本申请涉及通信
技术领域：
，具体涉及一种后台应用清理方法、装置、存储介质及电子设备。
背景技术：
：目前，智能手机等电子设备上，通常会安装多个不同功能的应用，以解决用户的不同需求。目前电子设备的系统支持多个应用同时运行，即一个应用在前台运行，其他应用可以在后台运行。如果长时间不清理后台运行的应用，则会导致电子设备的可用内存变小、中央处理器(centralprocessingunit，cpu)占用率过高，导致电子设备出现运行速度变慢，卡顿，耗电过快等问题。因此，有必要提供一种方法解决上述问题。技术实现要素：有鉴于此，本申请实施例提供了一种后台应用清理方法、装置、存储介质及电子设备，能够提高电子设备的运行流畅度，降低功耗。第一方面，本申请实施例提供的后台应用清理方法，包括：采集应用的多维特征信息作为样本，构建所述应用的样本集；按照预设规则从所述样本集中提取特征信息，构建多个训练集；对每个训练集进行训练，生成对应的决策树；当所述应用进入后台时，利用生成的多棵决策树对所述应用的当前特征信息进行预测，并输出多个预测结果，所述预测结果包括可清理和不可清理；根据所述多个预测结果确定是否可以清理所述应用。第二方面，本申请实施例提供的后台应用清理装置，包括：采集单元，用于采集应用的多维特征信息作为样本，构建所述应用的样本集；提取单元，用于按照预设规则从所述样本集中提取特征信息，构建多个训练集；训练单元，用于对每个训练集进行训练，生成对应的决策树；预测单元，用于当所述应用进入后台时，利用生成的多棵决策树对所述应用的当前特征信息进行预测，并输出多个预测结果，所述预测结果包括可清理和不可清理；第一确定单元，用于根据所述多个预测结果确定是否可以清理所述应用。第三方面，本申请实施例提供的存储介质，其上存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行如本申请实施例第一方面所述的后台应用清理方法。第四方面，本申请实施例提供的电子设备，包括处理器和存储器，所述存储器有计算机程序，其特征在于，所述处理器通过调用所述计算机程序，用于执行如本申请实施例第一方面所述的后台应用清理方法。本申请实施例中，通过采集应用的多维特征信息作为样本，构建所述应用的样本集，按照预设规则从所述样本集中提取特征信息，构建多个训练集，对每个训练集进行训练，生成对应的决策树，当所述应用进入后台时，利用生成的多棵决策树对所述应用的当前特征信息进行预测，并输出多个预测结果，根据所述多个预测结果确定是否可以清理所述应用，清理可以清理的应用，以此实现了后台应用的自动清理，提高了电子设备的运行流畅度，降低了功耗。附图说明为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本申请实施例提供的后台应用清理方法的应用场景示意图。图2是本申请实施例提供的后台应用清理方法的一个流程示意图。图3是本申请实施例提供的决策树的生成方法的一个流程示意图。图4a是本申请实施例提供的后台应用清理方法的另一流程示意图。图4b是本申请实施例提供的后台应用清理方法的另一流程示意图。图4c是本申请实施例生成的决策树的一个结构示意图。图5是本申请实施例提供的后台应用清理装置的一个结构示意图。图6是本申请实施例提供的后台应用清理装置的另一结构示意图。图7是本申请实施例提供的电子设备的一个结构示意图。图8是本申请实施例提供的电子设备的另一结构示意图。具体实施方式请参照图式，其中相同的组件符号代表相同的组件，本申请的原理是以实施在一适当的运算环境中来举例说明。以下的说明是基于所例示的本申请具体实施例，其不应被视为限制本申请未在此详述的其它具体实施例。在以下的说明中，本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本文所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本申请原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。本文所使用的术语“模块”可看做为在该运算系统上执行的软件对象。本文所述的不同组件、模块、引擎及服务可看做为在该运算系统上的实施对象。而本文所述的装置及方法可以以软件的方式进行实施，当然也可在硬件上进行实施，均在本申请保护范围之内。本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是某些实施例还包括没有列出的步骤或模块，或某些实施例还包括对于这些过程、方法、产品或设备固有的其它步骤或模块。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。本申请实施例提供一种后台应用清理方法，该后台应用清理方法的执行主体可以是本申请实施例提供的后台应用清理装置，或者集成了该后台应用清理装置的电子设备，其中该后台应用清理装置可以采用硬件或者软件的方式实现。其中，电子设备可以是智能手机、平板电脑、掌上电脑、笔记本电脑、或者台式电脑等设备。请参阅图1，图1为本申请实施例提供的后台应用清理方法的应用场景示意图，以后台应用清理装置为电子设备为例，电子设备可以采集应用的多维特征信息作为样本，构建所述应用的样本集；按照预设规则从所述样本集中提取特征信息，构建多个训练集；对每个训练集进行训练，生成对应的决策树；当所述应用进入后台时，利用生成的多棵决策树对所述应用的当前特征信息进行预测，并输出多个预测结果，所述预测结果包括可清理和不可清理；根据所述多个预测结果确定是否可以清理所述应用。具体地，例如图1所示，以判断后台运行的邮箱应用是否可以清理为例，可以在历史时间段内，按照预设频率采集邮箱应用的多维特征信息(例如邮箱每天进入后台运行的时长、邮箱每天进入前台的次数等)作为样本，构建邮箱应用的样本集，提取样本集中的特征信息构建多个训练集，对每个训练集进行训练，生成对应的决策树，例如图1所示，生成了7棵决策树，利用每棵决策树对邮箱应用的当前特征进行预测，输出7个预测结果，用“1”表示预测结果“可清理”，用“0”表示预测结果“不可清理”，则图1所示的例子中，“可清理”的预测结果占多数，则确定可以清理后台运行的邮箱应用。本申请实施例将从后台应用清理装置的角度，描述本申请实施例提供后台应用清理方法，该后台应用清理装置具体可以集成在电子设备中。该后台应用清理方法包括：采集应用的多维特征信息作为样本，构建所述应用的样本集；按照预设规则从所述样本集中提取特征信息，构建多个训练集；对每个训练集进行训练，生成对应的决策树；当所述应用进入后台时，利用生成的多棵决策树对所述应用的当前特征信息进行预测，并输出多个预测结果，所述预测结果包括可清理和不可清理；根据所述多个预测结果确定是否可以清理所述应用。请参阅图2，图2为本申请实施例提供的后台应用清理方法的流程示意图。本申请实施例提供的后台应用清理方法的具体流程可以如下：步骤s201、采集应用的多维特征信息作为样本，构建所述应用的样本集。本实施例所提及的应用，可以是电子设备上安装的任何一个应用，例如办公应用、通信应用、游戏应用、购物应用等。应用的多维特征信息具有一定长度的维度，其每个维度上的参数均对应表征应用的一种特征信息，即该多维特征信息由多个特征信息构成。该多个特征信息可以包括应用自身相关的特征信息，例如：应用切入到后台的时长；应用切入到后台期间，电子设备的灭屏时长；应用进入前台的次数；应用处于前台的时间；应用进入后台的方式，例如被主页键(home键)切换进入、被返回键切换进入，被其他应用切换进入等；应用的类型，包括一级(常用应用)、二级(其他应用)等。该多个特征信息还可以包括应用所在的电子设备的相关特征信息，例如：电子设备的灭屏时间、亮屏时间、当前电量，电子设备的无线网络连接状态，电子设备是否在充电状态等。应用的样本集中，可以包括在历史时间段内，按照预设频率采集的多个样本。历史时间段，例如可以是过去7天、10天；预设频率，例如可以是每10分钟采集一次、每半小时采集一次。可以理解的是，一次采集的应用的多维特征数据构成一个样本，多个样本，构成所述样本集。在构成样本集之后，可以对样本集中的每个样本进行标记，得到每个样本的样本标签，由于本实施要实现的是预测应用是否可以清理，因此，所标记的样本标签包括“可清理”和“不可清理”。具体可根据用户对应用的历史使用习惯进行标记，例如：当应用进入后台30分钟后，用户关闭了该应用，则标记为“可清理”；再例如，当应用进入后台3分钟之后，用户将应用切换到了前台运行，则标记为“不可清理”。具体地，可以用数值“1”表示“可清理”，用数值“0”表示“不可清理”，反之亦可。步骤s202、按照预设规则从所述样本集中提取特征信息，构建多个训练集。例如，可以每次从每个样本的多维特征信息中，有放回地随机提取预设数目的特征信息，构成对应的子样本，多个子样本构成一个训练集，多次提取后，构建多个训练集，预设数目可根据实际需要自定义取值。由于是有放回地随机提取特征信息，因此，不同训练集中的特征信息可以重复，同一个训练集集中的特征信息也可以重复，这样可以有效地防止训练结果陷入过拟合。由于训练集仅是从样本集的每个样本中提取部分特征信息构成的，因此训练集中的子样本数量与样本集中的样本数量是相同的。例如，样本集中包括100个样本，每个样本包括15个特征信息，从样本集的每个样本中随机提取5个特征信息，构成对应的子样本，共可以构成100个子样本，每个子样本包括随机抽取的5个特征信息，100个子样本构成一个训练集。在构成每个样本对应的子样本之后，可以将每个子样本的样本标签标记为对应的样本的样本标签。例如样本1的样本标签为“可清理”，则由样本1构成的子样本的样本标签也标记为“可清理”。具体实现中，应用的多维特征信息可以包括q个特征信息，上述预设数目可以为q，则可以根据公式确定构建的训练集的数量，m表示训练集的数量。可以理解的是，根据随机组合原理，从每个样本的q个特征信息中随机提取q个特征信息，包括种组合。在本申请实施例中，将训练集的数量(即随机抽取的次数)确定为既可以减少计算量，又可以保证决策树的数量，提高预测的准确性。步骤s203、对每个训练集进行训练，生成对应的决策树。具体的训练方法可参阅图3所示，包括以下步骤：步骤s301、计算每个训练集中包含的每个特征信息的信息增益。具体地，可以按照公式g(s,k)＝h(s)-h(s|k)计算每个训练集中包含的每个特征信息的信息增益，g(s,k)表示训练集s中特征信息k的信息增益，h(s)表示训练集s的熵，h(s|k)表示使用特征信息k划分训练集s后训练集s的熵。其中，pi表示第i个类别的预测结果在训练集s中出现的概率，n表示预测结果类别。具体在本实施例中，预测结果包括两类，可清理和不可清理，所以n取值为2。例如，训练集s中，包括10个样本(即10个应用的多维特征数据)，其中样本标签为“可清理”的样本数量有7个，样本标签为“不可清理”的样本数量为3个，则训练集s的熵其中，h(y|k＝ki)表示特征信息k被固定为值ki时的条件熵。例如，训练集s中，包括10个样本，采用“应用的类型”这个特征对训练集s进行分类时，当应用类型为一级时，有4个样本的样本标签为“不可清理”，有3个样本的样本标签为“可清理”；当应用类型为二级时，剩余3个样本的样本标签均为“可清理”，则使用特征“应用的类型”划分训练集s后的熵步骤s302、将信息增益最大的特征信息作为根节点的特征信息，将其余特征信息按照信息增益从大到小的顺序依次作为叶子节点的特征信息，生成对应的决策树。按照上述方法，对每个训练集进行训练，可以得到与训练集数量相等的数量的决策树，例如当训练集的数量为时，即可得到棵决策树。生成的多棵决策树即构成随机森林，本实施例即采用构成的随机森林对应用进行预测。在某些实施例中，可以重复上述步骤s201～s203，以为不同的应用构建对应的随机森林。在某些实施例中，随机森林的构建过程可以预先在服务器中完成，例如，电子设备可以将各个应用的样本数据发送给服务器，由服务器对各个应用的样本数据进行处理，生成各个应用对应的随机森林，当需要预测某个应用是否可以清理时，电子设备可以从服务器获取对应的随机森林，利用获取的随机森林对所述应用进行预测。步骤s204、当所述应用进入后台时，利用生成的多棵决策树对所述应用的当前特征信息进行预测，并输出多个预测结果，所述预测结果包括可清理和不可清理。需要说明的是，所述应用的当前特征信息与构成样本时采集的所述应用的多维特征信息，具有相同的维度，二者在每个维度上对应的参数值可能相同，也可能不同。采用任意一棵决策树对所述应用的当前特征信息进行预测的过程包括：首先，从所述应用的多维特征信息中，提取与所述决策树的根节点的分裂特征对应的特征信息，根据该决策树的根节点的分裂条件对提取的特征信息进行判断，以得到根节点决策结果；如果决策结果满足停止遍历的条件(例如已明确应用是否可以清理)，则输出应用的预测结果；否则，则根据根节点决策结果确定待遍历的叶子节点。接下来，从所述应用的多维特征信息中，提取与所确定的叶子节点的分裂特征对应的特征信息，根据所述叶子节点的分裂条件，对提取的特征信息进行判断，以得到叶子节点决策结果；如果决策结果满足停止遍历的条件(例如已明确应用是否可以清理)，则输出应用的预测结果；否则，则根据该叶子节点决策结果确定待遍历的下一叶子节点。重复上述步骤，直至得到所述应用的预测结果。每个决策树针对所述应用，都会输出一个预测结果，棵决策树可以输出个预测结果。步骤s205、根据所述多个预测结果确定是否可以清理所述应用。在得到所有决策树的预测结果之后，可以统计“可清理”这一预测结果在所有预测结果中所占的比例，记为可清理概率；统计“不可清理”这一预测结果在所有预测结果中所占的比例，记为保持概率；若所述应用的可清理概率大于保持概率，则确定可以清理所述应用，若所述应用的保持概率大于可清理概率，则确定保持所述应用在后台运行的状态不变。在某些实施方式中，当后台存在多个应用时，可以利用每个应用对应的森林森林对对应的应用进行预测，根据预测结果确定每个应用是否可以清理；获取可以清理的应用的可清理概率，按照可清理概率从大到小的顺序，选取预设数量的应用进行清理，或者选取可清理概率大于预设概率的应用进行清理。本实施例中，通过采集应用的多维特征信息作为样本，构建所述应用的样本集，按照预设规则从所述样本集中提取特征信息，构建多个训练集，对每个训练集进行训练，生成对应的决策树，当所述应用进入后台时，利用生成的多棵决策树对所述应用的当前特征信息进行预测，并输出多个预测结果，根据所述多个预测结果确定是否可以清理所述应用，清理可以清理的应用，以此实现了后台应用的自动清理，提高了电子设备的运行流畅度，降低了功耗。进一步地，由于样本集的每个样本中，包括了反映用户使用应用的行为习惯的多个特征信息，因此本申请实施例可以使得对对应应用的清理更加个性化。进一步地，根据每个应用程序的多维特征信息构建样本，生成决策树构成随机森林，采用每个应用程序的当前特征信息及专属的随机森林预测应用是否可清理，可以提高清理的准确度。下面将在上述实施例描述的方法基础上，对本申请的清理方法做进一步介绍。参考图4a，本实施例的方法包括：步骤s401、采集应用的多维特征信息作为样本，构建所述应用的样本集。本实施例所提及的应用，可以是电子设备上安装的任何一个应用，例如办公应用、通信应用、游戏应用、购物应用等。应用的多维特征信息具有一定长度的维度，其每个维度上的参数均对应表征应用的一种特征信息，即该多维特征信息由多个特征信息构成。该多个特征信息可以包括应用自身相关的特征信息，例如：应用切入到后台的时长；应用切入到后台期间，电子设备的灭屏时长；应用进入前台的次数；应用处于前台的时间；应用进入后台的方式，例如被主页键(home键)切换进入、被返回键切换进入，被其他应用切换进入等；应用的类型，包括一级(常用应用)、二级(其他应用)等。该多个特征信息还可以包括应用所在的电子设备的相关特征信息，例如：电子设备的灭屏时间、亮屏时间、当前电量，电子设备的无线网络连接状态，电子设备是否在充电状态等。应用的样本集中，可以包括在历史时间段内，按照预设频率采集的多个样本。历史时间段，例如可以是过去7天、10天；预设频率，例如可以是每10分钟采集一次、每半小时采集一次。可以理解的是，一次采集的应用的多维特征数据构成一个样本，多个样本，构成所述样本集。一个具体的样本可如下表1所示，包括多个维度的特征信息，需要说明的是，表1所示的特征信息仅为举例，实际中，一个样本所包含的特征信息的数量，可以多于表1所示信息的数量，也可以少于表1所示信息的数量，所取的具体特征信息也可以与表1所示不同，此处不作具体限定。表1步骤s402、对所述样本集中的样本进行标记，得到每个样本的样本标签。由于本实施要实现的是预测应用是否可以清理，因此，所标记的样本标签包括“可清理”和“不可清理”。具体可根据用户对应用的历史使用习惯进行标记，例如：当应用进入后台30分钟后，用户关闭了该应用，则标记为“可清理”；再例如，当应用进入后台3分钟之后，用户将应用切换到了前台运行，则标记为“不可清理”。具体地，可以用数值“1”表示“可清理”，用数值“0”表示“不可清理”，反之亦可。步骤s403、每次从每个样本的多维特征信息中，有放回地随机提取预设数目的特征信息，构成对应的子样本，多个子样本构成一个训练集，多次提取，构成多个训练集。具体地，例如表1所示，每个样本的多维特征信息包括15个特征信息，则可以每次从每个样本中有放回地随机提取5个特征信息，构成对应的子样本。根据表1所示的样本构建的一个子样本，可如表2所示：维度特征信息1后台运行时长2电子设备的当前电量3每天进入前台的次数4应用的类型，包括一级(常用应用)，二级(其他应用)5当前无线网状态表2多个子样本构成一个训练集，多次提取后，构建多个训练集，构建的训练集的数量由于训练集仅是从样本集的每个样本中提取部分特征信息构成的，因此训练集中的子样本数量与样本集中的样本数量是相同的。步骤s404、将每个子样本的样本标签标记为对应的样本的样本标签。例如表1所示的样本的样本标签为“可清理”，则将表2所示的子样本的样本标签也标记为“可清理”。步骤s405、对每个训练集进行训练，生成对应的决策树。具体地，针对任意一个训练集，可以先计算该训练集中包含的每个特征信息的信息增益，可以按照公式g(s,k)＝h(s)-h(s|k)计算该训练集中包含的每个特征信息的信息增益，g(s,k)表示训练集s中特征信息k的信息增益，h(s)表示训练集s的熵，h(s|k)表示使用特征信息k划分训练集s后训练集s的熵。其中，pi表示第i个类别的预测结果在训练集s中出现的概率，n表示预测结果类别。具体在本实施例中，预测结果包括两类，可清理和不可清理，所以n取值为2。其中，h(y|k＝ki)表示特征信息k被固定为值ki时的条件熵。在得到每个特征信息的信息增益之后，可以将信息增益最大的特征信息作为根节点的特征信息，将其余特征信息按照信息增益从大到小的顺序依次作为叶子节点的特征信息，生成对应的决策树。比如，一个训练集中的每个子样本均如表2所示，包含“后台运行时长”、“电子设备的当前电量”、“每天进入前台的次数”、“应用的类型”、“当前无线网状态”这5个特征信息，则经训练可以生成如图4c所示的决策树。按照上述方法，对每个训练集进行训练，可以得到与训练集数量相等的数量的决策树，参阅图4b，例如当训练集的数量m为时，即可得到数量m为的决策树，棵决策树可以构成随机森林。步骤s406、当所述应用进入后台时，利用生成的多棵决策树对所述应用的当前特征信息进行预测，并输出多个预测结果。需要说明的是，所述应用的当前特征信息与构成样本时采集的所述应用的多维特征信息，具有相同的维度，二者在每个维度上对应的参数值可能相同，也可能不同。例如，某个应用的多维特征信息包括当前电量：30％，后台运行时长：10分钟，每天进入后台次数：15次，应用类型：一级，无线网状态：异常，则图4c所示的决策树对该应用的预测结果将是“可清理”。在上面的例子中，棵决策树对一个应用进行预测，将输出个预测结果，每个预测结果可能是“可清理”，也可能是“不可清理”。步骤s407、统计可清理这一预测结果在所有预测结果中所占的比例，记为可清理概率；统计不可清理这一预测结果在所有预测结果中所占的比例，记为保持概率。步骤s408、判断可清理概率与保持概率的关系，若可清理概率大于保持概率，则执行步骤s409，反之，若保持概率大于可清理概率，则直至步骤s410。步骤s409、确定可以清理所述应用。步骤s410、确定保持所述应用的状态不变。例如，后台运行了多个应用，利用针对每个应用构建的随机森林对每个应用进行预测，预测结果如下表3所示，则确定可以清理后台运行的应用a1和应用a3，而保持应用a2在后台运行的状态不变。表3本实施例中，通过采集应用的多维特征信息作为样本，构建所述应用的样本集，按照预设规则从所述样本集中提取特征信息，构建多个训练集，对每个训练集进行训练，生成对应的决策树，当所述应用进入后台时，利用生成的多棵决策树对所述应用的当前特征信息进行预测，并输出多个预测结果，根据所述多个预测结果确定是否可以清理所述应用，清理可以清理的应用，以此实现了后台应用的自动清理，提高了电子设备的运行流畅度，降低了功耗。请参阅图5，图5为本申请实施例提供的后台应用清理装置的结构示意图。其中该后台应用清理装置应用于电子设备，该后台应用清理装置包括采集单元501、提取单元502、训练单元503、预测单元504和确定单元505，如下：采集单元501，用于采集应用的多维特征信息作为样本，构建所述应用的样本集；提取单元502，用于按照预设规则从所述样本集中提取特征信息，构建多个训练集；训练单元503，用于对每个训练集进行训练，生成对应的决策树；预测单元504，用于当所述应用进入后台时，利用生成的多棵决策树对所述应用的当前特征信息进行预测，并输出多个预测结果，所述预测结果包括可清理和不可清理；第一确定单元505，用于根据所述多个预测结果确定是否可以清理所述应用。在一些实施例中，如图6所示，训练单元503包括计算子单元5031和生成子单元5032，如下：计算子单元5031，用于计算每个训练集中包含的每个特征信息的信息增益；生成子单元5032，用于将信息增益最大的特征信息作为根节点的特征信息，将其余特征信息按照信息增益从大到小的顺序依次作为叶子节点的特征信息，生成对应的决策树。在一些实施例中，所述计算子单元5031具体用于：按照公式g(s,k)＝h(s)-h(s|k)计算每个训练集中包含的每个特征信息的信息增益，g(s,k)表示训练集s中特征信息k的信息增益，h(s)表示训练集s的熵，h(s|k)表示使用特征信息k划分训练集s后训练集s的熵；其中，pi表示第i个类别的预测结果在训练集s中出现的概率，n表示预测结果类别；其中，h(y|k＝ki)表示特征信息k被固定为值ki时的条件熵。在一些实施例中，提取单元502具体用于：每次从每个样本的多维特征信息中，有放回地随机提取预设数目的特征信息，以构成对应的子样本，多个子样本构成一个训练集，经多次提取后，构建多个训练集。在一些实施例中，所述应用的多维特征信息包括q个特征信息，所述预设数目为q，所述装置还包括：第二确定单元507，用于按照公式确定构建的训练集的数量，m表示训练集的数量。在一些实施例中，如图6所示，所述装置还包括：标记单元506，用于对所述样本集中的样本进行标记，得到每个样本的样本标签，所述样本标签包括可清理和不可清理；以及将每个子样本的样本标签标记为对应的样本的样本标签。在一些实施例中，第一确定单元505包括统计子单元5051和确定子单元5052，如下：统计子单元5051，用于统计可清理这一预测结果在所有预测结果中所占的比例，记为可清理概率；统计不可清理这一预测结果在所有预测结果中所占的比例，记为保持概率；确定子单元5052，用于在所述应用的可清理概率大于保持概率时，确定可以清理所述应用，在所述应用的保持概率大于可清理概率时，确定保持所述应用在后台运行的状态不变。由上可知，本实施例采用在电子设备中，由采集单元501采集应用的多维特征信息作为样本，构建所述应用的样本集，提取单元502按照预设规则从所述样本集中提取特征信息，构建多个训练集，再由训练单元503对每个训练集进行训练，生成对应的决策树，当所述应用进入后台时，由预测单元504利用生成的多棵决策树对所述应用的当前特征信息进行预测，并输出多个预测结果，最后，确定单元505根据所述多个预测结果确定是否可以清理所述应用，清理可以清理的应用，以此实现了后台应用的自动清理，提高了电子设备的运行流畅度，降低了功耗。具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个模块的具体实施可参见前面的方法实施例，在此不再赘述。本申请实施例还提供一种电子设备。请参阅图7，电子设备600包括处理器601以及存储器602。其中，处理器601与存储器602电性连接。所述处理器600是电子设备600的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或加载存储在存储器602内的计算机程序，以及调用存储在存储器602内的数据，执行电子设备600的各种功能并处理数据，从而对电子设备600进行整体监控。所述存储器602可用于存储软件程序以及模块，处理器601通过运行存储在存储器602的计算机程序以及模块，从而执行各种功能应用以及数据处理。存储器602可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的计算机程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器602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，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器602还可以包括存储器控制器，以提供处理器601对存储器602的访问。在本申请实施例中，电子设备600中的处理器601会按照如下的步骤，将一个或一个以上的计算机程序的进程对应的指令加载到存储器602中，并由处理器601运行存储在存储器602中的计算机程序，从而实现各种功能，如下：采集应用的多维特征信息作为样本，构建所述应用的样本集；按照预设规则从所述样本集中提取特征信息，构建多个训练集；对每个训练集进行训练，生成对应的决策树；当所述应用进入后台时，利用生成的多棵决策树对所述应用的当前特征信息进行预测，并输出多个预测结果，所述预测结果包括可清理和不可清理；根据所述多个预测结果确定是否可以清理所述应用。在某些实施方式中，在对每个训练集进行训练，生成对应的决策树时，处理器601具体执行以下步骤：计算每个训练集中包含的每个特征信息的信息增益；将信息增益最大的特征信息作为根节点的特征信息，将其余特征信息按照信息增益从大到小的顺序依次作为叶子节点的特征信息，生成对应的决策树。在某些实施方式中，在计算每个训练集中包含的每个特征信息的信息增益时，处理器601具体执行以下步骤：按照公式g(s,k)＝h(s)-h(s|k)计算每个训练集中包含的每个特征信息的信息增益，g(s,k)表示训练集s中特征信息k的信息增益，h(s)表示训练集s的熵，h(s|k)表示使用特征信息k划分训练集s后训练集s的熵；其中，pi表示第i个类别的预测结果在训练集s中出现的概率，n表示预测结果类别；其中，h(y|k＝ki)表示特征信息k被固定为值ki时的条件熵。在某些实施方式中，在按照预设规则从所述样本集中提取特征信息，构建多个训练集时，处理器601具体执行以下步骤：每次从每个样本的多维特征信息中，有放回地随机提取预设数目的特征信息，以构成对应的子样本，多个子样本构成一个训练集，经多次提取后，构建多个训练集。在某些实施方式中，所述应用的多维特征信息包括q个特征信息，所述预设数目为q，处理器601还用于执行以下步骤：按照公式确定构建的训练集的数量，m表示训练集的数量。在某些实施方式中，在采集应用的多维特征信息作为样本之后，处理器601还用于执行以下步骤：对所述样本集中的样本进行标记，得到每个样本的样本标签，所述样本标签包括可清理和不可清理；在构成对应的子样本之后，处理器601还用于执行以下步骤：将每个子样本的样本标签标记为对应的样本的样本标签。在某些实施方式中，在根据所述多个预测结果确定是否可以清理所述应用时，处理器601具体用于执行以下步骤：统计可清理这一预测结果在所有预测结果中所占的比例，记为可清理概率；统计不可清理这一预测结果在所有预测结果中所占的比例，记为保持概率；若所述应用的可清理概率大于保持概率，则确定可以清理所述应用，若所述应用的保持概率大于可清理概率，则确定保持所述应用在后台运行的状态不变。由上述可知，本申请实施例的电子设备，通过采集应用的多维特征信息作为样本，构建所述应用的样本集，按照预设规则从所述样本集中提取特征信息，构建多个训练集，对每个训练集进行训练，生成对应的决策树，当所述应用进入后台时，利用生成的多棵决策树对所述应用的当前特征信息进行预测，并输出多个预测结果，根据所述多个预测结果确定是否可以清理所述应用，清理可以清理的应用，以此实现了后台应用的自动清理，提高了电子设备的运行流畅度，降低了功耗。请一并参阅图8，在某些实施方式中，电子设备600还可以包括：显示器603、射频电路604、音频电路605以及电源606。其中，其中，显示器603、射频电路604、音频电路605以及电源606分别与处理器601电性连接。所述显示器603可以用于显示由用户输入的信息或提供给用户的信息以及各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。显示器603可以包括显示面板，在某些实施方式中，可以采用液晶显示器(liquidcrystaldisplay，lcd)、或者有机发光二极管(organiclight-emittingdiode，oled)等形式来配置显示面板。所述射频电路604可以用于收发射频信号，以通过无线通信与网络设备或其他电子设备建立无线通讯，与网络设备或其他电子设备之间收发信号。所述音频电路605可以用于通过扬声器、传声器提供用户与电子设备之间的音频接口。所述电源606可以用于给电子设备600的各个部件供电。在一些实施例中，电源606可以通过电源管理系统与处理器601逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。尽管图8中未示出，电子设备600还可以包括摄像头、蓝牙模块等，在此不再赘述。本申请实施例还提供一种存储介质，所述存储介质存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述任一实施例中的后台应用清理方法，比如：采集应用的多维特征信息作为样本，构建所述应用的样本集；按照预设规则从所述样本集中提取特征信息，构建多个训练集；对每个训练集进行训练，生成对应的决策树；当所述应用进入后台时，利用生成的多棵决策树对所述应用的当前特征信息进行预测，并输出多个预测结果，所述预测结果包括可清理和不可清理；根据所述多个预测结果确定是否可以清理所述应用。在本申请实施例中，存储介质可以是磁碟、光盘、只读存储器(readonlymemory，rom，)、或者随机存取记忆体(randomaccessmemory，ram)等。在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。需要说明的是，对本申请实施例的后台应用清理方法而言，本领域普通决策人员可以理解实现本申请实施例的后台应用清理方法的全部或部分流程，是可以通过计算机程序来控制相关的硬件来完成，所述计算机程序可存储于一计算机可读取存储介质中，如存储在电子设备的存储器中，并被该电子设备内的至少一个处理器执行，在执行过程中可包括如后台应用清理方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储器、随机存取记忆体等。对本申请实施例的后台应用清理装置而言，其各功能模块可以集成在一个处理芯片中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中，所述存储介质譬如为只读存储器，磁盘或光盘等。以上对本申请实施例所提供的一种后台应用清理方法、装置、存储介质及电子设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。当前第1页12