[发明专利]应用清理方法、装置、存储介质及电子设备

权利要求书

1.一种应用清理方法，其特征在于，包括：

获取待清理应用集合中应用在历史时间段内的多维特征，并将所述多维特征作为所述应用的训练样本，其中，每一维度上的参数对应表征应用或者应用所在电子设备的一种特征信息；

根据所述应用的训练样本对梯度提升决策树模型进行训练，得到每个应用的样本类别的最终估值模型函数，所述样本类别包括可清理或不可清理，其中，在对所述梯度提升决策树模型的训练过程中，计算出叶子节点的信息增益，并基于所述叶子节点的信息增益对估值模型函数进行更新；

获取每个应用在预测时间的多维特征作为每个应用的预测样本，并根据每个应用的预测样本以及最终估值模型函数获取每个应用可清理的信息增益；

根据每个应用可清理的信息增益对所述待清理应用集合中相应的应用进行清理。

2.如权利要求1所述的应用清理方法，其特征在于，根据所述应用的训练样本对梯度提升决策树模型进行训练，包括：

根据估值模型函数获取所述训练样本属于所述样本类别的初始概率；

对所述初始概率进行逻辑变换，得到变换后概率；

根据所述变换后概率和所述初始概率获取所述样本类别的梯度残差；

根据所述梯度残差构建相应的决策树；

根据所述决策树中叶子节点的信息增益，对所述估值模型函数进行更新，并返回执行根据估值模型函数获取所述训练样本分别属于样本类别的初始概率的步骤，直到决策树数量等于预设数量为止。

3.如权利要求2所述的应用清理方法，其特征在于，根据所述梯度残差构建相应的决策树，包括：

根据所述梯度残差减少的梯度方向以及预设叶子节点数量，构建相应的决策树。

4.如权利要求1所述的应用清理方法，其特征在于，根据所述应用可清理的信息增益对所述待清理应用集合中相应的应用进行清理，包括：

根据所述应用可清理的信息增益对所述待清理应用集合中应用进行排序，得到排序后应用集合；

根据预设应用清理比例对所述排序后应用集合中相应的应用进行清理。

5.如权利要求4所述的应用清理方法，其特征在于，根据预设应用清理比例对所述排序后应用集合中相应的应用进行清理，包括：

根据所述预设应用清理比例以及排序后应用集合中应用的数量，获取需要清理应用的目标数量；

以所述排序后应用集合的头部应用或者尾部应用为起点，选取所述目标数量的应用进行清理。

6.一种应用清理装置，其特征在于，包括：

特征获取单元，用于获取待清理应用集合中应用在历史时间段内的多维特征，并将所述多维特征作为所述应用的训练样本，其中，每一维度上的参数对应表征应用或者应用所在电子设备的一种特征信息；

训练单元，用于根据所述应用的训练样本对梯度提升决策树模型进行训练，得到每个应用的样本类别的最终估值模型函数，所述样本类别包括可清理或不可清理，其中，在对所述梯度提升决策树模型的训练过程中，计算出叶子节点的信息增益，并基于所述叶子节点的信息增益对估值模型函数进行更新；

增益获取单元，用于获取每个应用在预测时间的多维特征作为每个应用的预测样本，并根据每个应用的预测样本以及最终估值模型函数获取每个应用可清理的信息增益；

清理单元，用于根据所述预测样本和分类回归树模型预测所述应用是否可清理。

7.如权利要求6所述的应用清理装置，其特征在于，所述训练单元，包括：

概率获取子单元，用于根据估值模型函数获取所述训练样本属于所述样本类别的初始概率；

逻辑变换子单元，用于对所述初始概率进行逻辑变换，得到变换后概率；

残差获取子单元，用于根据所述变换后概率和所述初始概率获取所述样本类别的梯度残差；

树构建子单元，用于根据所述梯度残差构建相应的决策树；

更新子单元，用于根据所述决策树中叶子节点的信息增益，对所述估值模型函数进行更新，并触发概率获取子单元执行根据估值模型函数获取所述训练样本分别属于样本类别的初始概率的步骤，直到决策树数量等于预设数量为止。