本公开涉及机器学习技术领域，特别涉及一种利用机器学习模型进行工作模式判决的方法及装置。
背景技术：
为了节约电量，智能手机等终端通常针对熄屏状态设置多种工作模式，比如正常模式、省电模式以及睡眠模式等。
在相关技术中，终端中预先设置对应熄屏状态下的指定工作模式的机器学习模型。终端在检测到熄屏之后，即开始采集与指定工作模式相关的输入数据，并将采集到的输入数据输入到机器学习模型中，并根据机器学习模型的输出结果确定是否进入该指定工作模式。
技术实现要素：
本公开提供一种利用机器学习模型进行工作模式判决的方法。所述技术方案如下：
根据本公开实施例的第一方面，提供了一种利用机器学习模型进行工作模式判决的方法，所述方法包括：
获取各个终端对应的各条判决数据，所述判决数据指示对应的终端在一次熄屏过程中根据所述机器学习模型获得的模型判决结果以及所述熄屏过程的熄屏时长，所述模型判决结果用于指示对应的终端是否进入指定工作模式；
根据所述各条判决数据获取所述机器学习模型的评价参数，所述评价参数用于指示所述机器学习模型的判决效果；
当所述评价参数满足预设条件时，对所述机器学习模型进行优化，获得优化后的机器学习模型；
向所述各个终端发送模型优化指示，所述模型优化指示用于指示所述各个终端后续根据所述优化后的机器学习模型获得模型判决结果。
可选的，所述根据所述各条判决数据获取所述机器学习模型的评价参数，包括：
统计所述各条判决数据中的第一类型数据、第二类型数据以及第三类型数据各自的条数；所述第一类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长超过第一预设时长的数据；所述第二类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长不超过所述第一预设时长，且本次熄屏的总时长超过第二预设时长的数据；所述第三类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长不超过所述第一预设时长，且本次熄屏的总时长不超过所述第二预设时长的数据；所述第一预设时长小于所述第二预设时长；
计算所述第一类型数据、所述第二类型数据以及所述第三类型数据各自的条数之和；
将所述第一类型数据的条数与所述第一类型数据、所述第二类型数据以及所述第三类型数据各自的条数之和之间的比值获取为所述机器学习模型的准确率。
可选的，所述根据所述各条判决数据获取所述机器学习模型的评价参数，包括：
统计所述各条判决数据中的第一类型数据以及第四类型数据各自的条数；所述第一类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长超过第一预设时长的数据；所述第四类型数据是对应的本次熄屏的总时长超过第二预设时长的数据；所述第一预设时长小于所述第二预设时长；
将所述第一类型数据的条数与所述第四类型数据的条数之间的比值获取为所述机器学习模型的召回率。
可选的，所述根据所述各条判决数据获取所述机器学习模型的评价参数，包括：
根据所述各条判决数据统计所述各个终端进入所述指定工作模式的总时长；
将所述各个终端进入所述指定工作模式的总时长与所述各个终端的数量之间的比值获取为所述机器学习模型的第一人均时长。
可选的，所述根据所述各条判决数据获取所述机器学习模型的评价参数，包括：
统计所述各条判决数据中的第一类型数据；所述第一类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长超过第一预设时长的数据；
统计第一时长，所述第一时长是所述第一类型数据对应的终端进入所述指定工作模式后保持熄屏状态的时长之和；
将所述第一时长和所述第一类型数据对应的终端的数量的比值获取为所述机器学习模型的第二人均时长。
可选的，所述当所述评价参数满足预设条件时，对所述机器学习模型进行优化之前，还包括：
当所述评价参数低于预设参数阈值时，确定所述评价参数满足所述预设条件。
可选的，所述当所述评价参数满足预设条件时，对所述机器学习模型进行优化，获得优化后的机器学习模型，包括：
根据所述评价参数确定模型训练参数，所述模型训练参数是用于对所述机器学习模型的训练过程进行控制的参数；
根据所述模型训练参数对所述机器学习模型进行机器训练，获得优化后的机器学习模型。
可选的，所述机器学习模型为提升树模型，所述模型训练参数包括提升树的深度、提升树的宽度、学习率以及迭代次数中的至少一种。
可选的，所述当所述评价参数满足预设条件时，对所述机器学习模型进行优化，获得优化后的机器学习模型，包括：
获取训练样本，所述训练样本包括所述各条判决数据分别对应的输入数据和熄屏时长和所述各条判决数据分别对应的熄屏过程的熄屏时长；所述输入数据是用于输入所述机器学习模型以获得对应的模型判决结果的数据；
根据所述训练样本对所述机器学习模型进行机器训练，获得优化后的机器学习模型。
可选的，所述指定工作模式为睡眠模式。
根据本公开实施例的第二方面，提供了一种利用机器学习模型进行工作模式判决的装置，所述装置包括：
判决数据获取模块，用于获取各个终端对应的各条判决数据，所述判决数据指示对应的终端在一次熄屏过程中根据所述机器学习模型获得的模型判决结果以及所述熄屏过程的熄屏时长，所述模型判决结果用于指示对应的终端是否进入指定工作模式；
评价参数获取模块，用于根据所述各条判决数据获取所述机器学习模型的评价参数，所述评价参数用于指示所述机器学习模型的判决效果；
优化模块，用于当所述评价参数满足预设条件时，对所述机器学习模型进行优化，获得优化后的机器学习模型；
指示模块，用于向所述各个终端发送模型优化指示，所述模型优化指示用于指示所述各个终端后续根据所述优化后的机器学习模型获得模型判决结果。
可选的，所述评价参数获取模块，包括：
第一统计子模块，用于统计所述各条判决数据中的第一类型数据、第二类型数据以及第三类型数据各自的条数；所述第一类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长超过第一预设时长的数据；所述第二类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长不超过所述第一预设时长，且本次熄屏的总时长超过第二预设时长的数据；所述第三类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长不超过所述第一预设时长，且本次熄屏的总时长不超过所述第二预设时长的数据；所述第一预设时长小于所述第二预设时长；
第一计算子模块，用于计算所述第一类型数据、所述第二类型数据以及所述第三类型数据各自的条数之和；
第一获取子模块，用于将所述第一类型数据的条数与所述第一类型数据、所述第二类型数据以及所述第三类型数据各自的条数之和之间的比值获取为所述机器学习模型的准确率。
可选的，所述评价参数获取模块，包括：
第二统计子模块，用于统计所述各条判决数据中的第一类型数据以及第四类型数据各自的条数；所述第一类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长超过第一预设时长的数据；所述第四类型数据是对应的本次熄屏的总时长超过第二预设时长的数据；所述第一预设时长小于所述第二预设时长；
第二获取子模块，用于将所述第一类型数据的条数与所述第四类型数据的条数之间的比值获取为所述机器学习模型的召回率。
可选的，所述评价参数获取模块，包括：
第三统计子模块，用于根据所述各条判决数据统计所述各个终端进入所述指定工作模式的总时长；
第三获取子模块，用于将所述各个终端进入所述指定工作模式的总时长与所述各个终端的数量之间的比值获取为所述机器学习模型的第一人均时长。
可选的，所述评价参数获取模块，包括：
第四统计子模块，用于统计所述各条判决数据中的第一类型数据；所述第一类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长超过第一预设时长的数据；
第五统计子模块，用于统计第一时长，所述第一时长是所述第一类型数据对应的终端进入所述指定工作模式后保持熄屏状态的时长之和；
第四获取子模块，用于将所述第一时长和所述第一类型数据对应的终端的数量的比值获取为所述机器学习模型的第二人均时长。
可选的，所述装置还包括：
条件确定模块，用于在所述优化模块对所述机器学习模型进行优化之前，当所述评价参数低于预设参数阈值时，确定所述评价参数满足所述预设条件。
可选的，所述优化模块，包括：
训练参数确定子模块，用于根据所述评价参数确定模型训练参数，所述模型训练参数是用于对所述机器学习模型的训练过程进行控制的参数；
第一训练子模块，用于根据所述模型训练参数对所述机器学习模型进行机器训练，获得优化后的机器学习模型。
可选的，所述机器学习模型为提升树模型，所述模型训练参数包括提升树的深度、提升树的宽度、学习率以及迭代次数中的至少一种。
可选的，所述优化模块，包括：
样本获取子模块，用于获取训练样本，所述训练样本包括所述各条判决数据分别对应的输入数据和熄屏时长和所述各条判决数据分别对应的熄屏过程的熄屏时长；所述输入数据是用于输入所述机器学习模型以获得对应的模型判决结果的数据；
第二训练子模块，用于根据所述训练样本对所述机器学习模型进行机器训练，获得优化后的机器学习模型。
可选的，所述指定工作模式为睡眠模式。
根据本公开实施例的第三方面，提供了一种利用机器学习模型进行工作模式判决的装置，所述装置包括：
处理器；
用于存储所述处理器的可执行指令的存储器；
其中，所述处理器被配置为：
获取各个终端对应的各条判决数据，所述判决数据指示对应的终端在一次熄屏过程中根据所述机器学习模型获得的模型判决结果以及所述熄屏过程的熄屏时长，所述模型判决结果用于指示对应的终端是否进入指定工作模式；
根据所述各条判决数据获取所述机器学习模型的评价参数；
当所述评价参数满足预设条件时，对所述机器学习模型进行优化，获得优化后的机器学习模型；
向所述各个终端发送模型优化指示，所述模型优化指示用于指示所述各个终端后续根据所述优化后的机器学习模型获得模型判决结果。
根据本公开实施例的第四方面，提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中包含处理器的可执行指令，所述处理器调用所述可执行指令以实现上述第一方面或者第一方面的任意可选方案所述的利用机器学习模型进行工作模式判决的方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
结合终端在一次熄屏过程中根据机器学习模型获得的模型判决结果以及熄屏过程的熄屏时长，获取该机器学习模型的评价参数，并在机器学习模型的评价参数满足预设条件时对机器学习模型进行优化，并指示各个终端后续根据优化后的机器学习模型获得模型判决结果，在确定是否对机器学习模型进行优化的过程中充分考虑了熄屏时长对机器学习模型的评价参数的影响，从而提高对机器学习模型的实际应用效果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并于说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的模型优化系统的系统构成图；
图2是根据一示例性实施例示出的一种利用机器学习模型进行工作模式判决的方法的流程图；
图3是根据一示例性实施例示出的一种利用机器学习模型进行工作模式判决的方法的流程图；
图4是图3所示实施例涉及的一种获取评价参数的方法的流程图；
图5是图3所示实施例涉及的一种获取评价参数的方法的流程图；
图6是图3所示实施例涉及的一种获取评价参数的方法的流程图；
图7是图3所示实施例涉及的一种获取评价参数的方法的流程图；
图8是根据一示例性实施例示出的一种利用机器学习模型进行工作模式判决的方法的流程图；
图9是根据一示例性实施例示出的一种利用机器学习模型进行工作模式判决的装置的框图；
图10是根据一示例性实施例示出的一种利用机器学习模型进行工作模式判决的装置的框图；
图11是根据一示例性实施例示出的一种计算机设备的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
应当理解的是，在本文中提及的“若干个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
图1是本公开一示例性实施例示出的一种模型优化系统的系统构成图。如图1所示，该系统包括若干个终端120以及服务器140。
其中，终端120是具有屏幕的智能终端，比如，终端120可以是智能手机、平板电脑、电子书阅读器、MP4播放终端或者MP5播放终端等智能移动终端，或者，终端120也可以智能手表、智能手环或者智能眼镜的智能可穿戴设备，或者，终端120也可以是笔记本电脑、台式电脑或者个人工作站等固定式计算机设备。
服务器140可以是位于网络侧，且对终端120中的部分或者全部功能进行维护管理的服务器设备，该服务器140可以是单台服务器，或者，服务器140也可以是一个由多台服务器组成的服务器集群，或者，服务器140也可以是一个云计算中心。
在本公开实施例中，终端120和服务器140之间通过有线或者无线网络进行通信。
在机器学习技术领域中，一个机器学习模型在训练完成并投入使用之后，随着实际应用场景的逐渐改变，机器学习模型的应用效果也很有可能会发生变化，当机器学习模型的应用效果降低时，需要对机器学习模型进行优化更新，以保持机器学习模型的应用效果。
机器学习模型的评价参数在机器学习模型的训练过程中起到很重要的作用，其能够指导机器学习模型多次迭代优化直至达到足够好的应用效果。在实际应用中，机器学习模型的应用效果可以通过准确率以及召回率等评价参数来指示。以机器学习模型从多个案例中判断出某一特定类型案例为例，通常情况，机器学习模型的准确率与该机器学习模型正确判断出属于该特定类型的案例数量以及案例总数量相关，而机器学习模型的召回率与该机器学习模型正确判断出属于该特定类型的案例数量以及属于该特定类型但是未能正确判断出的案例数量相关。
在不同的应用场景下，对机器学习模型的应用效果的影响因素也有所不同。比如，以指定工作模式为睡眠模式(在某些情况下，睡眠模式也可以成为省电模式、休眠模式或者低功耗模式等等)为例，在睡眠模式下，终端将只保持对终端基本功能(比如通话、闹钟等功能)的处理，而对于其它相对不太重要的功能则暂时挂起不作处理，以达到节约终端电量的效果，并且熄屏时长越长，省电效果越明显；与此同时，终端对其它相对不太重要的功能暂时挂起的处理方式也有可能对用户体验造成不利影响，比如，当用户关闭终端屏幕，但依然需要接收网络通讯消息时，若终端进入睡眠模式，会导致用户无法及时接收到网络通讯消息，并且熄屏时长越长，对用户体验的不利影响越大。由此可见，在通过机器学习模型对终端是否进入熄屏状态下的指定工作模式进行判决的场景下，除了判断正确、判断错误以及未能正确判断出的案例数量等因素会影响机器学习模型的应用效果之外，终端的熄屏时长对机器学习模型的应用效果的影响也很大，如果只通过判断正确、判断错误以及未能正确判断出的案例数量等因素来评价机器学习模型的应用效果，则训练或者优化后的机器学习模型的实际应用效果依然会比较低。
而本公开各个实施例所示的方案，可以结合实际应用过程中机器学习模型的判决结果以及终端每次熄屏的熄屏时长，来综合计算机器学习模型的评价参数，并基于综合考虑了机器学习模型的判决结果以及熄屏时长的评价参数对机器学习模型进行优化，从而提高机器学习模型的实际应用效果。
图2是根据一示例性实施例示出的一种利用机器学习模型进行工作模式判决的方法的流程图，如图2所示，该利用机器学习模型进行工作模式判决的优法应用于图1所示系统的服务器140中，该方法可以包括以下步骤。
在步骤201中，获取各个终端发送的各条判决数据，该判决数据指示对应的终端在一次熄屏过程中根据该机器学习模型获得的模型判决结果以及该熄屏过程的熄屏时长。
其中，该模型判决结果用于指示对应的终端是否进入指定工作模式。
在步骤202中，根据该各条判决数据获取该机器学习模型的评价参数，该评价参数用于指示该机器学习模型的判决效果。
在步骤203中，当该评价参数满足预设条件时，对该机器学习模型进行优化，获得优化后的机器学习模型；
在步骤204中，向各个终端发送模型优化指示，该模型优化指示用于指示各个终端后续根据优化后的机器学习模型获得模型判决结果。
可选的，该根据该各条判决数据获取该机器学习模型的评价参数，包括：
统计该各条判决数据中的第一类型数据、第二类型数据以及第三类型数据各自的条数；该第一类型数据是对应的终端进入该指定工作模式后保持熄屏状态的时长超过第一预设时长的数据；该第二类型数据是对应的终端进入该指定工作模式后保持熄屏状态的时长不超过该第一预设时长，且本次熄屏的总时长超过第二预设时长的数据；该第三类型数据是对应的终端进入该指定工作模式后保持熄屏状态的时长不超过该第一预设时长，且本次熄屏的总时长不超过该第二预设时长的数据；该第一预设时长小于该第二预设时长；
计算该第一类型数据、该第二类型数据以及该第三类型数据各自的条数之和；
将该第一类型数据的条数与该第一类型数据、该第二类型数据以及该第三类型数据各自的条数之和之间的比值获取为该机器学习模型的准确率。
可选的，该根据该各条判决数据获取该机器学习模型的评价参数，包括：
统计该各条判决数据中的第一类型数据以及第四类型数据各自的条数；该第一类型数据是对应的终端进入该指定工作模式后保持熄屏状态的时长超过第一预设时长的数据；该第四类型数据是对应的本次熄屏的总时长超过第二预设时长的数据；该第一预设时长小于该第二预设时长；
将该第一类型数据的条数与该第四类型数据的条数之间的比值获取为该机器学习模型的召回率。
可选的，该根据该各条判决数据获取该机器学习模型的评价参数，包括：
根据该各条判决数据统计该各个终端进入该指定工作模式的总时长；
将该各个终端进入该指定工作模式的总时长与该各个终端的数量之间的比值获取为该机器学习模型的第一人均时长。
可选的，该根据该各条判决数据获取该机器学习模型的评价参数，包括：
统计该各条判决数据中的第一类型数据以及第四类型数据各自的条数；该第一类型数据是对应的终端进入该指定工作模式后保持熄屏状态的时长超过第一预设时长的数据；该第四类型数据是对应的本次熄屏的总时长超过第二预设时长的数据；该第一预设时长小于该第二预设时长；
统计第一时长和第二时长，该第一时长是该第一类型数据对应的终端进入该指定工作模式后保持熄屏状态的时长之和，该第二时长是该第四类型数据对应的终端本次熄屏的总时长之和；
将该第一时长和该第二时长之间的比值获取为该机器学习模型的第二人均时长。
可选的，该当该评价参数满足预设条件时，对该机器学习模型进行优化之前，还包括：
当该评价参数低于预设参数阈值时，确定该评价参数满足该预设条件。
可选的，该当该评价参数满足预设条件时，对该机器学习模型进行优化，获得优化后的机器学习模型，包括：
根据该评价参数确定模型训练参数，该模型训练参数是用于对该机器学习模型的训练过程进行控制的参数；
根据该模型训练参数对该机器学习模型进行机器训练，获得优化后的机器学习模型。
可选的，该机器学习模型为提升树模型，该模型训练参数包括提升树的深度、提升树的宽度、学习率以及迭代次数中的至少一种。
可选的，该当该评价参数满足预设条件时，对该机器学习模型进行优化，获得优化后的机器学习模型，包括：
获取训练样本，该训练样本包括该各条判决数据分别对应的输入数据和熄屏时长和该各条判决数据分别对应的熄屏过程的熄屏时长；该输入数据是用于输入该机器学习模型以获得对应的模型判决结果的数据；
根据该训练样本对该机器学习模型进行机器训练，获得优化后的机器学习模型。
可选的，该指定工作模式为睡眠模式。
综上所述，本公开实施例所示的利用机器学习模型进行工作模式判决的方法，结合终端在一次熄屏过程中根据机器学习模型获得的模型判决结果以及熄屏过程的熄屏时长，获取该机器学习模型的评价参数，并在机器学习模型的评价参数满足预设条件时对机器学习模型进行优化，并指示各个终端后续根据优化后的机器学习模型获得模型判决结果，在确定是否对机器学习模型进行优化的过程中充分考虑了熄屏时长对机器学习模型的评价参数的影响，从而提高对机器学习模型的实际应用效果。
图3是根据一示例性实施例示出的一种利用机器学习模型进行工作模式判决的方法的流程图，如图3所示，该利用机器学习模型进行工作模式判决的方法可以应用于图1所示系统的服务器140中，该方法可以包括以下步骤。
在步骤301中，获取各个终端发送的各条判决数据，该判决数据指示对应的终端在一次熄屏过程中根据该机器学习模型获得的模型判决结果以及该熄屏过程的熄屏时长。
其中，该模型判决结果用于指示对应的终端是否进入指定工作模式。
比如，终端在检测到屏幕熄灭后，即可以周期性获取与指定工作模式相关的输入数据，并将获取到的输入数据输入到机器学习模型中，由机器学习模型对输入数据进行处理并输出模型判决结果，在某一个判决周期内，若机器学习模型输出的模型判决结果指示终端进入指定工作模式，终端即可以进入该指定工作模式，若机器学习模型输出的模型判决结果指示终端不进入指定工作模式，终端可以保持当前工作模式，并在下一个判决周期内获取输入数据并输入机器学习模型。可选的，终端进入指定工作模式之后，停止后续的周期性获取输入数据并输入机器学习模型的步骤，直至屏幕被点亮后再次熄灭。
终端对应每一次熄屏过程(即一次从熄屏到亮屏之间的过程)生成一条判决数据，该判决数据可以指示本次熄屏过程中的各次判决的模型判决结果以及本次熄屏过程的熄屏时长(即从熄屏到亮屏之间的时长)，比如，该判决数据中可以包含熄屏时间点、亮屏时间点、机器学习模型各次判决的模型判决结果以及各次判决的时间点等等，可选的，该判决数据中还可以包含该熄屏过程中每次判决所使用的输入数据等等。对于判决数据包含的具体内容，本公开实施例不做限定。
终端生成判决数据之后，在合适的时机将判决数据上传至服务器，比如，终端可以在每天固定的时间点将前一天生成的判决数据上传至服务器，或者，终端也可以在生成一条判决数据之后，立刻将该条判决数据上传至服务器。服务器可以定期统计当前时间之前的一段时间内，比如当前时间前一星期或者一个月内，各个终端上传的判决数据。
例如，以上述指定工作模式为睡眠模式为例，终端在指定的时间段(比如晚间9:00至第二天凌晨5:00之间)屏幕熄灭后，可以周期性获取与睡眠模式相关的输入数据，其中，与睡眠模式相关的输入数据可以是有助于判断终端是否需要进入睡眠模式的数据，比如，与睡眠模式相关的输入数据可以是终端熄屏的时间点到当前时间点之间时长、终端周围的环境光亮度(可以通过终端中的光线传感器采集)、终端周围的环境声音强度(可以通过终端中的麦克风采集)、终端的震动烈度(可以通过终端中的震动传感器采集)以及终端对应的用户的身体数据(比如体温、心率以及动作幅度等，可以通过用户佩戴的可穿戴设备采集)等等，终端将获取到的与睡眠模式相关的输入数据输入到睡眠模式对应的机器学习模型中，由该机器学习模型输出模型判决结果，并根据模型判决结果确定是否进入睡眠模式。在本次熄屏过程结束后，终端生成本次熄屏过程对应的判决数据，并将判决数据发送至服务器。
在步骤302中，根据该各条判决数据获取该机器学习模型的评价参数，该评价参数用于指示该机器学习模型的判决效果。
在本公开实施例中，以指定工作模式是以省电为目的(或者目的之一)的工作模式(比如上述睡眠模式)为例，上述机器学习模型的评价参数可以包括准确率、召回率以及人均省电时长等等，获取评价参数的流程可以参考后续图4、图5、图6以及图7对应的描述。
请参考图4，其示出了本公开实施例涉及的一种获取评价参数的方法的流程图。以评价参数包括准确率为例，在方法可以如步骤302a至步骤302c所示：
在步骤302a中，统计各条判决数据中的第一类型数据、第二类型数据以及第三类型数据各自的条数。
其中，该第一类型数据是对应的终端进入该指定工作模式后保持熄屏状态的时长超过第一预设时长的数据；该第二类型数据是对应的终端进入该指定工作模式后保持熄屏状态的时长不超过该第一预设时长，且本次熄屏的总时长超过第二预设时长的数据；该第三类型数据是对应的终端进入该指定工作模式后保持熄屏状态的时长不超过该第一预设时长，且本次熄屏的总时长不超过该第二预设时长的数据；该第一预设时长小于该第二预设时长。
在熄屏状态对应的指定工作模式中，终端进入指定工作模式之后，继续保持熄屏状态的时长，以及终端单次熄屏状态的总时长直接影响到机器学习模型的判决准确性，因此，在本公开实施例中，可以预先设置第一预设时长和第二预设时长。其中，较短的第一预设时长用于评判机器学习模型是否正确判断出需要进入指定工作模式的案例(在本公开实施例中，一个案例对应一次熄屏过程)，比如，当终端根据模型判决结果进入指定工作模式之后，终端持续熄屏的时长超过第一预设时长，则说明正确判断出需要进入指定工作模式；而较长的第一预设时长则用于确定哪些案例是应当进入指定工作模式的案例，比如，若某一案例对应的熄屏过程的熄屏总时长超过第二预设时长，则该案例是理论上应该进入指定工作模式的案例。
比如，以第一预设时长为3小时，第二预设时长为4小时为例，根据第一预设时长和第二预设时长可以从判决数据中确定以下类型数据：
判断正确的判决数据(即上述第一类型数据)：当某一条判决数据指示对应的熄屏过程中，终端判断出需要进入指定工作模式，且进入指定工作模式之后，终端保持熄屏时长超过3小时，则该条判决数据即为判断正确的判决数据。
判断过晚的判决数据(即上述第二类型数据)：当某一条判决数据指示对应的熄屏过程中，终端判断出需要进入指定工作模式，且进入指定工作模式之后，终端保持熄屏时长不超过3小时，但是该熄屏过程的总时长超过4小时，则该条判决数据即为判断过晚的判决数据(即理论上终端应该更早判断出需要进入指定工作模式)。
判断错误的判决数据(即上述第三类型数据)：当某一条判决数据指示对应的熄屏过程中，终端判断出需要进入指定工作模式，且进入指定工作模式之后，终端保持熄屏时长不超过3小时，但是该熄屏过程的总时长超过4小时，则该条判决数据即为判断过晚的判决数据(即理论上终端应该更早判断出需要进入指定工作模式)。
在步骤302b中，计算该第一类型数据、该第二类型数据以及该第三类型数据各自的条数之和。
在本公开实施例中，服务器可以将获取到的各个判决数据中，统计确定的判断正确的判决数据、判断过晚的判决数据以及判断错误的判决数据的条数进行累加。
在步骤302c中，将该第一类型数据的条数与该第一类型数据、该第二类型数据以及该第三类型数据各自的条数之和之间的比值获取为该机器学习模型的准确率。
在本公开实施例中，服务器将判断正确的判决数据的条数，与判断正确的判决数据、判断过晚的判决数据以及判断错误的判决数据的条数进行累加的和之间的比值，计算为机器学习模型的准确率，其公式表示如下：
准确率＝判断正确的判决数据的条数/(判断正确的判决数据的条数+判断过晚的判决数据的条数+判断错误的判决数据的条数)。
请参考图5，其示出了本公开实施例涉及的一种获取评价参数的方法的流程图。以评价参数包括准确率为例，在方法可以如步骤302d至步骤302e所示：
在步骤302d中，统计该各条判决数据中的第一类型数据以及第四类型数据各自的条数。
其中，该第四类型数据是对应的本次熄屏的总时长超过第二预设时长的数据；该第一预设时长小于该第二预设时长。
比如，以第一预设时长为3小时，第二预设时长为4小时为例，根据第一预设时长和第二预设时长还可以从判决数据中确定以下类型数据：
应当被判断正确的判决数据(即上述第四类型数据)：在某一条判决数据指示对应的熄屏过程中，无论中是否判断出需要进入指定工作模式，只要该熄屏过程的总时长超过4小时，则该条判决数据即为应当被判断正确的判决数据。
在步骤302e中，将该第一类型数据的条数与该第四类型数据的条数之间的比值获取为该机器学习模型的召回率。
在本公开实施例中，服务器可以将判断正确的判决数据的条数与所有应当被判断正确的判决数据的条数之间的比值计算为机器学习模型的召回率，其公式如下：
召回率＝判断正确的判决数据的条数/应当被判断正确的判决数据的条数。
请参考图6，其示出了本公开实施例涉及的一种获取评价参数的方法的流程图。以评价参数包括准确率为例，在方法可以如步骤302f至步骤302g所示：
在步骤302f中，根据该各条判决数据统计该各个终端进入该指定工作模式的总时长。
在本公开实施例中，服务器可以对每条判决数据进行统计，若某一条判决数据判断出终端需要进入指定工作模式，则服务器获取该条判决数据对应的熄屏过程中，终端进入指定工作模式的时长之后，继续保持熄屏状态的时长，并将获取到的终端进入指定工作模式的时长之后继续保持熄屏状态的时长累加到各个终端进入该指定工作模式的总时长中，直至所有的各条判决数据都统计完成。
在步骤302g中，将该各个终端进入该指定工作模式的总时长与各个终端的数量之间的比值获取为该机器学习模型的第一人均时长。
在本公开实施例中，服务器将各个终端进入该指定工作模式的总时长与终端的数量之间的比值计算为每个终端进入指定工作模式的平均时长(即第一人均时长)，其计算公式如下：
每个终端进入指定工作模式的平均时长＝各个终端进入该指定工作模式的总时长/各个终端的数量。
由于每个终端通常至对应一个用户，当指定工作模式是以省电为目的的工作模式时，该第一人均时长也可以称为各个终端对应的人均省电时长。
请参考图7，其示出了本公开实施例涉及的一种获取评价参数的方法的流程图。以评价参数包括准确率为例，在方法可以如步骤302h至步骤302j所示：
在步骤302h中，统计各条判决数据中的第一类型数据。
其中，第一类型数据可以参考上述图4或图5中的描述，此处不再赘述。
在步骤302i中，统计第一时长，该第一时长是该第一类型数据对应的终端进入该指定工作模式后保持熄屏状态的时长之和。
在本公开实施例中，服务器从各条判决数据中确定出判断正确的判决数据(即上述第一类型数据)之后，将各条判断正确的判决数据各自对应的熄屏过程中，终端进入指定工作模式后保持熄屏状态的时长进行累加，获得第一类型数据对应的终端进入该指定工作模式后保持熄屏状态的时长之和。
在步骤302j中，将该第一时长和该第一类型数据对应的终端的数量的比值获取为该机器学习模型的第二人均时长。
在本公开实施例中，服务器将各条判断正确的判决数据各自对应的进入指定工作模式后保持熄屏状态的总时长，与判断正确的判决数据对应的终端的数量之间的比值计算为判断正确的判决数据对应的终端进入指定工作模式的平均时长(即上述第二人均时长)，其计算公式如下：
判断正确的判决数据对应的终端进入指定工作模式的平均时长＝判断正确的判决数据各自对应的进入指定工作模式后保持熄屏状态的总时长/判断正确的判决数据对应的终端的数量。
其中，当指定工作模式是以省电为目的的工作模式时，该第二人均时长也可以称为判断正确的终端对应的人均省电时长。
在步骤303中，当该评价参数低于预设参数阈值时，确定该评价参数满足该预设条件。
在本公开实施例中，服务器获取到上述评价参数之后，可以将评价参数与预设的参数阈值进行比较，若该评价参数低于预设的参数阈值，则认为机器学习模型在实际应用中没有达到预定的应用效果，确定评价参数满足对机器学习模型进行优化的预设条件。
其中，该预设参数阈值可以与上述评价参数相对应，且由开发人员或者维护人员进行设置或者调整。
比如，以评价参数包括上述准确率为例，服务器中可以预先设置准确率阈值，当计算获得的准确率低于准确率阈值时，服务器可以确定该评价参数满足预设条件。
或者，以评价参数包括上述召回率为例，服务器中可以预先设置召回率阈值，当计算获得的召回率低于召回率阈值时，服务器可以确定该评价参数满足预设条件。
或者，以评价参数包括上述第一人均时长为例，服务器中可以预先设置第一人均时长阈值，当计算获得的第一人均时长低于第一人均时长阈值时，服务器可以确定该评价参数满足预设条件。
或者，以评价参数包括上述第二人均时长为例，服务器中可以预先设置第二人均时长阈值，当计算获得的第二人均时长低于第二人均时长阈值时，服务器可以确定该评价参数满足预设条件。
或者，当评价参数包括上述准确率、召回率、第一人均时长以及第二人均时长中的至少两种为例，服务器中可以预先设置该至少两种评价参数分别对应的评价参数阈值，当该至少两种评价参数中的全部或者部分评价参数低于对应的评价参数阈值时，服务器可以确定该评价参数满足预设条件。
在步骤304中，当该评价参数满足预设条件时，获取训练样本。
其中，该训练样本包括该各条判决数据分别对应的输入数据和熄屏时长和该各条判决数据分别对应的熄屏过程的熄屏时长；该输入数据是用于输入该机器学习模型以获得对应的模型判决结果的数据。
在步骤305中，根据该训练样本对该机器学习模型进行机器训练，获得优化后的机器学习模型。
在本公开实施例中，当评价参数满足预设条件时，服务器可以对各个终端中的机器学习模型进行再学习，以优化机器学习模型。其中，对机器学习模型进行再学习时需要首先获取用于模型训练的训练样本，在本公开实施例中，服务器可以直接将上述各条判决数据分别对应的熄屏过程中，各个终端输入机器学习模型的输入数据作为训练样本。
在步骤306中，向各个终端发送模型优化指示，该模型优化指示用于指示各个终端后续根据优化后的机器学习模型获得模型判决结果。
在本公开实施例中，服务器获得优化后的机器学习模型之后，可以指示各个终端更新机器学习模型。比如，上述模型优化指示可以是服务器向各个终端发送的模型推送信息，以将优化后的机器学习模型推送给各个终端；终端接收到该模型推送信息后，从服务器获取优化后的机器学习模型，并将本地存储的机器学习模型更新为上述优化后的机器学习模型，后续终端再次进入熄屏时，终端根据优化后的机器学习模型判决该终端是否进入睡眠模式。
综上所述，本公开实施例所示的利用机器学习模型进行工作模式判决的方法，结合终端在一次熄屏过程中根据机器学习模型获得的模型判决结果以及熄屏过程的熄屏时长，获取该机器学习模型的评价参数，并在机器学习模型的评价参数满足预设条件时对机器学习模型进行优化，并指示各个终端后续根据优化后的机器学习模型获得模型判决结果，在确定是否对机器学习模型进行优化的过程中充分考虑了熄屏时长对机器学习模型的评价参数的影响，从而提高对机器学习模型的实际应用效果。
此外，本公开实施例所示的利用机器学习模型进行工作模式判决的方法，在对机器学习模型进行优化时，可以使用各条判决数据分别对应的熄屏过程中，各个终端输入机器学习模型的输入数据作为训练样本，对机器学习模型进行再训练，不需要额外再人工选取或者设置训练样本，从而提高模型优化效率。
在本公开所示的方案中，通过各条判决数据确定的评价数据除了可以用于辅助判断是否需要对机器学习模型进行优化之外，还可以影响机器学习模型的优化过程，以提高优化效率。
图8是根据一示例性实施例示出的一种利用机器学习模型进行工作模式判决的方法的流程图，如图8所示，该利用机器学习模型进行工作模式判决的方法可以应用于图1所示系统的服务器140中，该方法可以包括以下步骤。
在步骤801中，获取各个终端发送的各条判决数据，该判决数据指示对应的终端在一次熄屏过程中根据该机器学习模型获得的模型判决结果以及该熄屏过程的熄屏时长。
其中，该模型判决结果用于指示对应的终端是否进入指定工作模式。
在步骤802中，根据该各条判决数据获取该机器学习模型的评价参数，该评价参数用于指示该机器学习模型的判决效果。
在步骤803中，当该评价参数低于预设参数阈值时，确定该评价参数满足该预设条件。
在步骤804中，当该评价参数满足预设条件时，根据该评价参数确定模型训练参数，该模型训练参数是用于对该机器学习模型的训练过程进行控制的参数。
在本公开实施例中，机器学习模型可以通过样本数据进行训练，以确定机器学习模型在实际应用中使用的模型参数，而在机器学习模型的训练之前中，还需要预先设置对模型的训练过程进行控制的模型训练参数，不同的机器学习模型，其模型训练参数也不相同。比如，以上述机器学习模型是提升树(boosting tree)模型为例，在提升树模型训练之前，需要预先设置提升树的深度、提升树的宽度、学习率以及迭代次数中的至少一种模型训练参数。或者，上述机器学习模型也可以是提升树模型之外的其它类型的统计学习方法模型，比如梯度提升树模型等等，本公开实施例对于机器学习模型的具体类型不做限定。
在本公开实施例中，服务器可以根据评价参数自动确定机器学习模型的模型训练参数，比如，服务器可以计算评价参数与评价参数阈值之间的差值，并根据评价参数与评价参数阈值之间的差值确定机器学习模型的模型训练参数。
比如，服务器可以根据评价参数与评价参数阈值之间的差值，通过预设的参数确定算法计算出对应的模型训练参数。
或者，服务器中也可以预先存储有差值与各个模型训练参数之间的对应关系表，在确定模型训练参数时，服务器可以在该对应关系表中查询评价参数与评价参数阈值之间的差值对应的模型训练参数。
在步骤805中，根据该模型训练参数对该机器学习模型进行机器训练，获得优化后的机器学习模型。
其中，服务器对该机器学习模型进行机器训练时，可以获取训练样本，并基于上述模型训练参数，使用训练样本对机器学习模型进行再训练，以获得上述优化后的机器学习模型。
其中，上述训练样本的获取方式可以参考图3所示实施例中的步骤304下的描述，此处不再赘述。
在步骤806中，向各个终端发送模型优化指示，该模型优化指示用于指示各个终端后续根据优化后的机器学习模型获得模型判决结果。
在本公开实施例中，服务器训练获得优化后的机器学习模型后，可以将优化后的机器学习模型推送给各个终端，以便各个终端及时更新机器学习模型。
综上所述，本公开实施例所示的利用机器学习模型进行工作模式判决的方法，结合终端在一次熄屏过程中根据机器学习模型获得的模型判决结果以及熄屏过程的熄屏时长，获取该机器学习模型的评价参数，并在机器学习模型的评价参数满足预设条件时对机器学习模型进行优化，并指示各个终端后续根据优化后的机器学习模型获得模型判决结果，在确定是否对机器学习模型进行优化的过程中充分考虑了熄屏时长对机器学习模型的评价参数的影响，从而提高对机器学习模型的实际应用效果。
此外，本公开实施例所示的利用机器学习模型进行工作模式判决的方法，在对机器学习模型进行优化时，可以根据该评价参数确定模型训练参数，并根据模型训练参数对机器学习模型进行再训练，使得确定出的模型训练参数更适合当前的机器学习模型，从而提高模型优化的效果。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
图9是根据一示例性实施例示出的一种利用机器学习模型进行工作模式判决的装置的框图，如图9所示，该利用机器学习模型进行工作模式判决的装置可以通过硬件或者软硬结合的方式实现为图1所示系统的服务器140的全部或者部分。该利用机器学习模型进行工作模式判决的装置可以包括：
判决数据获取模块901，用于获取各个终端对应的各条判决数据，所述判决数据指示对应的终端在一次熄屏过程中根据所述机器学习模型获得的模型判决结果以及所述熄屏过程的熄屏时长，所述模型判决结果用于指示对应的终端是否进入指定工作模式；
评价参数获取模块902，用于根据所述各条判决数据获取所述机器学习模型的评价参数，所述评价参数用于指示所述机器学习模型的判决效果；
优化模块903，用于当所述评价参数满足预设条件时，对所述机器学习模型进行优化，获得优化后的机器学习模型；
指示模块904，用于向所述各个终端发送模型优化指示，所述模型优化指示用于指示所述各个终端后续根据所述优化后的机器学习模型获得模型判决结果。
请参考图10，其示出了本公开实施例涉及的另一种利用机器学习模型进行工作模式判决的装置的框图，如图10所示：
可选的，所述评价参数获取模块902，包括：
第一统计子模块902a，用于统计所述各条判决数据中的第一类型数据、第二类型数据以及第三类型数据各自的条数；所述第一类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长超过第一预设时长的数据；所述第二类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长不超过所述第一预设时长，且本次熄屏的总时长超过第二预设时长的数据；所述第三类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长不超过所述第一预设时长，且本次熄屏的总时长不超过所述第二预设时长的数据；所述第一预设时长小于所述第二预设时长；
第一计算子模块902b，用于计算所述第一类型数据、所述第二类型数据以及所述第三类型数据各自的条数之和；
第一获取子模块902c，用于将所述第一类型数据的条数与所述第一类型数据、所述第二类型数据以及所述第三类型数据各自的条数之和之间的比值获取为所述机器学习模型的准确率。
可选的，所述评价参数获取模块902，包括：
第二统计子模块902d，用于统计所述各条判决数据中的第一类型数据以及第四类型数据各自的条数；所述第一类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长超过第一预设时长的数据；所述第四类型数据是对应的本次熄屏的总时长超过第二预设时长的数据；所述第一预设时长小于所述第二预设时长；
第二获取子模块902e，用于将所述第一类型数据的条数与所述第四类型数据的条数之间的比值获取为所述机器学习模型的召回率。
可选的，所述评价参数获取模块902，包括：
第三统计子模块902f，用于根据所述各条判决数据统计所述各个终端进入所述指定工作模式的总时长；
第三获取子模块902g，用于将所述各个终端进入所述指定工作模式的总时长与所述各个终端的数量之间的比值获取为所述机器学习模型的第一人均时长。
可选的，所述评价参数获取模块902，包括：
第四统计子模块902h，用于统计所述各条判决数据中的第一类型数据；所述第一类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长超过第一预设时长的数据；
第五统计子模块902i，用于统计第一时长，所述第一时长是所述第一类型数据对应的终端进入所述指定工作模式后保持熄屏状态的时长之和；
第四获取子模块902j，用于将所述第一时长和所述第一类型数据对应的终端的数量的比值获取为所述机器学习模型的第二人均时长。
可选的，所述装置还包括：
条件确定模块905，用于在所述优化模块对所述机器学习模型进行优化之前，当所述评价参数低于预设参数阈值时，确定所述评价参数满足所述预设条件。
可选的，所述优化模块903，包括：
训练参数确定子模块903a，用于根据所述评价参数确定模型训练参数，所述模型训练参数是用于对所述机器学习模型的训练过程进行控制的参数；
第一训练子模块903b，用于根据所述模型训练参数对所述机器学习模型进行机器训练，获得优化后的机器学习模型。
可选的，所述机器学习模型为提升树模型，所述模型训练参数包括提升树的深度、提升树的宽度、学习率以及迭代次数中的至少一种。
可选的，所述优化模块，包括：
样本获取子模块903c，用于获取训练样本，所述训练样本包括所述各条判决数据分别对应的输入数据和熄屏时长和所述各条判决数据分别对应的熄屏过程的熄屏时长；所述输入数据是用于输入所述机器学习模型以获得对应的模型判决结果的数据；
第二训练子模块903d，用于根据所述训练样本对所述机器学习模型进行机器训练，获得优化后的机器学习模型。
可选的，所述指定工作模式为睡眠模式。
综上所述，本公开实施例所示的利用机器学习模型进行工作模式判决的装置，结合终端在一次熄屏过程中根据机器学习模型获得的模型判决结果以及熄屏过程的熄屏时长，获取该机器学习模型的评价参数，并在机器学习模型的评价参数满足预设条件时对机器学习模型进行优化，并指示各个终端后续根据优化后的机器学习模型获得模型判决结果，在确定是否对机器学习模型进行优化的过程中充分考虑了熄屏时长对机器学习模型的评价参数的影响，从而提高对机器学习模型的实际应用效果。
此外，本公开实施例所示的利用机器学习模型进行工作模式判决的装置，在对机器学习模型进行优化时，可以使用各条判决数据分别对应的熄屏过程中，各个终端输入机器学习模型的输入数据作为训练样本，对机器学习模型进行再训练，不需要额外再人工选取或者设置训练样本，从而提高模型优化效率。
此外，本公开实施例所示的利用机器学习模型进行工作模式判决的装置，在对机器学习模型进行优化时，可以根据该评价参数确定模型训练参数，并根据模型训练参数对机器学习模型进行再训练，使得确定出的模型训练参数更适合当前的机器学习模型，从而提高模型优化的效果。
需要说明的一点是，上述实施例提供的装置在实现其功能时，仅以上述各个功能模块的划分进行举例说明，实际应用中，可以根据实际需要而将上述功能分配由不同的功能模块完成，即将设备的内容结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开一示例性实施例提供了一种利用机器学习模型进行工作模式判决的装置，能够实现本公开上述图2、图3或图8所示的利用机器学习模型进行工作模式判决的方法，该利用机器学习模型进行工作模式判决的装置包括：处理器、用于存储处理器可执行指令的存储器；
其中，处理器被配置为：
获取各个终端对应的各条判决数据，所述判决数据指示对应的终端在一次熄屏过程中根据所述机器学习模型获得的模型判决结果以及所述熄屏过程的熄屏时长，所述模型判决结果用于指示对应的终端是否进入指定工作模式；
根据所述各条判决数据获取所述机器学习模型的评价参数，所述评价参数用于指示所述机器学习模型的判决效果；
当所述评价参数满足预设条件时，对所述机器学习模型进行优化，获得优化后的机器学习模型；
向所述各个终端发送模型优化指示，所述模型优化指示用于指示所述各个终端后续根据所述优化后的机器学习模型获得模型判决结果。
可选的，所述根据所述各条判决数据获取所述机器学习模型的评价参数，包括：
统计所述各条判决数据中的第一类型数据、第二类型数据以及第三类型数据各自的条数；所述第一类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长超过第一预设时长的数据；所述第二类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长不超过所述第一预设时长，且本次熄屏的总时长超过第二预设时长的数据；所述第三类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长不超过所述第一预设时长，且本次熄屏的总时长不超过所述第二预设时长的数据；所述第一预设时长小于所述第二预设时长；
计算所述第一类型数据、所述第二类型数据以及所述第三类型数据各自的条数之和；
将所述第一类型数据的条数与所述第一类型数据、所述第二类型数据以及所述第三类型数据各自的条数之和之间的比值获取为所述机器学习模型的准确率。
可选的，所述根据所述各条判决数据获取所述机器学习模型的评价参数，包括：
统计所述各条判决数据中的第一类型数据以及第四类型数据各自的条数；所述第一类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长超过第一预设时长的数据；所述第四类型数据是对应的本次熄屏的总时长超过第二预设时长的数据；所述第一预设时长小于所述第二预设时长；
将所述第一类型数据的条数与所述第四类型数据的条数之间的比值获取为所述机器学习模型的召回率。
可选的，所述根据所述各条判决数据获取所述机器学习模型的评价参数，包括：
根据所述各条判决数据统计所述各个终端进入所述指定工作模式的总时长；
将所述各个终端进入所述指定工作模式的总时长与所述各个终端的数量之间的比值获取为所述机器学习模型的第一人均时长。
可选的，所述根据所述各条判决数据获取所述机器学习模型的评价参数，包括：
统计所述各条判决数据中的第一类型数据；所述第一类型数据是对应的终端进入所述指定工作模式后保持熄屏状态的时长超过第一预设时长的数据；
统计第一时长，所述第一时长是所述第一类型数据对应的终端进入所述指定工作模式后保持熄屏状态的时长之和；
将所述第一时长和所述第一类型数据对应的终端的数量的比值获取为所述机器学习模型的第二人均时长。
可选的，所述处理器还被配置为：
对所述机器学习模型进行优化之前，当所述评价参数低于预设参数阈值时，确定所述评价参数满足所述预设条件。
可选的，所述当所述评价参数满足预设条件时，对所述机器学习模型进行优化，获得优化后的机器学习模型，包括：
根据所述评价参数确定模型训练参数，所述模型训练参数是用于对所述机器学习模型的训练过程进行控制的参数；
根据所述模型训练参数对所述机器学习模型进行机器训练，获得优化后的机器学习模型。
可选的，所述机器学习模型为提升树模型，所述模型训练参数包括提升树的深度、提升树的宽度、学习率以及迭代次数中的至少一种。
可选的，所述当所述评价参数满足预设条件时，对所述机器学习模型进行优化，获得优化后的机器学习模型，包括：
获取训练样本，所述训练样本包括所述各条判决数据分别对应的输入数据和熄屏时长和所述各条判决数据分别对应的熄屏过程的熄屏时长；所述输入数据是用于输入所述机器学习模型以获得对应的模型判决结果的数据；
根据所述训练样本对所述机器学习模型进行机器训练，获得优化后的机器学习模型。
可选的，所述指定工作模式为睡眠模式。
上述主要以利用机器学习模型进行工作模式判决的装置为例，对本公开实施例提供的方案进行了介绍。可以理解的是，利用机器学习模型进行工作模式判决的装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。结合本公开中所公开的实施例描述的各示例的模块及算法步骤，本公开实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本公开实施例的技术方案的范围。
图11是根据一示例性实施例示出的一种计算机设备的结构示意图。该计算机设备可以实现为上述图1所示系统中的服务器140。该计算机设备可以实现为本公开上述方案中运行有软件开发工具的设备。所述计算机设备1100包括中央处理单元(CPU)1101、包括随机存取存储器(RAM)1102和只读存储器(ROM)1103的系统存储器1104，以及连接系统存储器1104和中央处理单元1101的系统总线1105。所述计算机设备1100还包括帮助计算机内的各个器件之间传输信息的基本输入/输出系统(I/O系统)1106，和用于存储操作系统1113、应用程序1114和其他程序模块1115的大容量存储设备1107。
所述基本输入/输出系统1106包括有用于显示信息的显示器1108和用于用户输入信息的诸如鼠标、键盘之类的输入设备1109。其中所述显示器1108和输入设备1109都通过连接到系统总线1105的输入输出控制器1110连接到中央处理单元1101。所述基本输入/输出系统1106还可以包括输入输出控制器1110以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地，输入输出控制器1110还提供输出到显示屏、打印机或其他类型的输出设备。
所述大容量存储设备1107通过连接到系统总线1105的大容量存储控制器(未示出)连接到中央处理单元1101。所述大容量存储设备1107及其相关联的计算机可读介质为计算机设备1100提供非易失性存储。也就是说，所述大容量存储设备1107可以包括诸如硬盘或者CD-ROM驱动器之类的计算机可读介质(未示出)。
不失一般性，所述计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储其技术，CD-ROM、DVD或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知所述计算机存储介质不局限于上述几种。上述的系统存储器1104和大容量存储设备1107可以统称为存储器。
根据本公开的各种实施例，所述计算机设备1100还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备1100可以通过连接在所述系统总线1105上的网络接口单元1111连接到网络1112，或者说，也可以使用网络接口单元1111来连接到其他类型的网络或远程计算机系统(未示出)。
所述存储器还包括一个或者一个以上的程序，所述一个或者一个以上程序存储于存储器中，中央处理器1101通过执行该一个或一个以上程序来实现图2、图4或图8所示的方法的全部或者部分步骤。
在一示例性实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中包含处理器的可执行指令，例如，该可执行指令可以是单条指令、一段程序、一个或一个以上代码集或者指令集等，处理器可以通过调用上述可执行指令来实现图2、图4或图8所示的方法的全部或者部分步骤。其中，计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。