一種聯絡人列表的顯示方法及裝置
1.一種聯絡人列表的顯示方法，其特徵在於，包括: 獲取客戶端與每個聯絡人的通訊記錄； 根據獲取到的所述通訊記錄，通過預設演算法確定聯絡人排序，在所述聯絡人排序中，根據最近一段第一預設時間內所述客戶端與每個所述聯絡人的通訊次數，由高至低排列所述聯絡人； 按照所述聯絡人排序生成所述客戶端的聯絡人列表； 將所述聯絡人列表傳送給所述客戶端，以使所述客戶端顯示所述聯絡人列表。
2.如權利要求1所述的方法，其特徵在於，所述獲取客戶端與每個聯絡人的通訊記錄包括: 每隔第二預設時間獲取一次所述客戶端與每個所述聯絡人的通訊記錄。
3.如權利要求1所述的方法，其特徵在於，所述獲取客戶端與每個聯絡人的通訊記錄包括: 接收所述客戶端上報的所述客戶端與每個所述聯絡人的通訊記錄。
4.如權利要求1所述的方法，其特徵在於，所述獲取客戶端與每個聯絡人的通訊記錄包括: 獲取本地儲存的所述客戶端與每個所述聯絡人的通訊記錄。
5.如權利要求1〜4任一項所述的方法，其特徵在於，所述預設演算法包括最近最常使用mru演算法。
6.一種聯絡人列表的顯示裝置，其特徵在於，包括: 獲取單元，用於獲取客戶端與每個聯絡人的通訊記錄； 確定單元，用於根據獲取到的所述通訊記錄，通過預設演算法確定聯絡人排序，在所述聯絡人排序中，根據最近一段第一預設時間內所述客戶端與每個所述聯絡人的通訊次數，由高至低排列所述聯絡人； 生成單元，用於按照所述聯絡人排序生成所述客戶端的聯絡人列表； 傳送單元，用於將所述聯絡人列表傳送給所述客戶端，以使所述客戶端顯示所述聯絡人列表。
7.如權利要求6所述的裝置，其特徵在於，所述獲取單元具體用於: 每隔第二預設時間獲取一次所述客戶端與每個所述聯絡人的通訊記錄。
8.如權利要求6所述的裝置，其特徵在於，所述獲取單元具體用於: 接收所述客戶端上報的所述客戶端與每個所述聯絡人的通訊記錄。
9.如權利要求6所述的裝置，其特徵在於，所述獲取單元具體用於: 獲取本地儲存的所述客戶端與每個所述聯絡人的通訊記錄。
10.如權利要求6〜9任一項所述的裝置，其特徵在於，所述預設演算法包括最近最常使用mru演算法。
[0001]本發明屬於網路技術領域，尤其涉及一種聯絡人列表的顯示方法及裝置。
[0002]伴隨著通訊技術的飛速增長，基於傳統通訊網路以及移動網際網路構建的社交網路也日益龐大，使用者的終端裝置內聯絡人的數量也隨之呈現了爆發性增長的勢頭，每個終端裝置內通常都儲存了動輒幾百上千位聯絡人的相關資訊。
[0003]在上述背景之下，若使用者需要與其中一位聯絡人進行聯絡，則需要在其終端裝置儲存的龐大的聯絡人列表中進行逐一翻閱查詢，查詢速度過慢，由此降低了通訊效率。
[0004]本發明實施例的目的在於提供一種聯絡人列表的顯示方法及裝置，旨在解決現有的聯絡人列表查詢速度過慢，導致通訊效率降低的問題。
[0005]本發明實施例是這樣實現的，一種聯絡人列表的顯示方法，包括:
[0006]獲取客戶端與每個聯絡人的通訊記錄；
[0007]根據獲取到的所述通訊記錄，通過預設演算法確定聯絡人排序，在所述聯絡人排序中，根據最近一段第一預設時間內所述客戶端與每個所述聯絡人的通訊次數，由高至低排列所述聯絡人；
[0008]按照所述聯絡人排序生成所述客戶端的聯絡人列表；
[0009]將所述聯絡人列表傳送給所述客戶端，以使所述客戶端顯示所述聯絡人列表。
[0010]本發明實施例的另一目的在於提供一種聯絡人列表的顯示裝置，包括:
[0011]獲取單元，用於獲取客戶端與每個聯絡人的通訊記錄；
[0012]確定單元，用於根據獲取到的所述通訊記錄，通過預設演算法確定聯絡人排序，在所述聯絡人排序中，根據最近一段第一預設時間內所述客戶端與每個所述聯絡人的通訊次數，由高至低排列所述聯絡人；
[0013]生成單元，用於按照所述聯絡人排序生成所述客戶端的聯絡人列表；
[0014]傳送單元，用於將所述聯絡人列表傳送給所述客戶端，以使所述客戶端顯示所述聯絡人列表。
[0015]本發明實施例基於「伺服器-客戶端」的通訊架構，由通訊應用程式的伺服器根據其對應的客戶端內每個聯絡人的通訊記錄，按照預設演算法確定出每個聯絡人在最近一段時間內與該客戶端的聯絡頻率，並根據該聯絡頻率來對該客戶端的聯絡人列表進行重新排列，以保證與該客戶端的聯絡最為頻繁的聯絡人位於聯絡人列表的頂端，從而加快使用者在聯絡人列表中查詢到希望進行聯絡的聯絡人的速度，提高了通訊應用程式的通訊效率。
[0016]圖1是本發明實施例提供的聯絡人列表的顯示方法的實現流程圖；
[0017]圖2是本發明實施例提供的聯絡人列表的顯示裝置的結構框圖。
一種神經元探索系統方法及裝置
發明背景與現有技術 應用背景 深度學習已經在影象分類檢測 遊戲等諸多領域取得了突破性的成績。由於人工神經網路計算量大，訓練時間長。因此，相關的硬體加速平台也在百花齊放，包括基於英偉達的gpu 谷歌的tpu 以及fpga實現的神經網路硬體平台。神經網路的結構複雜多樣 計算量大的特點，給硬體設計帶來了巨...
一種神經元探索系統方法及裝置
發明背景與現有技術 應用背景 深度學習已經在影象分類檢測 遊戲等諸多領域取得了突破性的成績。由於人工神經網路計算量大，訓練時間長。因此，相關的硬體加速平台也在百花齊放，包括基於英偉達的gpu 谷歌的tpu 以及fpga實現的神經網路硬體平台。神經網路的結構複雜多樣 計算量大的特點，給硬體設計帶來了巨...
phandle一種錯誤的用法及改正方法
1 錯誤 由於偷懶，直接把從別處拷貝的新增spi裝置節點的 直接拷貝放到了spi匯流排後面，如下 soc spi 結果編譯報錯 kernel arch arm boot dts dtsi 23.1 7 syntax error 經過修改驗證，如下三種方法是正確的。2 將 spi那段 放到soc外面,...