本申请涉及计算机，尤其涉及一种应用程序分类方法、装置、系统、电子设备及存储介质。
背景技术：
1、在移动终端，例如智能手机成为日常生活不可或缺的一部分的今天，用户往往面临着管理众多应用程序的需求。其中，小程序因为其轻量级、便捷性，降低了用户的应用程序管理难度，逐渐成为用户的首选。但是，随着用户移动终端中小程序数量的不断增多，用户对小程序的管理难度不断增大，而标签设置与分类过程依赖用户操作程度高，用户体验差。
技术实现思路
1、本申请提供了一种应用程序分类方法、装置、电子设备及存储介质。通过tf-idf对属性信息进行特征提取，并通过预先训练得到的nlp算法进行应用程序的标签生成，解决了现有应用程序分类依赖用户操作程度高，用户体验差的问题。
2、第一方面，本申请提供了一种应用程序分类方法，该方法包括：
3、获取应用程序的属性信息；
4、通过反向文件频率对属性信息进行特征提取，得到特征提取结果；
5、根据所述特征提取结果通过预先设置的自然语言处理算法生成所述应用程序的属性标签；
6、根据所述属性标签对所述应用程序进行分类，得到第一应用程序分类结果。
7、可选的，本申请提供的应用程序分类方法还包括：
8、通过训练样本对待训练自然语言处理算法进行对抗训练，得到对抗训练结果；
9、对所述对抗训练结果进行正则化处理，得到正则化处理结果；
10、根据所述正则化处理结果和预先设置的损失函数权重进行损失函数计算，得到损失函数计算结果；
11、根据所述损失函数计算结果对所述待训练自然语言处理算法进行参数调整，得到所述自然语言处理算法。
12、可选的，本申请提供的应用程序分类方法还包括：
13、对所述训练样本进行随机翻转，得到随机翻转结果；
14、对所述训练样本进行噪声添加，得到噪声添加结果；
15、对所述训练样本进行同义词替换，得到同义词替换结果；
16、根据所述随机翻转结果、所述噪声添加结果和所述同义词替换结果进行数据集扩充，得到数据集扩充结果；
17、根据所述数据集扩充结果对待训练自然语言处理算法进行对抗训练，得到对抗训练结果。
18、可选的，本申请提供的应用程序分类方法还包括：
19、通过第一尺度训练样本对多通道卷积神经网络进行对抗训练，得到第一尺度对抗训练结果；
20、通过第二尺度训练样本对多通道卷积神经网络进行对抗训练，得到第二尺度对抗训练结果，其中，所述第二尺度训练样本的尺度与所述第一尺度训练样本的尺度不同。
21、可选的，本申请提供的应用程序分类方法还包括：
22、获取所述第一应用程序分类结果对应的用户反馈结果；
23、根据所述用户反馈结果对所述自然语言处理算法进行调整，得到调整后的所述自然语言处理算法；
24、根据所述特征提取结果通过所述调整后的所述自然语言处理算法生成调整后的所述属性标签；
25、根据所述调整后的所述属性标签对所述应用程序进行分类，得到第二应用程序分类结果。
26、可选的，本申请提供的应用程序分类方法还包括：
27、获取用户标记标签；
28、根据所述属性标签和所述用户标记标签对所述应用程序进行分类，得到第三应用程序分类结果。
29、可选的，本申请提供的应用程序分类方法还包括：
30、通过所述反向文件频率对所述功能信息进行特征提取，得到所述功能特征提取结果；
31、通过所述反向文件频率对所述行业信息进行特征提取，得到所述行业特征提取结果；
32、通过所述反向文件频率对所述评价信息进行特征提取，得到所述评价特征提取结果。
33、第二方面，本申请还提供一种应用程序分类装置，包括：
34、属性获取模块，用于获取应用程序的属性信息；
35、特征提取模型，用于通过反向文件频率对属性信息进行特征提取，得到特征提取结果；
36、属性标签生成模块，用于根据所述特征提取结果通过预先设置的自然语言处理算法生成所述应用程序的属性标签；
37、第一分类模块，用于根据所述属性标签对所述应用程序进行分类，得到第一应用程序分类结果。
38、第三方面，本申请还提供了一种电子设备，该电子设备包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的应用程序分类方法的步骤。
39、第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的应用程序分类方法的步骤。
40、由于本申请提供的技术方案能够通过tf-idf对属性信息进行特征提取，并通过预先训练得到的nlp算法进行应用程序的标签生成，不需要用户自行执行应用程序贴标签的动作，降低了用户的应用程序管理操作量，改善了用户的使用体验。
41、上述说明仅是本申请提供的技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
1.一种应用程序分类方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述特征提取结果通过预先设置的自然语言处理算法生成所述应用程序的属性标签之前，还包括：
3.根据权利要求2所述的方法，其特征在于，所述通过训练样本对待训练自然语言处理算法进行对抗训练，得到对抗训练结果包括：
4.根据权利要求2所述的方法，其特征在于，所述待训练自然语言处理算法为多通道卷积神经网络，所述训练样本包括第一尺度训练样本和第二尺度训练样本，所述对抗训练结果包括第一尺度对抗训练结果和第二尺度对抗训练结果，所述通过训练样本对待训练自然语言处理算法进行对抗训练，得到对抗训练结果包括：
5.根据权利要求1所述的方法，其特征在于，所述根据所述属性标签对所述应用程序进行分类，得到第一应用程序分类结果之后，还包括：
6.根据权利要求1所述的方法，其特征在于，所述根据所述特征提取结果通过预先设置的自然语言处理算法生成所述应用程序的属性标签之后，还包括：
7.根据权利要求1所述的方法，其特征在于，所述属性信息包括功能信息、行业信息和评价信息，所述特征提取结果包括功能特征提取结果、行业特征提取结果和评价特征提取结果，所述通过反向文件频率对属性信息进行特征提取，得到特征提取结果包括：
8.一种应用程序分类装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-7任一项所述的应用程序分类方法的步骤。
10.一种可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述的应用程序分类方法。
