1.一种应用管理方法，其特征在于，包括：

获取操作系统中的应用运行信息；

对所述应用运行信息基于时间采样获得后台应用的标签和对应所述后台应用的多维度特征；所述多维度特征为基于时间采样的多次运行状态采样得到的特征；

利用神经网络，基于获得的多维度特征预测所述操作系统中的所述后台应用是否可被清理，获得预测结果；

所述基于获得的多维度特征预测所述操作系统中的所述后台应用是否可被清理，包括：基于所述获得的多维度特征输出所述后台应用对应分类的概率向量；根据概率向量中的概率值判断所述后台应用是否可被清理；

根据所述预测结果，对所述操作系统中可被清理的后台应用进行清理。

2.根据权利要求1所述的方法，其特征在于，所述获取操作系统中的应用运行信息，包括：读取操作系统中的日志文件；

从所述日志文件中提取操作系统中各个应用对应的应用运行信息。

3.根据权利要求1所述的方法，其特征在于，所述应用运行信息包括以下任意一项或多项：应用相关信息、多应用之间的关系信息和终端设备相关信息。

4.根据权利要求3所述的方法，其特征在于，所述应用相关信息包括以下任意一项或多项：应用切换到后台时长信息、应用使用时长信息、应用使用次数信息、应用所属类别信息和应用切换方式信息。

5.根据权利要求3所述的方法，其特征在于，所述多应用之间的关系信息包括以下任意一项或多项：应用与前台应用的相关性信息、前一个应用与前台应用的相关性信息和应用与前一个应用的相关性信息；所述前一个应用为在应用之前启动的最后一个应用。

6.根据权利要求3所述的方法，其特征在于，所述终端设备相关信息包括以下任意一项或多项：黑屏时长信息、黑屏占比信息、终端设备电池信息和终端设备网络信息。

7.根据权利要求1所述的方法，其特征在于，所述神经网络包括多层神经网络或随机森林网络。

8.根据权利要求1所述的方法，其特征在于，所述根据概率向量中的概率值判断所述后台应用是否可被清理，包括：分别判断所述概率向量中的概率值是否大于或等于预设值，当所述概率值大于或等于预设值时，将所述概率值标记为可被清理标签，所述概率值对应的后台应用可被清理；

当所述概率值小于所述预设值时，将所述概率值标记为不可清理标签，所述概率值对应的后台应用不可被清理。

9.根据权利要求2所述的方法，其特征在于，所述读取操作系统的日志文件之后，还包括：对所述日志文件执行数据聚合处理和/或数据清洗处理。

10.根据权利要求1-9任一所述的方法，其特征在于，所述利用神经网络，基于获得的多维度特征预测所述操作系统中的所述后台应用是否可被清理，包括：利用神经网络，基于获得的多维度特征预测所述操作系统中的所述后台应用是否可被清理，获得预测标签，所述后台应用标注有标注标签；

所述方法还包括：

基于所述后台应用的标注标签和预测标签对所述神经网络进行训练。

11.根据权利要求10所述的方法，其特征在于，基于所述后台应用的标注标签和预测标签对所述神经网络进行训练，包括：基于所述后台应用的标注标签和预测标签通过损失函数计算获得所述神经网络的误差值；

基于所述误差值对所述神经网络中的参数进行更新；

将更新参数后的神经网络作为所述神经网络，根据以下方法迭代所述神经网络：基于提取的特征预测所述操作系统中的后台应用是否可被清理，获得预测标签；基于所述操作系统中的后台应用的标注标签和预测标签通过损失函数计算获得所述神经网络的误差值；

基于误差值通过反向梯度算法对所述神经网络中的参数进行更新；直到所述神经网络满足预设条件停止迭代。

12.根据权利要求11所述的方法，其特征在于，基于所述误差值对所述神经网络中的参数进行更新，包括：基于所述误差值通过反向梯度算法对所述神经网络中的参数进行更新。

13.根据权利要求11或12所述的方法，其特征在于，所述预设条件包括以下任意一项：所述损失函数收敛、迭代次数达到预设次数和所述误差值小于预设值。

14.一种应用管理装置，其特征在于，包括：

信息获取单元，用于获取操作系统中的应用运行信息；

特征提取单元，用于对所述应用运行信息基于时间采样获得后台应用的标签和对应所述后台应用的多维度特征；所述多维度特征为基于时间采样的多次运行状态采样得到的特征；

结果预测单元，用于利用神经网络，基于获得的多维度特征预测所述操作系统中的所述后台应用是否可被清理，获得预测结果；

所述结果预测单元，具体用于利用神经网络，基于所述获得的多维度特征输出所述后台应用对应分类的概率向量；根据概率向量中的概率值判断所述后台应用是否可被清理；

清理单元，用于根据所述预测结果，对所述操作系统中可被清理的后台应用进行清理。

15.根据权利要求14所述的装置，其特征在于，所述信息获取单元，具体用于读取操作系统中的日志文件；从所述日志文件中提取操作系统中各个应用对应的应用运行信息。

16.根据权利要求14所述的装置，其特征在于，所述应用运行信息包括以下任意一项或多项：应用相关信息、多应用之间的关系信息和终端设备相关信息。

17.根据权利要求16所述的装置，其特征在于，所述应用相关信息包括以下任意一项或多项：应用切换到后台时长信息、应用使用时长信息、应用使用次数信息、应用所属类别信息和应用切换方式信息。

18.根据权利要求16所述的装置，其特征在于，所述多应用之间的关系信息包括以下任意一项或多项：应用与前台应用的相关性信息、前一个应用与前台应用的相关性信息和应用与前一个应用的相关性信息；所述前一个应用为在应用之前启动的最后一个应用。

19.根据权利要求16所述的装置，其特征在于，所述终端设备相关信息包括以下任意一项或多项：黑屏时长信息、黑屏占比信息、终端设备电池信息和终端设备网络信息。

20.根据权利要求14所述的装置，其特征在于，所述神经网络包括多层神经网络或随机森林网络。

21.根据权利要求14所述的装置，其特征在于，所述结果预测单元，包括：可清理模块，用于分别判断所述概率向量中的概率值是否大于或等于预设值，当所述概率值大于或等于预设值时，将所述概率值标记为可被清理标签，所述概率值对应的后台应用可被清理；

不可清理模块，用于当所述概率值小于所述预设值时，将所述概率值标记为不可清理标签，所述概率值对应的后台应用不可被清理。

22.根据权利要求15所述的装置，其特征在于，还包括：预处理单元，用于对所述日志文件执行数据聚合处理和/或数据清洗处理。

23.根据权利要求14-22任一所述的装置，其特征在于，所述结果预测单元，具体用于利用神经网络，基于获得的多维度特征预测所述操作系统中的所述后台应用是否可被清理，获得预测标签，所述后台应用标注有标注标签；

所述装置还包括：

训练单元，用于所述后台应用的标注标签和预测标签对所述神经网络进行训练。

24.根据权利要求23所述的装置，其特征在于，所述训练单元，包括：误差计算模块，用于基于所述操作系统中的后台应用的标注标签和预测标签通过损失函数计算获得所述神经网络的误差值；

更新模块，用于基于所述误差值对所述神经网络中的参数进行更新；

迭代模块，用于将更新参数后的神经网络作为所述神经网络，根据以下方法迭代所述神经网络：基于提取的特征预测所述操作系统中的后台应用是否可被清理，获得预测标签；

基于所述操作系统中的后台应用的标注标签和预测标签通过损失函数计算获得所述神经网络的误差值；基于误差值通过反向梯度算法对所述神经网络中的参数进行更新；直到所述神经网络满足预设条件停止迭代。

25.根据权利要求24所述的装置，其特征在于，所述更新模块，具体用于基于所述误差值通过反向梯度算法对所述神经网络中的参数进行更新。

26.根据权利要求24或25所述的装置，其特征在于，所述预设条件包括以下任意一项：所述损失函数收敛、迭代次数达到预设次数和所述误差值小于预设值。

27.一种电子设备，其特征在于，包括处理器，所述处理器包括权利要求14至26任意一项所述的应用管理装置。

28.一种电子设备，其特征在于，包括：存储器，用于存储可执行指令；

以及处理器，用于与所述存储器通信以执行所述可执行指令从而完成权利要求1至13任意一项所述应用管理方法的操作。

29.一种计算机存储介质，用于存储计算机可读取的指令，其特征在于，所述指令被执行时执行权利要求1至13任意一项所述应用管理方法的操作。