该程序被处理器执行时实现如权利要求1-2中任一所述的应用程序控制方法。
5.一种移动终端，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-2中任一所述的应用程序控制方法。
CN201711394447.1A 2017-12-21 2017-12-21 应用程序控制方法、装置及存储介质和移动终端 Active CN108076224B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711394447.1A CN108076224B (zh) 2017-12-21 2017-12-21 应用程序控制方法、装置及存储介质和移动终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711394447.1A CN108076224B (zh) 2017-12-21 2017-12-21 应用程序控制方法、装置及存储介质和移动终端

Publications (2)

Publication Number Publication Date
CN108076224A CN108076224A (zh) 2018-05-25
CN108076224B true CN108076224B (zh) 2021-06-29

Family

ID=62158929

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711394447.1A Active CN108076224B (zh) 2017-12-21 2017-12-21 应用程序控制方法、装置及存储介质和移动终端

Country Status (1)

Country Link
CN (1) CN108076224B (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108595227A (zh) 2018-05-10 2018-09-28 Oppo广东移动通信有限公司 应用程序预加载方法、装置、存储介质及移动终端
CN108595228B (zh) 2018-05-10 2021-03-12 Oppo广东移动通信有限公司 应用程序预测模型建立方法、装置、存储介质及移动终端
CN108710513B (zh) 2018-05-15 2020-07-21 Oppo广东移动通信有限公司 应用程序启动方法、装置、存储介质及终端
CN108920156A (zh) * 2018-05-29 2018-11-30 Oppo广东移动通信有限公司 应用程序预测模型建立方法、装置、存储介质及终端
CN108804157A (zh) 2018-06-05 2018-11-13 Oppo广东移动通信有限公司 应用程序预加载方法、装置、存储介质及终端
JP7031502B2 (ja) * 2018-06-07 2022-03-08 オムロン株式会社 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム
CN108829863B (zh) * 2018-06-22 2021-07-30 Oppo广东移动通信有限公司 信息预测方法、装置、存储介质及终端
CN108958629B (zh) * 2018-07-05 2020-09-08 Oppo广东移动通信有限公司 分屏退出方法、装置、存储介质和电子设备
US10885905B2 (en) * 2018-07-13 2021-01-05 Samsung Electronics Co., Ltd. Predicting user actions on ubiquitous devices
CN109120487B (zh) * 2018-09-06 2021-09-17 深圳市沃特沃德信息有限公司 智能设备无线控制方法及装置
CN109324902B (zh) * 2018-09-21 2021-03-26 深圳市中科明望通信软件有限公司 一种调整移动终端工作频率的方法、移动终端及存储介质
CN110969249A (zh) * 2018-09-29 2020-04-07 北京国双科技有限公司 生产井产量预测模型建立方法、生产井产量预测方法及相关装置
CN111050385A (zh) * 2018-10-15 2020-04-21 中兴通讯股份有限公司 一种应用清理方法、装置、设备及可读存储介质
CN109408384B (zh) * 2018-10-16 2022-07-29 网易（杭州）网络有限公司 软件应用的测试方法、装置、处理器及电子装置
CN110364162B (zh) * 2018-11-15 2022-03-15 腾讯科技（深圳）有限公司 一种人工智能的重置方法及装置、存储介质
CN111800537B (zh) * 2019-04-09 2021-07-20 Oppo广东移动通信有限公司 终端使用状态的评估方法、装置、存储介质及电子设备
CN111798018B (zh) * 2019-04-09 2024-08-02 Oppo广东移动通信有限公司 行为预测方法、装置、存储介质及电子设备
CN112783412A (zh) * 2019-11-04 2021-05-11 阿里巴巴集团控股有限公司 页面控制方法、页面控制装置、电子书阅读器及电子设备
CN111651263B (zh) * 2020-02-12 2023-10-13 北京小米移动软件有限公司 移动终端的资源处理方法、装置、计算机设备及存储介质
TW202137078A (zh) * 2020-03-24 2021-10-01 廣達電腦股份有限公司 資料處理系統及資料處理方法
CN112227007B (zh) * 2020-09-18 2023-08-25 张国政 一种洗衣机购买衣物处理剂的控制方法
CN112947264A (zh) * 2021-04-21 2021-06-11 苏州希盟科技股份有限公司 点胶机控制方法、装置、电子设备及介质
CN116040713B (zh) * 2023-02-27 2023-11-21 南栖仙策(南京)高新技术有限公司 一种污水处理中的曝气方法、装置、设备、存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102378156A (zh) * 2010-08-10 2012-03-14 鸿富锦精密工业（深圳）有限公司 客户端设备及更新设备参数的方法
CN103677936A (zh) * 2013-12-23 2014-03-26 联想(北京)有限公司 一种应用版本升级方法及电子设备
CN104317628A (zh) * 2014-11-13 2015-01-28 北京奇虎科技有限公司 移动终端及其存储空间清理方法
CN104375856A (zh) * 2014-09-24 2015-02-25 腾讯科技（深圳）有限公司 应用更新方法和装置
CN105100144A (zh) * 2014-05-05 2015-11-25 腾讯科技（深圳）有限公司 更新应用的方法及装置
CN105224335A (zh) * 2015-10-22 2016-01-06 上海斐讯数据通信技术有限公司 一种自动清理终端设备的控制方法、系统及终端设备
CN105487877A (zh) * 2014-09-16 2016-04-13 中兴通讯股份有限公司 一种版本更新方法、系统及基站
CN105939416A (zh) * 2016-05-30 2016-09-14 努比亚技术有限公司 移动终端及其应用预启动方法
CN106203067A (zh) * 2016-06-22 2016-12-07 广东欧珀移动通信有限公司 一种应用程序的清理方法及装置
CN106502747A (zh) * 2016-11-02 2017-03-15 武汉斗鱼网络科技有限公司 一种应用升级的方法及移动终端
CN106775816A (zh) * 2016-10-28 2017-05-31 广州视源电子科技股份有限公司 一种局域网中应用程序的自动更新方法及系统
CN107203774A (zh) * 2016-03-17 2017-09-26 阿里巴巴集团控股有限公司 对数据的归属类别进行预测的方法及装置

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120324481A1 (en) * 2011-06-16 2012-12-20 Samsung Electronics Co. Ltd. Adaptive termination and pre-launching policy for improving application startup time
CN102999368B (zh) * 2012-12-14 2017-10-03 广东欧珀移动通信有限公司 移动终端中程序预先启动方法、装置及移动终端
CN104679743B (zh) * 2013-11-26 2019-10-29 阿里巴巴集团控股有限公司 一种确定用户的偏好模式的方法及装置
CN103761306B (zh) * 2014-01-22 2017-08-04 广东欧珀移动通信有限公司 一种智能终端文件清理方法及装置
CN105095251B (zh) * 2014-05-06 2019-12-20 中兴通讯股份有限公司 一种基于用户习惯的终端自动展示方法及装置
CN105094305B (zh) * 2014-05-22 2018-05-18 华为技术有限公司 识别用户行为的方法、用户设备及行为识别服务器
CN104360875B (zh) * 2014-10-22 2017-09-12 小米科技有限责任公司 隐私模式启动方法和装置
CN105426036A (zh) * 2015-10-26 2016-03-23 努比亚技术有限公司 应用程序的界面展示升级方法、装置及系统
CN105893024A (zh) * 2016-01-15 2016-08-24 广东欧珀移动通信有限公司 一种移动终端的智能交互方法、装置及移动终端
CN105955741A (zh) * 2016-04-29 2016-09-21 乐视控股（北京）有限公司 应用处理方法及装置
CN106230849B (zh) * 2016-08-22 2019-04-19 中国科学院信息工程研究所 一种基于用户行为的智能设备机器学习安全监测系统
CN106339444A (zh) * 2016-08-23 2017-01-18 深圳市金立通信设备有限公司 一种即时删除文件的方法及终端
CN106598571A (zh) * 2016-11-17 2017-04-26 珠海市魅族科技有限公司 终端控制方法及装置

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102378156A (zh) * 2010-08-10 2012-03-14 鸿富锦精密工业（深圳）有限公司 客户端设备及更新设备参数的方法
CN103677936A (zh) * 2013-12-23 2014-03-26 联想(北京)有限公司 一种应用版本升级方法及电子设备
CN105100144A (zh) * 2014-05-05 2015-11-25 腾讯科技（深圳）有限公司 更新应用的方法及装置
CN105487877A (zh) * 2014-09-16 2016-04-13 中兴通讯股份有限公司 一种版本更新方法、系统及基站
CN104375856A (zh) * 2014-09-24 2015-02-25 腾讯科技（深圳）有限公司 应用更新方法和装置
CN104317628A (zh) * 2014-11-13 2015-01-28 北京奇虎科技有限公司 移动终端及其存储空间清理方法
CN105224335A (zh) * 2015-10-22 2016-01-06 上海斐讯数据通信技术有限公司 一种自动清理终端设备的控制方法、系统及终端设备
CN107203774A (zh) * 2016-03-17 2017-09-26 阿里巴巴集团控股有限公司 对数据的归属类别进行预测的方法及装置
CN105939416A (zh) * 2016-05-30 2016-09-14 努比亚技术有限公司 移动终端及其应用预启动方法
CN106203067A (zh) * 2016-06-22 2016-12-07 广东欧珀移动通信有限公司 一种应用程序的清理方法及装置
CN106775816A (zh) * 2016-10-28 2017-05-31 广州视源电子科技股份有限公司 一种局域网中应用程序的自动更新方法及系统
CN106502747A (zh) * 2016-11-02 2017-03-15 武汉斗鱼网络科技有限公司 一种应用升级的方法及移动终端

Also Published As

Publication number Publication date
CN108076224A (zh) 2018-05-25

Similar Documents

Publication Publication Date Title
CN108076224B (zh) 应用程序控制方法、装置及存储介质和移动终端
CN108153463B (zh) 应用界面显示控制方法、装置及存储介质和移动终端
CN108156317B (zh) 通话语音控制方法、装置及存储介质和移动终端
CN107644642B (zh) 语义识别方法、装置、存储介质及电子设备
CN107995370B (zh) 通话控制方法、装置及存储介质和移动终端
KR102355481B1 (ko) 반복된 액션에 대한 스마트 어시스트
CN107995428B (zh) 图像处理方法、装置及存储介质和移动终端
CN108062180B (zh) 触摸屏灵敏度控制方法、装置及存储介质和移动终端
CN109947498B (zh) 应用程序预加载方法、装置、存储介质及移动终端
EP3575961B1 (en) Method and apparatus for updating application prediction model, storage medium, and terminal
CN107944277B (zh) 应用启动的控制方法、装置、存储介质及智能终端
CN109947497B (zh) 应用程序预加载方法、装置、存储介质及移动终端
CN107809542B (zh) 应用程序控制方法、装置、存储介质和电子设备
CN110069715B (zh) 一种信息推荐模型训练的方法、信息推荐的方法及装置
CN108228270B (zh) 启动资源加载方法及装置
CN108958828B (zh) 应用程序预加载方法、装置、存储介质及终端
CN107704070B (zh) 应用清理方法、装置、存储介质及电子设备
CN108804153B (zh) 应用程序的预加载方法、装置、存储介质及终端
CN107911491A (zh) 信息推荐方法、装置及存储介质、服务器和移动终端
CN109947496A (zh) 应用程序预加载方法、装置、存储介质及移动终端
CN107870810B (zh) 应用清理方法、装置、存储介质及电子设备
CN109814936A (zh) 应用程序预测模型建立、预加载方法、装置、介质及终端
CN109240991B (zh) 文件推荐方法、装置、存储介质及智能终端
CN107402808B (zh) 进程管理方法、装置、存储介质及电子设备
CN107766546B (zh) 应用推荐方法、装置、存储介质及终端设备

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
CB02 Change of applicant information

Address after: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18

Applicant after: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd.

Address before: Changan town in Guangdong province Dongguan 523860 usha Beach Road No. 18

Applicant before: GUANGDONG OPPO MOBILE TELECOMMUNICATIONS Corp.,Ltd.

GR01 Patent grant
GR01 Patent grant