【转】大道无形 难以揣摩的苹果商店审核制度

App Store已有超过130万个App,3亿用户每周能够下载750亿次App。

——来自WWDC2014数据。

  不可否认,对于中国的iOS开发者而言,苹果应用商店带给他们最大的莫过于机会和希望。然而,无论对于个人、小团队还是公司而言,想在苹果应用商店上架App并不是一件容易的事儿。那些能够被苹果明文规定所拒绝的iOS开发者们实属幸运,起码在后续修改方面还有迹可循。

  比如笔者的一个朋友,带的手游因为“在测试时被提示失去连接”而被拒,于是他就直接用“服务器当时不稳定”的外部因素,来解释这并不是游戏本身的问题。而像之前知乎上看到的一个吐槽那样,开发者提交的一款娱乐类应用,被拒的原因是“我们觉得你的应用并不具有娱乐性”,就让人欲哭无泪了。可即便是被这种令人难以捉摸的理由拒绝,开发者基本也只能选择认命,因为苹果早已讲明:

  这张图节选自苹果官网的App审核指南,大概意思就是说:“我们非常喜欢中国文化,并且信奉道家思想,所以我们审核制度的核心就是——大道无形。”

  所以作为一名iOS开发者来说,没有被苹果拒绝过的人生就不能称为圆满的人生。而比起其他渠道,苹果应用商店的审核规定绝对算是严格缜密与飘忽不定兼具了,并且还在不断修改完善中。

  比如在今年苹果的WWDC刚落幕不久后,又传来了要对iOS8的苹果商店改版的消息,消息称将进一步收紧对应用推广与发现的控制,遥望未来,想必又将有一大批夹杂着各种广告的应用被苹果拒之门外。

  而面对千千万上架之路颇为多舛的iOS手游,不禁让人产生了这样的一个疑惑。为何有些看起来似乎并不能通过审核的手游却在稳坐苹果商店?

  以前不久曾红遍全球的《Flappy brid》为例,今年2月,苹果曾公开表示将拒绝带有“Flappy”字眼的App上线,拒绝理由为“试图借力一款热门应用”。而笔者在美国区搜索后,发现架上名称中包含此字眼的山寨游戏起码数十款,根据游戏上线数据,不少都是在今年2月份之后才上线。中国区也存在此类情况。

世间万物皆可飞 世间万物皆可飞

  除此之外,对于同一IP产品,有些上架一帆风顺,有些则阻力重重;而反复被拒,换皮后瞬间上架成功,或者干脆为了圈钱而自我克隆,上架多款同样内容的游戏也屡见不鲜,究其原因,是否苹果审核制度仍有不少漏洞可钻?笔者就此疑惑也询问了多位iOS开发者,总结出以下几点:

  (1)本地化+半人工审核 审核标准难以统一 

  据了解,苹果应用商店的初步审核流程均在美国总部进行,而关键的本地化审核步骤,都在审核人员自己对应的区域进行。比如想上线中国区商店的应用审核均为台湾地区负责,于是这就产生了不可避免的差异性。

  同时,苹果商店采用半人工审核,个体的差异性也经常导致审核情况不一致的发生。也许你的App在这名审核员测试时就会被拒,而换一个就通过了。这也就解释了为什么有些游戏多次审核不过,换名后秒过;又或者一些被下架的应用,换皮后可再次上架了。

  (2)App量过大 审核人员不足 难免疏忽

  此前有消息称,苹果商店中国区的审核人员只有不足十人,虽然具体人数笔者无从考据,但从之前Business Insider对一位前苹果高级工程师Mike Lee的访问,以及目前的审核App时间过长就足以体现审核人员的人手似乎并不够用。

  在访问中,Mike Lee曾表示:“苹果是不会妥协员工质量而扩大团队规模的,我敢保证它肯定比你想象得要小。”而面对越来越多的涌入苹果应用商店的App,显然这种半人工且人工不足的审核制度所产生的弊端,足以造成不少的山寨货或滥竽充数者成为漏网之鱼。

  (3)审核重点鲜明 盲区易被趁虚而入

  众所周知,作为一家认为全世界人民都在使用苹果手机的公司,在对于App审核方面,自然是严于律人的。而通过苹果商店的审核条例内容,我们可以看出,苹果商店的审核标准侧重点非常清晰,除了App本身存在的硬伤以外,主要看重两点:是否与自身利益冲突,以及主题是否健康。

  翻看条例,我们可以看到有多标准都是针对苹果自身利益出发而定。比如开发者提交App与目前已有苹果产品或广告主题外观相似会被拒绝;在应用程序中拼错苹果名称或写错大小写会被拒绝等等;除此之外,苹果商店也非常注重精神文明建设,从14项-20项的内容,都是针对反黄反赌反暴力而设。

  于是,我们跳过这些重点审核的项目,就会发现如果不触犯这些雷区,那么对于其他方面,苹果通常是采用睁一只眼闭一只眼的态度。比如条例中提到的“与App Store已有程序重复的应用可能会被拒绝,特别实在数量很多的情况下”,但显然由于多方面原因,苹果并没有有效制止跟风山寨产品涌进苹果商店(据资料显示,《Flappy brid》刚下架时,平均每天有近60款相关App在苹果商店上架),同时,这样也会导致一些优质的App因为与苹果理念不符,而无缘与用户见面。

  写在最后

  在今年年初,苹果为应用没通过的开发者,提供了一个补救方法,如果开发者对于自己的的应用被拒绝存有疑虑,可以在iTunes Connect的Resolution Center进行说明和澄清,通过回复功能即可直接与App Store的审核团队取得联系。

  显然,苹果商店方面也意识到了审核方面所存在的问题,正在尝试提出更多的解决方法。但这并不表示苹果商店将会过多地修改自己已经建立起的制度。

  而作为一名正在与苹果周旋并且未来将会继续周旋下去的iOS开发者而言,除了需要内心强大以外,笔者也建议大家在产品研发阶段之前就多关注苹果的审核标准,以及近期的审核侧重点,而不是用自身的被拒经验来检验标准。

  最后,任重道远,祝君好运。[附:苹果商店审核指南地址]

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值