近年来,智能手机的普及带动了移动应用程序的爆炸式增长。大量安装在手机中的应用程序不但增加了用户查找应用的时间和难度,而且未被及时关闭的后台应用程序占据着手机内存资源,容易导致手机运行不流畅、卡顿等现象,严重影响用户体验。针对以上问题,提出了基于用户行为习惯的手机APP管理优化方案,具体研究内容如下:1.传统的APP使用预测算法忽略了APP序列之间的关系,也没有将用户对APP的喜爱程度考虑在内,使得预测算法准确率较低。为此,提出一种基于加权PrefixSpan序列模式挖掘(Weighted PrefixSpan Sequence Pattern Mining,WPSPM)的APP使用预测算法。一方面,为了提高PrefixSpan算法的模式匹配效率,所提算法将AC自动机(Aho-Corasick Automaton)融入序列的搜索流程,提出改进的PrefixSpan序列模式挖掘算法;另一方面,所提算法将用户对每个APP的喜爱程度加入PrefixSpan改进算法的序列模式挖掘过程中,挖掘得到更加符合用户行为习惯的APP序列模式,并采用APP序列模式预测用户将要使用的下一个APP。仿真结果表明,所提算法可以在相关算法基础上明显提高预测准确率。2.传统的APP使用预测算法仅仅考虑了用户将要使用的下一个APP,如果将其应用于APP智能清理场景下,则很可能清理掉用户未来时间段可能启动的后台应用程序,导致过多的应用程序重启动。为此,提出基于贝叶斯网络和马尔可夫链(Bayesian Network and Markov Chain,BNMC)混合模型的APP使用预测算法。该算法首先采用马尔可夫模型计算每个APP的多步绝对转移概率,得到其切换到其他APP的转移概率均值;然后采用贝叶斯网络模型将该转移概率与用户使用APP时间段和使用位置等特征进行整合,得到每个后台APP即将被启动的得分;最后在Android移动终端上验证所提算法。实验结果表明,相比于传统相关算法,所提算法可智能清理手机后台应用程序,有效地降低了应用程序的重启率。