一种基于人工智能的桌面图标的管理方法及装置

专利名称：一种基于人工智能的桌面图标的管理方法及装置

专利类型：实用新型专利

专利申请（专利权）人：内江师范学院
权利人地址：四川省内江市东桐路705号

专利发明（设计）人：傅荣会,文琴,王丹,文丽,候红英,王晓芸,周维兵

专利摘要：本申请提供一种基于人工智能的桌面图标的管理方法及装置，在该方法中，电子设备通过将桌面图标的实际排布图案输入神经网络模型进行处理，能够得到神经网络模型输出的比实际排布图案中桌面图标排布更有序的推荐排布图案，以实现设备自行能够调整桌面图标的排布，无需人为自行调整，提高使用体验。此外，电子设备还可以根据实际排布图案，确定桌面图标的混沌系数，即实际排布图案中桌面图标排布的有序程度，用以据此确定混沌系数对应的神经网络模型，即适合处理该有序程度的实际排布图案的神经网络模型，从而能够提高鲁棒性。

主权利要求：一种基于人工智能的桌面图标的管理方法及装置
技术领域
[0001] 本申请涉及应用技术领域，尤其涉及一种基于人工智能的桌面图标的管理方法及装置。
背景技术
[0002] 目前的应用软件已经非常成熟，各种第三方应用软件，如社交、视频、生活、娱乐等各种功能的应用软件，能够覆盖人们生活的方方面面，满足人们生活的各种需求。例如，各种应用软件安装到手机后，都可以在手机的桌面上显示应用图标，以方便人们使用。
[0003] 但是，随着应用软件的数目和总类的增多，大量应用软件安装在手机后上会导致手机的桌面的显示非常杂乱，如果不做调整，则可能会影响人们使用的便捷性，如果做调整，则会消耗人们较多的时间和精力。
发明内容
[0004] 本申请实施例提供一种基于人工智能的桌面图标的管理方法及装置，以实现设备自行能够调整桌面图标的排布，无需人为自行调整，提高使用体验。
[0005] 为达到上述目的，本申请采用如下技术方案：
[0006] 第一方面，提供一种基于人工智能的桌面图标的管理方法，应用于电子设备，该方法包括：电子设备根据桌面图标的实际排布图案，确定桌面图标的混沌系数，其中，混沌系数用于表征实际排布图案中桌面图标排布的有序程度，若混沌系数越低，则桌面图标的排布越有序；电子设备将实际排布图案输入混沌系数对应的神经网络模型，得到神经网络模型输出的桌面图标的推荐排布图案，其中，推荐排布图案中桌面图标排布比实际排布图案中桌面图标排布更有序。
[0007] 基于第一方面所述的方法可知，电子设备通过将桌面图标的实际排布图案输入神经网络模型进行处理，能够得到神经网络模型输出的比实际排布图案中桌面图标排布更有序的推荐排布图案，以实现设备自行能够调整桌面图标的排布，无需人为自行调整，提高使用体验。此外，电子设备还可以根据实际排布图案，确定桌面图标的混沌系数，即实际排布图案中桌面图标排布的有序程度，用以据此确定混沌系数对应的神经网络模型，即适合处理该有序程度的实际排布图案的神经网络模型，从而能够提高鲁棒性。
[0008] 一种可能的设计方案，桌面图标包括M类应用图标，M为大于1的整数，电子设备根据桌面图标的实际排布图案，确定桌面图标的混沌系数，包括：电子设备根据桌面图标的实际排布图案，确定M类应用图标各自的混沌系数，其中，M类应用图标中第i类应用图标的混沌系数用于表征第i类应用图标排布的有序程度，i为取1至M的整数，若第i类应用图标的混沌系数越低，则第i类应用图标的排布越有序；电子设备根据M类应用图标各自的混沌系数，确定桌面图标的混沌系数。
[0009] 可选地，电子设备根据桌面图标的实际排布图案，确定M类应用图标各自的混沌系数，包括：电子设备根据实际排布图案中第i类应用图标的分布位置，确定第i类应用图标的混沌系数。可以理解，不同类型的应用图标的分布是否有序主要是这些应用图标的位置决定，因此通过分析第i类应用图标的分布位置，能够准确地确定第i类应用图标的混沌系数。
[0010] 进一步的，第i类应用图标包括N个应用图标，N为大于1的整数，电子设备根据实际排布图案中第i类应用图标的分布位置，确定第i类应用图标的混沌系数，包括：电子设备根据实际排布图案中第i类应用图标的分布位置，确定N个应用图标中第1个应用图标，与N个应用图标中不包含中第1个应用图标的N‑1应用图标的最小距离，以及确定N‑1个应用图标中第2个应用图标与N‑1个应用图标中不包含中第2个应用图标的N‑2应用图标的最小距离，直至确定2个应用图标中第N‑1个应用图标与第N个应用图标的最小距离，得到N个应用图标各自对应的最小距离，共N个最小距离；电子设备对N个最小距离，确定第i类应用图标的混沌系数。
[0011] 也就是说，对于同一类应用图标而言，若这些应用图标的最小距离越小，则说明这些应用图标在桌面上的位置分布越集中，也越有序，反之，位置分布越不集中，也越无序。也就是说，应用图标的最小距离能够客观、直观且准确地反映出该类应用图标的有序程度。
[0012] 进一步的，第i类应用图标包括N个应用图标，N为大于1的整数，电子设备根据实际排布图案中第i类应用图标的分布位置，确定第i类应用图标的混沌系数，包括：电子设备根据实际排布图案中第i类应用图标的分布位置，确定N个应用图标中第1个应用图标，与N个应用图标中不包含中第1个应用图标的N‑1应用图标的最大距离，以及确定N‑1个应用图标中第2个应用图标与N‑1个应用图标中不包含中第2个应用图标的N‑2应用图标的最大距离，直至确定2个应用图标中第N‑1个应用图标与第N个应用图标的最大距离，得到N个应用图标各自对应的最大距离，共N个最大距离；电子设备对N个最大距离，确定第i类应用图标的混沌系数。
[0013] 也就是说，对于同一类应用图标而言，若这些应用图标的最大距离越小，则说明这些应用图标在桌面上的位置分布越集中，也越有序，反之，位置分布越不集中，也越无序。也就是说，应用图标的最大距离也能够客观、直观且准确地反映出该类应用图标的有序程度。
[0014] 可选地，电子设备根据M类应用图标各自的混沌系数为多维向量，共M个多维向量，电子设备根据M类应用图标各自的混沌系数，确定桌面图标的混沌系数，包括：电子设备将M个多维向量的乘积确定为桌面图标的混沌系数。
[0015] 例如，第i类应用图标的混沌系数由N维向量表征。此时，每一维向量的取值为N个最小距离或N个最大距离中对应的一个距离的取值，如此，M个多维向量的乘积即为M类应用图标之间的最大总距离或者最小总距离。
[0016] 示例1：
[0017] 对于第一类应用图标，N个最小距离为10个最小距离，如距离#1=1、距离#2=1.2、距离#3=2.1、距离#4=2.2、距离#5=2.1、距离#6=2.4、距离#7=2.7、距离#8=3.3、距离#9=4、距离#10=4.2，第一类应用图标的混沌系数为向量#1，即（1,1.2,2.1,2.2,2.1,2.4,2.7,3.3,4,4.2）。

[0018] 对于第二类应用图标，N个最小距离为6个最小距离，如距离#A=2.3、距离#B=3.2、距离#C=3.1、距离#D=3.2、距离#F=4.2、距离#G=4.2，第二类应用图标的混沌系数为向量#2，即（2.3,3.2,3.1,3.2,2.1,4.2,4.2）。
[0019] 或者，示例1：
[0020] 还可以通过补0将6维向量#2升维到10维，即（2.3,3.2,3.1,3.2,2.1,4.2,4.2,0,0,0,0），此时，向量#1与向量#2可以构成2*10的矩阵，由于矩阵的秩能够表征矩阵的有序程度，或者说无序程度，因此矩阵的秩也可以作为混沌系数。

[0021] 又例如，第i类应用图标的混沌系数也由N维向量表征。此时，每一维向量的取值为N个最小距离或N个最大距离中对应的一个距离对应映射到向量空间的取值，如0或1。
[0022] 示例2：对于第一类应用图标，N个最小距离为10个最小距离，如距离#1=1、距离#2=1.2、距离#3=2.1、距离#4=2.2、距离#5=2.1、距离#6=2.4、距离#7=2.7、距离#8=3.3、距离#9=
4、距离#10=4.2，设置距离=3为阈值，将小于阈值的距离的取值映射为取值为0的向量，将大于或等于阈值的距离的取值映射为取值为1的向量，如此10个最小距离对应的10维向量#1为（0,0,0,0,0,0,0,1,1,1），向量#1中1或0的数目都可以表征第一类应用图标的混沌系数。
对于第二类应用图标，N个最小距离为6个最小距离，如距离#A=2.3、距离#B=3.2、距离#C=
3.1、距离#D=3.2、距离#F=4.2、距离#G=4.2，仍设置距离=3为阈值，将小于阈值的距离的取值映射为取值为0的向量，将大于或等于阈值的距离的取值映射为取值为1的向量，如此6个最小距离对应的6维向量#2为（0,1,1,1,1,1），向量#2中1或0的数目都可以表征第二类应用图标的混沌系数。电子设备将这些混沌系数加权求和，就可以得到桌面图标的混沌系数。

[0023] 可以理解，由于示例2主要是通过0或1的向量数目来表征混沌系数，相较于示例1，其简化了运算，提高了设备的运行效率。
[0024] 或者，示例2：
[0025] 还可以通过补0的方式将6维向量#2升维到10维，即（0,1,1,1,1,1,0,0,0,0），此时，向量#1与向量#2可以构成2*10的矩阵，由于矩阵的秩能够表征矩阵的有序程度，或者说无序程度，因此矩阵的秩也可以作为混沌系数。
[0026] 一种可能的设计方案，电子设备将排布图案输入混沌系数对应的神经网络模型，得到神经网络模型输出的桌面图标的推荐排布图案，包括：电子设备根据混沌系数，确定网络规模与混沌系数匹配的神经网络模型；电子设备将排布图案输入神经网络模型，得到神经网络模型输出的桌面图标的推荐排布图案。
[0027] 可选地，神经网络模型的隐藏层中的每个神经元为对称矩阵，神经网络模型的网络规模与混沌系数匹配是指：混沌系数与对称矩阵的大小的匹配。对称矩阵最小可以是2*2的矩阵，包括元素S和元素0，元素S分布在对称矩阵的对角线上，元素0分布在对称矩阵除对角线以外的位置上，且元素S和元素0的取值已通过训练阶段确定好了。可以理解，不同神经元对应的不同对称矩阵中元素S和元素0的取值可以不同。
[0028] 可选地，混沌系数与对称矩阵的大小的匹配是指混沌系数的大小与对称矩阵的大小形成正相关关系，该正相关关系可以在电子设备预配置好，用以电子设备能够根据当前的混沌系数的大小，构建对应尺寸的神经网络模型。例如，混沌系数越大，对称矩阵可以从2*2的矩阵增大为3*3、4*4，甚至更大尺寸的矩阵。

[0029] 第二方面，提供一种基于人工智能的桌面图标的管理装置，该装置包括：处理模块，其中：处理模块，用于电子设备根据桌面图标的实际排布图案，确定桌面图标的混沌系数，其中，混沌系数用于表征实际排布图案中桌面图标排布的有序程度，若混沌系数越低，则桌面图标的排布越有序；处理模块，还用于电子设备将实际排布图案输入混沌系数对应的神经网络模型，得到神经网络模型输出的桌面图标的推荐排布图案，其中，推荐排布图案中桌面图标排布比实际排布图案中桌面图标排布更有序。
[0030] 一种可能的设计方案，桌面图标包括M类应用图标，M为大于1的整数，电子设备根据桌面图标的实际排布图案，确定桌面图标的混沌系数，包括：电子设备根据桌面图标的实际排布图案，确定M类应用图标各自的混沌系数，其中，M类应用图标中第i类应用图标的混沌系数用于表征第i类应用图标排布的有序程度，i为取1至M的整数，若第i类应用图标的混沌系数越低，则第i类应用图标的排布越有序；电子设备根据M类应用图标各自的混沌系数，确定桌面图标的混沌系数。
[0031] 可选地，电子设备根据桌面图标的实际排布图案，确定M类应用图标各自的混沌系数，包括：电子设备根据实际排布图案中第i类应用图标的分布位置，确定第i类应用图标的混沌系数。
[0032] 进一步的，第i类应用图标包括N个应用图标，N为大于1的整数，电子设备根据实际排布图案中第i类应用图标的分布位置，确定第i类应用图标的混沌系数，包括：电子设备根据实际排布图案中第i类应用图标的分布位置，确定N个应用图标中第1个应用图标，与N个应用图标中不包含中第1个应用图标的N‑1应用图标的最小距离，以及确定N‑1个应用图标中第2个应用图标与N‑1个应用图标中不包含中第2个应用图标的N‑2应用图标的最小距离，直至确定2个应用图标中第N‑1个应用图标与第N个应用图标的最小距离，得到N个应用图标各自对应的最小距离，共N个最小距离；电子设备对N个最小距离，确定第i类应用图标的混沌系数。
[0033] 进一步的，第i类应用图标包括N个应用图标，N为大于1的整数，电子设备根据实际排布图案中第i类应用图标的分布位置，确定第i类应用图标的混沌系数，包括：电子设备根据实际排布图案中第i类应用图标的分布位置，确定N个应用图标中第1个应用图标，与N个应用图标中不包含中第1个应用图标的N‑1应用图标的最大距离，以及确定N‑1个应用图标中第2个应用图标与N‑1个应用图标中不包含中第2个应用图标的N‑2应用图标的最大距离，直至确定2个应用图标中第N‑1个应用图标与第N个应用图标的最大距离，得到N个应用图标各自对应的最大距离，共N个最大距离；电子设备对N个最大距离，确定第i类应用图标的混沌系数。
[0034] 可选地，电子设备根据M类应用图标各自的混沌系数为多维向量，共M个多维向量，电子设备根据M类应用图标各自的混沌系数，确定桌面图标的混沌系数，包括：电子设备将M个多维向量的乘积确定为桌面图标的混沌系数。
[0035] 一种可能的设计方案，电子设备将排布图案输入混沌系数对应的神经网络模型，得到神经网络模型输出的桌面图标的推荐排布图案，包括：电子设备根据混沌系数，确定网络规模与混沌系数匹配的神经网络模型；电子设备将排布图案输入神经网络模型，得到神经网络模型输出的桌面图标的推荐排布图案。
[0036] 可选地，神经网络模型的隐藏层中的每个神经元为对称矩阵，神经网络模型的网络规模与混沌系数匹配是指：混沌系数与对称矩阵的大小的匹配。
[0037] 可选地，混沌系数与对称矩阵的大小的匹配是指混沌系数的大小与对称矩阵的大小形成正相关关系。
[0038] 此外，第二方面所述的基于人工智能的桌面图标的管理装置的技术效果可以参考第一方面所述的基于人工智能的桌面图标的管理方法的技术效果，此处不再赘述。
[0039] 第三方面，提供了一种基于人工智能的桌面图标的管理装置，包括：处理器和存储器；该存储器用于存储计算机程序，当该处理器执行该计算机程序时，以使该基于人工智能的桌面图标的管理装置执行第一方面所述的基于人工智能的桌面图标的管理方法。
[0040] 在一种可能的设计方案中，第三方面所述的基于人工智能的桌面图标的管理装置还可以包括收发器。该收发器可以为收发电路或接口电路。该收发器可以用于第一方面所述的基于人工智能的桌面图标的管理装置与其他基于人工智能的桌面图标的管理装置通信。
[0041] 在本申请中，第三方面所述的基于人工智能的桌面图标的管理装置可以为终端，或者可设置于该终端中的芯片（系统）或其他部件或组件，或者包含该终端的装置。
[0042] 此外，第三方面所述的基于人工智能的桌面图标的管理装置的技术效果可以参考第一方面所述的基于人工智能的桌面图标的管理方法的技术效果，此处不再赘述。
[0043] 第四方面，提供一种计算机可读存储介质，包括：计算机程序或指令；当该计算机程序或指令在计算机上运行时，使得该计算机执行第一方面所述的基于人工智能的桌面图标的管理方法。
[0044] 第五方面，提供一种计算机程序产品，包括：计算机程序或指令，当该计算机程序或指令在计算机上运行时，使得该计算机执行第一方面所述的基于人工智能的桌面图标的管理方法。
附图说明
[0045] 图1为本申请实施例提供的基于人工智能的桌面图标的管理方法的流程示意图；
[0046] 图2为本申请实施例提供的基于人工智能的桌面图标的管理装置的结构示意图一；
[0047] 图3为本申请实施例提供的基于人工智能的桌面图标的管理装置的结构示意图二。
具体实施方式
[0048] 本申请将围绕可包括多个设备、组件、模块等的系统来呈现各个方面、实施例或特征。应当理解和明白的是，各个系统可以包括另外的设备、组件、模块等，并且/或者可以并不包括结合附图讨论的所有设备、组件、模块等。此外，还可以使用这些方案的组合。
[0049] 另外，在本申请实施例中，“示例的”、“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用示例的一词旨在以具体方式呈现概念。
[0050] 本申请实施例中，“信息（information）”，“信号（signal）”，“消息（message）”，“信道（channel）”、“信令（singaling）”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是匹配的。“的（of）”，“相应的（corresponding，relevant）”和“对应的（corresponding）”有时可以混用，应当指出的是，在不强调其区别时，其所要表达的含义是匹配的。此外，本申请提到的“/”可以用于表示“或”的关系。
[0051] 本申请实施例描述的网络架构以及业务场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着网络架构的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
[0052] 本申请实施例提供的方法可以由电子设备执行，该电子设备可以是终端。
[0053] 终端可以为具有收发功能的终端，或为可设置于该终端的芯片或芯片系统。该终端也可以称为用户装置（uesrequipment，UE）、接入终端、用户单元（subscriberunit）、用户站、移动站（mobilestation，MS）、移动台、远方站、远程终端、移动设备、用户终端、终端、无线通信设备、用户代理或用户装置。本申请的实施例中的终端可以是手机（mobilephone）、蜂窝电话（cellularphone）、智能电话（smartphone）、平板电脑（Pad）、无线数据卡、个人数字助理电脑（personaldigitalassistant，PDA）、无线调制解调器（modem）、手持设备（handset）、膝上型电脑（laptopcomputer）、机器类型通信（machinetypecommunication，MTC）终端、带无线收发功能的电脑、虚拟现实（virtualreality，VR）终端、增强现实（augmentedreality，AR）终端、工业控制（industrialcontrol）中的无线终端、无人驾驶（selfdriving）中的无线终端、远程医疗（remotemedical）中的无线终端、智能电网（smartgrid）中的无线终端、运输安全（transportationsafety）中的无线终端、智慧城市（smartcity）中的无线终端、智慧家庭（smarthome）中的无线终端、车载终端、具有终端功能的路边单元（roadsideunit，RSU）等。本申请的终端还可以是作为一个或多个部件或者单元而内置于车辆的车载模块、车载模组、车载部件、车载芯片或者车载单元。
[0054] 为方便理解，下面将结合图1，通过方法实施例具体介绍。
[0055] 示例性的，图1为本申请实施例提供的基于人工智能的桌面图标的管理方法的流程示意图。
[0056] 具体的，如图1所示，该方法的流程如下：
[0057] S101，电子设备根据桌面图标的实际排布图案，确定桌面图标的混沌系数。
[0058] 其中，混沌系数用于表征实际排布图案中桌面图标排布的有序程度，若混沌系数越低，则桌面图标的排布越有序。
[0059] 一种可能的设计方案，桌面图标包括M类应用图标，M为大于1的整数，电子设备根据桌面图标的实际排布图案，确定桌面图标的混沌系数，包括：电子设备根据桌面图标的实际排布图案，确定M类应用图标各自的混沌系数，其中，M类应用图标中第i类应用图标的混沌系数用于表征第i类应用图标排布的有序程度，i为取1至M的整数，若第i类应用图标的混沌系数越低，则第i类应用图标的排布越有序；电子设备根据M类应用图标各自的混沌系数，确定桌面图标的混沌系数。
[0060] 可选地，电子设备根据桌面图标的实际排布图案，确定M类应用图标各自的混沌系数，包括：电子设备根据实际排布图案中第i类应用图标的分布位置，确定第i类应用图标的混沌系数。可以理解，不同类型的应用图标的分布是否有序主要是这些应用图标的位置决定，因此通过分析第i类应用图标的分布位置，能够准确地确定第i类应用图标的混沌系数。
[0061] 进一步的，第i类应用图标包括N个应用图标，N为大于1的整数，电子设备根据实际排布图案中第i类应用图标的分布位置，确定第i类应用图标的混沌系数，包括：电子设备根据实际排布图案中第i类应用图标的分布位置，确定N个应用图标中第1个应用图标，与N个应用图标中不包含中第1个应用图标的N‑1应用图标的最小距离，以及确定N‑1个应用图标中第2个应用图标与N‑1个应用图标中不包含中第2个应用图标的N‑2应用图标的最小距离，直至确定2个应用图标中第N‑1个应用图标与第N个应用图标的最小距离，得到N个应用图标各自对应的最小距离，共N个最小距离；电子设备对N个最小距离，确定第i类应用图标的混沌系数。
[0062] 也就是说，对于同一类应用图标而言，若这些应用图标的最小距离越小，则说明这些应用图标在桌面上的位置分布越集中，也越有序，反之，位置分布越不集中，也越无序。也就是说，应用图标的最小距离能够客观、直观且准确地反映出该类应用图标的有序程度。
[0063] 进一步的，第i类应用图标包括N个应用图标，N为大于1的整数，电子设备根据实际排布图案中第i类应用图标的分布位置，确定第i类应用图标的混沌系数，包括：电子设备根据实际排布图案中第i类应用图标的分布位置，确定N个应用图标中第1个应用图标，与N个应用图标中不包含中第1个应用图标的N‑1应用图标的最大距离，以及确定N‑1个应用图标中第2个应用图标与N‑1个应用图标中不包含中第2个应用图标的N‑2应用图标的最大距离，直至确定2个应用图标中第N‑1个应用图标与第N个应用图标的最大距离，得到N个应用图标各自对应的最大距离，共N个最大距离；电子设备对N个最大距离，确定第i类应用图标的混沌系数。
[0064] 也就是说，对于同一类应用图标而言，若这些应用图标的最大距离越小，则说明这些应用图标在桌面上的位置分布越集中，也越有序，反之，位置分布越不集中，也越无序。也就是说，应用图标的最大距离也能够客观、直观且准确地反映出该类应用图标的有序程度。
[0065] 可选地，电子设备根据M类应用图标各自的混沌系数为多维向量，共M个多维向量，电子设备根据M类应用图标各自的混沌系数，确定桌面图标的混沌系数，包括：电子设备将M个多维向量的乘积确定为桌面图标的混沌系数。
[0066] 例如，第i类应用图标的混沌系数由N维向量表征。此时，每一维向量的取值为N个最小距离或N个最大距离中对应的一个距离的取值，如此，M个多维向量的乘积即为M类应用图标之间的最大总距离或者最小总距离。
[0067] 示例1：
[0068] 对于第一类应用图标，N个最小距离为10个最小距离，如距离#1=1、距离#2=1.2、距离#3=2.1、距离#4=2.2、距离#5=2.1、距离#6=2.4、距离#7=2.7、距离#8=3.3、距离#9=4、距离#10=4.2，第一类应用图标的混沌系数为向量#1，即（1,1.2,2.1,2.2,2.1,2.4,2.7,3.3,4,4.2）。

[0069] 对于第二类应用图标，N个最小距离为6个最小距离，如距离#A=2.3、距离#B=3.2、距离#C=3.1、距离#D=3.2、距离#F=4.2、距离#G=4.2，第二类应用图标的混沌系数为向量#2，即（2.3,3.2,3.1,3.2,2.1,4.2,4.2）。
[0070] 或者，示例1：
[0071] 还可以通过补0将6维向量#2升维到10维，即（2.3,3.2,3.1,3.2,2.1,4.2,4.2,0,0,0,0），此时，向量#1与向量#2可以构成2*10的矩阵，矩阵的秩即为混沌系数。

[0072] 又例如，第i类应用图标的混沌系数也由N维向量表征。此时，每一维向量的取值为N个最小距离或N个最大距离中对应的一个距离对应映射到向量空间的取值，如0或1。
[0073] 示例2：对于第一类应用图标，N个最小距离为10个最小距离，如距离#1=1、距离#2=1.2、距离#3=2.1、距离#4=2.2、距离#5=2.1、距离#6=2.4、距离#7=2.7、距离#8=3.3、距离#9=
4、距离#10=4.2，设置距离=3为阈值，将小于阈值的距离的取值映射为取值为0的向量，将大于或等于阈值的距离的取值映射为取值为1的向量，如此10个最小距离对应的10维向量#1为（0,0,0,0,0,0,0,1,1,1），向量#1中1或0的数目都可以表征第一类应用图标的混沌系数。
对于第二类应用图标，N个最小距离为6个最小距离，如距离#A=2.3、距离#B=3.2、距离#C=
3.1、距离#D=3.2、距离#F=4.2、距离#G=4.2，仍设置距离=3为阈值，将小于阈值的距离的取值映射为取值为0的向量，将大于或等于阈值的距离的取值映射为取值为1的向量，如此6个最小距离对应的6维向量#2为（0,1,1,1,1,1），向量#2中1或0的数目都可以表征第二类应用图标的混沌系数。电子设备将这些混沌系数加权求和，就可以得到桌面图标的混沌系数。

[0074] 或者，示例2：
[0075] 还可以通过补0的方式将6维向量#2升维到10维，即（0,1,1,1,1,1,0,0,0,0），此时，向量#1与向量#2可以构成2*10的矩阵，矩阵的秩即为混沌系数。
[0076] S102，电子设备将实际排布图案输入混沌系数对应的神经网络模型，得到神经网络模型输出的桌面图标的推荐排布图案。
[0077] 其中，推荐排布图案中桌面图标排布比实际排布图案中桌面图标排布更有序。
[0078] 电子设备将排布图案输入混沌系数对应的神经网络模型，得到神经网络模型输出的桌面图标的推荐排布图案，包括：电子设备根据混沌系数，确定网络规模与混沌系数匹配的神经网络模型；电子设备将排布图案输入神经网络模型，得到神经网络模型输出的桌面图标的推荐排布图案。
[0079] 可选地，神经网络模型的隐藏层中的每个神经元为对称矩阵，神经网络模型的网络规模与混沌系数匹配是指：混沌系数与对称矩阵的大小的匹配。对称矩阵最小可以是2*2的矩阵，包括元素S和元素0，元素S分布在对称矩阵的对角线上，元素0分布在对称矩阵除对角线以外的位置上，且元素S和元素0的取值已通过训练阶段确定好了。可以理解，不同神经元对应的不同对称矩阵中元素S和元素0的取值可以不同。
[0080] 可选地，混沌系数与对称矩阵的大小的匹配是指混沌系数的大小与对称矩阵的大小形成正相关关系，该正相关关系可以在电子设备预配置好，用以电子设备能够根据当前的混沌系数的大小，构建对应尺寸的神经网络模型。例如，混沌系数越大，对称矩阵可以从2*2的矩阵增大为3*3、4*4，甚至更大尺寸的矩阵。

[0081] 例如，混沌系数为第一取值时，对称矩阵可以表示为如下式1所示：
[0082] （1）；
[0083] 又例如，混沌系数为大于第一取值第二取值时，对称矩阵可以表示为如下式2所示：
[0084] （2）；
[0085] 综上，电子设备通过将桌面图标的实际排布图案输入神经网络模型进行处理，能够得到神经网络模型输出的比实际排布图案中桌面图标排布更有序的推荐排布图案，以实现设备自行能够调整桌面图标的排布，无需人为自行调整，提高使用体验。此外，电子设备还可以根据实际排布图案，确定桌面图标的混沌系数，即实际排布图案中桌面图标排布的有序程度，用以据此确定混沌系数对应的神经网络模型，即适合处理该有序程度的实际排布图案的神经网络模型，从而能够提高鲁棒性。
[0086] 以上结合图1详细说明了本申请实施例提供的基于人工智能的桌面图标的管理方法。以下结合图2‑图3详细说明用于执行本申请实施例提供的基于人工智能的桌面图标的管理装置。该基于人工智能的桌面图标的管理装置300适用于上述终端，包括收发模块301和处理模块302。
[0087] 其中，处理模块302，用于电子设备根据桌面图标的实际排布图案，确定桌面图标的混沌系数，其中，混沌系数用于表征实际排布图案中桌面图标排布的有序程度，若混沌系数越低，则桌面图标的排布越有序；处理模块302，还用于电子设备将实际排布图案输入混沌系数对应的神经网络模型，得到神经网络模型输出的桌面图标的推荐排布图案，其中，推荐排布图案中桌面图标排布比实际排布图案中桌面图标排布更有序。
[0088] 一种可能的设计方案，桌面图标包括M类应用图标，M为大于1的整数，电子设备根据桌面图标的实际排布图案，确定桌面图标的混沌系数，包括：电子设备根据桌面图标的实际排布图案，确定M类应用图标各自的混沌系数，其中，M类应用图标中第i类应用图标的混沌系数用于表征第i类应用图标排布的有序程度，i为取1至M的整数，若第i类应用图标的混沌系数越低，则第i类应用图标的排布越有序；电子设备根据M类应用图标各自的混沌系数，确定桌面图标的混沌系数。
[0089] 可选地，电子设备根据桌面图标的实际排布图案，确定M类应用图标各自的混沌系数，包括：电子设备根据实际排布图案中第i类应用图标的分布位置，确定第i类应用图标的混沌系数。
[0090] 进一步的，第i类应用图标包括N个应用图标，N为大于1的整数，电子设备根据实际排布图案中第i类应用图标的分布位置，确定第i类应用图标的混沌系数，包括：电子设备根据实际排布图案中第i类应用图标的分布位置，确定N个应用图标中第1个应用图标，与N个应用图标中不包含中第1个应用图标的N‑1应用图标的最小距离，以及确定N‑1个应用图标中第2个应用图标与N‑1个应用图标中不包含中第2个应用图标的N‑2应用图标的最小距离，直至确定2个应用图标中第N‑1个应用图标与第N个应用图标的最小距离，得到N个应用图标各自对应的最小距离，共N个最小距离；电子设备对N个最小距离，确定第i类应用图标的混沌系数。
[0091] 进一步的，第i类应用图标包括N个应用图标，N为大于1的整数，电子设备根据实际排布图案中第i类应用图标的分布位置，确定第i类应用图标的混沌系数，包括：电子设备根据实际排布图案中第i类应用图标的分布位置，确定N个应用图标中第1个应用图标，与N个应用图标中不包含中第1个应用图标的N‑1应用图标的最大距离，以及确定N‑1个应用图标中第2个应用图标与N‑1个应用图标中不包含中第2个应用图标的N‑2应用图标的最大距离，直至确定2个应用图标中第N‑1个应用图标与第N个应用图标的最大距离，得到N个应用图标各自对应的最大距离，共N个最大距离；电子设备对N个最大距离，确定第i类应用图标的混沌系数。
[0092] 可选地，电子设备根据M类应用图标各自的混沌系数为多维向量，共M个多维向量，电子设备根据M类应用图标各自的混沌系数，确定桌面图标的混沌系数，包括：电子设备将M个多维向量的乘积确定为桌面图标的混沌系数。
[0093] 一种可能的设计方案，电子设备将排布图案输入混沌系数对应的神经网络模型，得到神经网络模型输出的桌面图标的推荐排布图案，包括：电子设备根据混沌系数，确定网络规模与混沌系数匹配的神经网络模型；电子设备将排布图案输入神经网络模型，得到神经网络模型输出的桌面图标的推荐排布图案。
[0094] 可选地，神经网络模型的隐藏层中的每个神经元为对称矩阵，神经网络模型的网络规模与混沌系数匹配是指：混沌系数与对称矩阵的大小的匹配。
[0095] 可选地，混沌系数与对称矩阵的大小的匹配是指混沌系数的大小与对称矩阵的大小形成正相关关系。
[0096] 可选地，收发模块301可以包括发送模块（图2中未示出）和接收模块（图2中未示出）。其中，发送模块用于实现管理装置300的发送功能，接收模块用于实现管理装置300的接收功能。
[0097] 可选地，管理装置300还可以包括存储模块（图2中未示出），该存储模块存储有程序或指令。当该处理模块302执行该程序或指令时，使得该管理装置300可以执行上述图2的方法。
[0098] 可以理解，管理装置300可以是终端，也可以是可设置于终端中的芯片（系统）或其他部件或组件，还可以是包含针对的装置，本申请对此不做限定。
[0099] 此外，管理装置300的技术效果可以参考图2所示的方法的技术效果，此处不再赘述。
[0100] 示例性地，图3为本申请实施例提供的基于人工智能的桌面图标的管理装置的结构示意图二。该基于人工智能的桌面图标的管理装置可以是终端，也可以是可设置于终端的芯片（系统）或其他部件或组件。如图3所示，基于人工智能的桌面图标的管理装置400可以包括处理器401。可选地，基于人工智能的桌面图标的管理装置400还可以包括存储器402和/或收发器403。其中，处理器401与存储器402和收发器403耦合，如可以通过通信总线连接。
[0101] 下面结合图3对基于人工智能的桌面图标的管理装置400的各个构成部件进行具体的介绍：
[0102] 其中，处理器401是基于人工智能的桌面图标的管理装置400的控制中心，可以是一个处理器，也可以是多个处理元件的统称。例如，处理器401是一个或多个中央处理器（centralprocessingunit，CPU），也可以是特定集成电路（applicationspecificintegratedcircuit，ASIC），或者是被配置成实施本申请实施例的一个或多个集成电路，例如：一个或多个微处理器（digitalsignalprocessor，DSP），或，一个或者多个现场可编程门阵列（fieldprogrammablegatearray，FPGA）。
[0103] 可选地，处理器401可以通过运行或执行存储在存储器402内的软件程序，以及调用存储在存储器402内的数据，执行基于人工智能的桌面图标的管理装置400的各种功能，例如执行上述图2所示的基于人工智能的桌面图标的管理方法。
[0104] 在具体的实现中，作为一种实施例，处理器401可以包括一个或多个CPU，例如图3中所示出的CPU0和CPU1。
[0105] 在具体实现中，作为一种实施例，基于人工智能的桌面图标的管理装置400也可以包括多个处理器，例如图3中所示的处理器401和处理器404。这些处理器中的每一个可以是一个单核处理器（single‑CPU），也可以是一个多核处理器（multi‑CPU）。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据（例如计算机程序指令）的处理核。
[0106] 其中，所述存储器402用于存储执行本申请方案的软件程序，并由处理器401来控制执行，具体实现方式可以参考上述方法实施例，此处不再赘述。
[0107] 可选地，存储器402可以是只读存储器（read‑onlymemory，ROM）或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器（randomaccessmemory，RAM）或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器（electricallyerasableprogrammableread‑onlymemory，EEPROM）、只读光盘（compactdiscread‑onlymemory，CD‑ROM）或其他光盘存储、光碟存储（包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等）、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器402可以和处理器401集成在一起，也可以独立存在，并通过基于人工智能的桌面图标的管理装置400的接口电路（图3中未示出）与处理器401耦合，本申请实施例对此不作具体限定。

[0108] 收发器403，用于与其他基于人工智能的桌面图标的管理装置之间的通信。例如，基于人工智能的桌面图标的管理装置400为终端，收发器403可以用于与网络设备通信，或者与另一个终端设备通信。又例如，基于人工智能的桌面图标的管理装置400为网络设备，收发器403可以用于与终端通信，或者与另一个网络设备通信。
[0109] 可选地，收发器403可以包括接收器和发送器（图3中未单独示出）。其中，接收器用于实现接收功能，发送器用于实现发送功能。
[0110] 可选地，收发器403可以和处理器401集成在一起，也可以独立存在，并通过基于人工智能的桌面图标的管理装置400的接口电路（图3中未示出）与处理器401耦合，本申请实施例对此不作具体限定。
[0111] 需要说明的是，图3中示出的基于人工智能的桌面图标的管理装置400的结构并不构成对该基于人工智能的桌面图标的管理装置的限定，实际的基于人工智能的桌面图标的管理装置可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
[0112] 此外，基于人工智能的桌面图标的管理装置400的技术效果可以参考上述方法实施例所述的基于人工智能的桌面图标的管理方法的技术效果，此处不再赘述。
[0113] 应理解，在本申请实施例中的处理器可以是中央处理单元（centralprocessingunit，CPU），该处理器还可以是其他通用处理器、数字信号处理器（digitalsignalprocessor，DSP）、专用集成电路（applicationspecificintegratedcircuit，ASIC）、现成可编程门阵列（fieldprogrammablegatearray，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0114] 还应理解，本申请实施例中的存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（read‑onlymemory，ROM）、可编程只读存储器（programmableROM，PROM）、可擦除可编程只读存储器（erasablePROM，EPROM）、电可擦除可编程只读存储器（electricallyEPROM，EEPROM）或闪存。易失性存储器可以是随机存取存储器（randomaccessmemory，RAM），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器（randomaccessmemory，RAM）可用，例如静态随机存取存储器（staticRAM，SRAM）、动态随机存取存储器（DRAM）、同步动态随机存取存储器（synchronousDRAM，SDRAM）、双倍数据速率同步动态随机存取存储器（doubledatarateSDRAM，DDRSDRAM）、增强型同步动态随机存取存储器（enhancedSDRAM，ESDRAM）、同步连接动态随机存取存储器（synchlinkDRAM，SLDRAM）和直接内存总线随机存取存储器（directrambusRAM，DRRAM）。
[0115] 上述实施例，可以全部或部分地通过软件、硬件（如电路）、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
[0116] 应理解，本文中术语“和/或”，仅仅是一种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，其中A,B可以是单数或者复数。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系，但也可能表示的是一种“和/或”的关系，具体可参考前后文进行理解。
[0117] 本申请中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项（个）或复数项（个）的任意组合。例如，a,b,或c中的至少一项（个），可以表示：a,b,c,a‑b,a‑c,b‑c,或a‑b‑c，其中a,b,c可以是单个，也可以是多个。
[0118] 应理解，在本申请的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
[0119] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
[0120] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0121] 在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0122] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0123] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0124] 所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read‑onlymemory，ROM）、随机存取存储器（randomaccessmemory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

[0125] 以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

专利地区：四川

专利申请日期：2023-05-29

专利公开日期：2023-08-01

专利公告号：CN116339899B