应用程序预测模型建立、预加载方法、装置、介质及终端制造方法及图纸

本申请实施例公开了应用程序预测模型建立、预加载方法、装置、介质及终端。应用程序预测模型建立方法包括：获取预设时间段内的用户行为样本，其中，用户行为样本包括至少两个应用程序的使用时序关联记录；对使用时序关联记录进行分组，得到多组使用时序关联记录；根据多组使用时序关联记录，对预设神经网络模型进行训练，生成应用程序预测模型。本申请实施例通过采用上述技术方案，可以充分利用能够真实反映用户行为的应用程序使用时序关联记录，优化应用程序预加载机制，有效的提高了对待启动应用程序预测的准确性，进一步降低了终端系统功耗和内存占用率。

Establishment of Application Program Prediction Model, Preloading Method, Device, Medium and Terminal

【技术实现步骤摘要】
应用程序预测模型建立、预加载方法、装置、介质及终端
本申请实施例涉及机器学习
，尤其涉及应用程序预测模型建立、预加载方法、装置、介质及终端。
技术介绍
随着电子技术的快速发展和人们生活水平的日益提高，智能手机、平板电脑等终端已经成为人们生活中必不可少的一部分。终端上设置有各种各样的应用程序(ApplicationSoftware，APP)，为了使应用程序运行的更加流畅，通常终端会将提前将某些应用程序的加载资源准备好，即对某些应用程序提前进行预加载。但是，不能对应用程序进行随意预加载，因为若预加载太多资源，则会占用过大内存，同时功耗变大，会严重影响终端使用的流畅性。因此，优化预加载机制、降低终端功耗变得至关重要。
技术实现思路
本申请实施例提供应用程序预测模型建立、预加载方法、装置、介质及终端，可以优化应用程序的预加载机制，降低终端系统功耗。第一方面，本申请实施例提供了一种应用程序预测模型建立方法，包括：获取预设时间段内的用户行为样本，其中,所述用户行为样本包括至少两个应用程序的使用时序关联记录；对所述使用时序关联记录进行分组，得到多组使用时序关联记录；根据所述多组使用时序关联记录，对预设神经网络模型进行训练，生成应用程序预测模型。第二方面，本申请实施例提供了一种应用程序预加载方法，包括：获取t时刻终端运行应用程序的使用状态及t-1时刻至t-n时刻对应的终端运行应用程序的使用状态，其中，n为大于等于2的自然数；将所述使用状态输入至预先训练的应用程序预测模型中，获取所述应用程序预测模型输出的应用程序启动的概率值，其中，所述应用程序预测模型由多组使用时序关联记录训练生成，多组使用时序关联记录是对预设时间段内应用程序的使用时序关联记录进行分组得到的；根据所述概率值确定t+1时刻对应的待启动应用程序，并将所述待启动应用程序进行预加载。第三方面，本申请实施例提供了一种应用程序预测模型建立装置，该装置包括：用户行为样本获取模块，用于获取预设时间段内的用户行为样本，其中,所述用户行为样本包括至少两个应用程序的使用时序关联记录；使用时序关联记录分组模块，用于对所述使用时序关联记录进行分组，得到多组使用时序关联记录；应用程序预测模型生成模块，用于根据所述多组使用时序关联记录，对预设神经网络模型进行训练，生成应用程序预测模型。第四方面，本申请实施例提供了一种应用程序预加载装置，该装置包括：使用状态获取模块，用于获取t时刻终端运行应用程序的使用状态及t-1时刻至t-n时刻对应的终端运行应用程序的使用状态，其中，n为大于等于2的自然数；概率值获取模块，用于将所述使用状态输入至预先训练的应用程序预测模型中，获取所述应用程序预测模型输出的应用程序启动的概率值，其中，所述应用程序预测模型由多组使用时序关联记录训练生成，多组使用时序关联记录是对预设时间段内应用程序的使用时序关联记录进行分组得到的；应用程序预加载模块，用于根据所述概率值确定t+1时刻对应的待启动应用程序，并将所述待启动应用程序进行预加载。第五方面，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本申请实施例第一方面所述的应用程序预测模型建立方法。第六方面，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本申请实施例第二方面所述的应用程序预加载方法。第七方面，本申请实施例提供了一种终端，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例第一方面所述的应用程序预测模型建立方法。第八方面，本申请实施例提供了一种终端，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请实施例第二方面所述的应用程序预加载方法。本申请实施例中提供的应用程序预测模型建立及应用程序预加载方案，应用程序预测模型建立时，首先获取预设时间段内的用户行为样本，其中，用户行为样本包括至少两个应用程序的使用时序关联记录，然后对使用时序关联记录进行分组，得到多组使用时序关联记录，并根据多组使用时序关联记录，对预设神经网络模型进行训练，生成应用程序预测模型。在对应用程序进行预加载时，获取t时刻终端运行应用程序的使用状态及t-1时刻至t-n时刻对应的终端运行应用程序的使用状态，其中，n为大于等于2的自然数，并将使用状态输入至预先训练的应用程序预测模型中，获取应用程序预测模型输出的应用程序启动的概率值，其中，应用程序预测模型由多组使用时序关联记录训练生成，多组使用时序关联记录是对预设时间段内应用程序的使用时序关联记录进行分组得到的，最后根据概率值确定t+1时刻对应的待启动应用程序，并将待启动应用程序进行预加载。通过将用户在预设时间段内应用程序的使用时序关联记录分成多组使用时序关联记录，并将多组使用时序关联记录作为训练样本，生成应用程序预测模型，不仅解决了应用程序预加载太多资源，占用太多资源及功耗变大，甚至影响终端使用流程性的技术问题，而且有效的提高了对待启动应用程序预测的准确性，进一步降低了终端系统功耗和内存占用率。附图说明图1为本申请实施例提供的一种应用程序预测模型建立方法的流程示意图；图2为本申请实施例提供的以滑动窗口的形式对使用时序关联记录进行分组的过程示意图；图3为本申请实施例提供的另一种应用程序预测模型建立方法的流程示意图；图4为本申请实施例提供的又一种应用程序预测模型建立方法的流程示意图；图5为本申请实施例提供的应用程序预加载方法的流程示意图；图6为本申请实施例提供的一种应用程序预测模型建立装置的结构示意图；图7为本申请实施例提供的一种应用程序预加载装置的结构示意图；图8为本申请实施例提供的一种终端的结构示意图；图9为本申请实施例提供的另一种终端的结构示意图；图10为本申请实施例提供的又一种终端的结构示意图。具体实施方式下面结合附图并通过具体实施方式来进一步说明本专利技术的技术方案。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。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。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤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。在终端设备上，对应用程序进行预加载是一种常用且有效提升用户体验的方法，通过提前把某些应用的加载资源准备好，使其运行时更流畅。现有技术中，主要是基于统计的方法对应用程序进行预加载，比如用户最常用的应用程序可能只有几个，将其全部进行预加载；或者根据用户的使用习惯对应用程序进行打分排名，将排名较高的应用程序进行预加载。然而，上述方法由于忽略了应用程序之间相互关联的信息，以及时间信息，导致预加载应用程序的预测精度不够，需要预加载过多资源，但实际用户下一时刻使用的应用程序仅为一个，影响了用户体验。因此，准确预测用户下一时刻将要启动的应用本文档来自技高网...

【技术保护点】
1.一种应用程序预测模型建立方法，其特征在于，包括：获取预设时间段内的用户行为样本，其中，所述用户行为样本包括至少两个应用程序的使用时序关联记录；对所述使用时序关联记录进行分组，得到多组使用时序关联记录；根据所述多组使用时序关联记录，对预设神经网络模型进行训练，生成应用程序预测模型。

【技术特征摘要】
1.一种应用程序预测模型建立方法，其特征在于，包括：获取预设时间段内的用户行为样本，其中，所述用户行为样本包括至少两个应用程序的使用时序关联记录；对所述使用时序关联记录进行分组，得到多组使用时序关联记录；根据所述多组使用时序关联记录，对预设神经网络模型进行训练，生成应用程序预测模型。2.根据权利要求1所述的方法，其特征在于，所述获取预设时间段内的用户行为样本，包括：根据预设时间段内应用程序的使用频次对应用程序进行排序；根据排序结果确定至少两个目标应用程序；根据所述目标应用程序的使用状态确定使用时序关联记录，作为用户行为样本。3.根据权利要求2所述的方法，其特征在于，所述根据所述目标应用程序的使用状态确定使用时序关联记录，包括：按照预设采样周期对所述目标应用程序的使用日志进行采样，以确定采样时刻是否处于使用状态；根据采样时刻和使用状态，对至少两个目标应用程序的使用状态进行关联，确定使用时序关联记录；相应的，所述根据所述多组使用时序关联记录，对预设神经网络模型进行训练，包括：根据所述多组使用时序关联记录中采样时刻对应的使用状态，对预设神经网络模型进行训练。4.根据权利要求3所述的方法，其特征在于，所述对所述使用时序关联记录进行分组，得到多组使用时序关联记录，包括：将前n个采样时刻对应的应用程序使用时序关联记录作为第一组使用时序关联记录，将第2采样时刻至第n+1采样时刻对应的应用程序使用时序关联记录作为第二组使用时序关联记录，以此类推，得到m-n+1组使用时序关联记录，其中，n为大于等于2的自然数，m为大于等于3的自然数。5.根据权利要求1-4任一所述的方法，其特征在于，还包括：根据每组使用时序关联记录的向量维数确定所述应用程序预测模型的输入层单元数，根据所述应用程序的数量确定所述应用程序预测模型的输出层单元数。6.根据权利要求5所述的方法，其特征在于,所述应用程序预测模型采用的误差函数为交叉熵损失函数：其中，yk表示应用程序使用状态的标准值，表示应用程序使用状态的预测值，C＝M+1，其中M表示应用程序的数量，J表示应用程序预测模型的交叉熵。7.一种应用程序预加载方法，其特征在于，包括：获取t时刻终端运行应用程序的使用状态及t-1时刻至t-n时刻对应的终端运行应用程序的使用状态，其中...

【专利技术属性】
技术研发人员：陈岩，
申请(专利权)人：广东欧珀移动通信有限公司，
类型：发明
国别省市：广东,44