首页 / / ASO应该如何被机器学习深入改变?

普通短链

活码系统

随机短链

跳转微信小程序

更多

ASO应该如何被机器学习深入改变?

更新时间:2024-3-28 19:01:28 作者:爱短链

市场营销获客工具【爱短链】全域跳转工具,打通私域引流关键一步:轻松将公域流量,引导至私域,通过链接点击直达,方便快捷,无风险提示跳转,助力企业/商家高速获客。》》点此获取链接


写这篇文章是有风险的。


比如罗胖被雷锋花了整版吐槽,我用一点机器学到的皮毛知识,大胆谈谈这个技术是怎么做到的App Store和Google Play如何重塑中应用?ASO是的。


作为一个推广者,如何拥抱这些变化。


非专业背景,谈错事,请多包容! 人工智能最近真的不是一般的火,太热了!即使普通人有感觉,Alpha Go疯狂扫人类大师60局,最强大的大脑中小度碾压水哥和王峰,一站到底又出了一个王子,所有他们(注意,我没用过)出现的地方,人类都退居二线。


在对机器学习有了深入的了解之前,我不会太感动这些新闻,但一旦我有了一点了解,我就知道这确实是革命性的。


最棒的是这些技术的应用范围惊人。


很快我意识到它可以应用ASO果不其然! 因为机器学习是一个非常专业的领域,涉及到很多算法,这显然不是每个人都关心的。


我试着用一种容易理解的方式来告诉它。


如今Google苹果已经成为这一领域的领导者,有点落后,所以下面的内容将基于谷歌正式发表的文章,而不是我个人的猜测。


至于苹果,我们相信它会走向Google原则上,使用方法必须相似。


首先,有必要介绍几个概念。


首先,机器学习程序和以前的程序有什么区别? 核心区别在于,过去计算机是按照人类输入的固定程序执行的,当程序中没有规定时,就会崩溃或没有输出。


为了应对这种情况,机器学习将使计算机具有与人类相同的学习能力。


如今,流行的无人驾驶技术是一个典型的案例。


路上的情况非常不同。


不可能根据程序设置提前规定方向盘、油门和刹车的操作。


一切都需要计算机根据当时的情况来判断。


第二,为什么计算机有自己的学习能力? 归根结底,这要归功于精确的算法和强大的计算能力。


计算机处理问题的一切都应该回到概率和公式。


机器将数据输入公式(算法)并计算最小误差结果。


用阿拉伯数字图像识别的例子来解释,随意给计算机一个数字,让他判断是什么,然后首先给他一些训练样本,计算机会像素化每个图像,比如统一处理像素到20*20相当于400个像素,每个像素都有一个灰度值RGB所以有400个或1200个输入值,输出是0-9之间的一个数字,这些是样本(已知输入和输出)。


感谢那些伟大的数学家,他们早就有了这个分类问题的公式,比如最简单的,a0 a1*x1 a2*x2 = y这样的公式,已经训练样本了x,y输入,然后找到参数a0,a1,a在这些值下,y输出最接近样本。


这时他就有了学习能力,遇到新样本时,就能泛化(举一反三),判断y是什么。


当然,实际应用的公式和计算量会比这个复杂得多,但原是这样的。


这种通过人工提前将某些已知样本(输入和输出已知)喂入机器的学习方法称为监督学习,目前非常成熟。


一种更强大的无监督学习是指机器本身通过样本的输入值自动总结,而无需通知机器输出(通常很难判断)。


第三,什么样的机器学习网络成熟? 就像人一样,机器的智力水平也有一定的梯度。


他们成熟的两个重要条件是:好的算法和大量的数据,算法就像大脑本身的基本条件,而数据就像外部刺激一样,是必不可少的。


就像从小就把爱因斯坦关在黑房子里一样,他不可能成为一个大师,即使大猩猩受过良好的教育,他们也只能完成一些简单的任务。


因此,如Google像苹果这样的大公司会有天然的优势,有钱可以招牛人改进算法,而且数据特别丰富。


回到算法,前面提到的监督学习是第一阶段,目前非常热门的无监督学习是第二阶段,还有一种更强大的技术叫做GAN(生成对抗网络),该网络由生成器和判断器组成,生成器负责生成一些令人困惑的数据,判断真实性,有点像左右手,真的很干!特别是在互联网世界的应用场景,尤其是在互联网世界。


上述技术是一些最基本的概念,但它们与我们下面真正想说的有很大关系,而神经网络等其他概念,因为它们不影响文章的内容,我不参与,以免干扰每个人的视线。


好了,铺了这么多路,机器学习是怎么应用的?App Store和GP怎么样?今天我们主要有两个和和和ASO展开非常相关的领域,首先是如何把关键词和App二是作弊识别。


一、关键词 如何决定关键词和关键词App主要采用监督学习技术,提前给系统大量的培训样本,但即使是谷歌、苹果等公司也会面临样本量不足,尤其是一些细分领域。


谷歌的做法是自己生产数据。


生产方法很有趣。


首先,把它放在一边App结合单个关键词,可以想象这个数据量很大,达到几十亿甚至几百亿。


然后雇佣一群人给每个组合打分。


有三个标准:相关性、部分相关性和非相关性。


人类得分后,选择那些共识很高的组合作为训练样本。


这种方法似乎有点笨拙,但确实是行业领导者的做法。


因此,数据非常关键,谷歌开源于其深度学习平台TensorFlow,我想一定有收集数据的计划。


当然,谷歌仍然是自然语言处理NLP大师,有相当成熟的推演同义词和相关词的技术,可以与机器学习技术相结合App判断关键词和相关程度。


苹果在这个领域相对落后。


我们应该非常注意,喂养系统的样本数据非常重要,即这些评分的判断是未来系统判断的基础。


那么这些人从哪些维度来判断呢?最重要的是标题、截图、描述和评论这些页面元素。


这些是基本的ASO的范畴。


虽然现在我可以做出大胆的判断iOS在后台输入关键输入关键字,但随着机器的成熟,iTC后台的关键词域将被废除!机器往往认为这些是人类故意设置的干扰项。


二、作弊识别 这一部分可能与每个人有更大的联系和更深远的影响。


首先是审计阶段。


去年我提到苹果正在大力发展智能审计系统,而不是人工审计,这是审计加速的核心原因。


而Google更不用说,它不仅会被审查App文本,图片,也会被检测到APK二进制码!我相信苹果也在接近谷歌,所以如果你想在未来的程序中添加开关,风险会越来越大。


至于使用的技术,更多的是监督学习。


其次,更有趣的是评分和排名作弊识别。


然后与系统互动但人类玩家,最大的区别是,人类会及时调整策略,试图愚弄系统,如果按照监督学习训练机器,这些样本将被人类玩家使用,成为新的系统漏洞,因此需要使用监督学习及时发现这些新的行为模式,生成新的训练样本喂养监督学习网络。


事实上,有兴趣的人可能意识到这种情况实际上与前面提到的相同GAN要解决的问题高度一致,因此也是谷歌投资血本研究的一个领域。


NND(DNN是深度神经网络的缩写),是否要人活着! 所以,在了解了这篇文章的内容之后,你可能会突然意识到为什么苹果最近经常锁定榜单,为什么它经历了历史上最长的失效期。


在过去,机器学习到来后,魔法和道路的斗法模式会发生深刻的变化,平衡会倾向于苹果/谷歌。


许多人可能会悲观地认为传统ASO付费手段会消失,但我认为可能不会那么绝对。


首先,苹果的系统需要一点时间才能成熟。


第二,当水清澈时,没有鱼。


苹果也知道这个道理,这可能会给这个行业留下一个小洞。


无论如何,17年ASO将面临重大变化,一般技术能力的渠道生存将更加困难。


但事实上,在变化中有机会,市场上可能会有新玩家,互联网移动,节奏真的比原来快了三倍! BTW,机器学习的英语缩写是ML,很多人认为这个词很性感,我深以为然。


文章转载自沙明(微信官方账号:沙明世界观) 去年今天的运营文章 2018:  用数据驱动产品和运营 之 数据分析方法(0) 2018:  抖音会成为下一个营销战场吗? 2018:  新媒体运营需要具备哪些素质? 2018:  复盘 | 抖音是如何让你一步一步上瘾的? 2018:  老板,我不想和你一起工作(0) 作者:原创文章:wang0920922,如转载,请注明出处:https://www.iyunying.org/social/app/99769.html

© 爱短链 2019|南京角浪网络科技有限公司版权所有|简单易用的在线生成短链接工具

联系客服
微信客服
扫码添加服务顾问微信
四重好礼免费领取

顾问1V1

超长试用

专属优惠

私域SOP