应用程序控制方法、装置及存储介质和移动终端制造方法及图纸

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。

【技术实现步骤摘要】
应用程序控制方法、装置及存储介质和移动终端
本申请实施例涉及移动终端
，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。
技术介绍
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。
技术实现思路
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(NeuralNetworks，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、隐藏层和输出本文档来自技高网...

【技术保护点】
一种应用程序控制方法，其特征在于，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。

【技术特征摘要】
1.一种应用程序控制方法，其特征在于，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。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。3.根据权利要求1所述的应用程序控制方法，其特征在于，还包括：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。4.根据权利要求3所述的应用程序控制方法，其特征在于，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。5.根据权利要求1-4任一项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。6.根据权利要求3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，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...

【专利技术属性】
技术研发人员：陈岩，刘耀勇，
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