[发明专利]应用程序控制方法、装置及存储介质和移动终端

权利要求书

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。