Core Spotlight和深度链接结合使用(下)

Core Spotlight和深度链接结合使用(上)中我们已经说了Spotlight的创建和使用了,这篇文章着重说怎么创建深度链接,深度链接(Universal links)怎么和Spotlight结合使用,在这里就不过多赘述什么是深度连接了,在文末提供了几篇文章供大家参考,以及国内成熟的深度链接(Universal links)技术服务商LinkedME。

 

可以与iOS9 search功能配合使用的三种技术

1、Universal links.

2、Smart App Banners.

3、Handoff.

 

为什么我们要使用Spotlight和深度链接?

上篇中提到WWDC公布关于用户习惯的数据,用户有 86% 的时间花在 App中,而如今App同质化现象这么严重,假设在手机上装了两个提供相同的内容App,除了推送通知以外(我们都知道通知过度的使用会导致用户反感直接关闭通知),我们怎么让用户打开我的App而不是打开别的App,如果用户打开了我们的App我们怎么知道他是通过什么途径打开App的,他感兴趣的内容是什么?怎么获取用户的这些行为数据和兴趣爱好?

 

传统的统计分析SDK只能统计App的启动次数,页面的打开次数,页面停留的时间,但是无法统计用户是通过什么途径(如QQ,微信,微博,短信,Spotlight..)打开App,甚至是打开App的某个页面。

 

使用深度链接LinkedME,可以满足上面提出的所有问题,产品同时提供了更详细的数据和渠道的统计和分析,不仅仅是Spotlight的数据,整个互联网的其他所有数据来源都能统计。

 

0?wx_fmt=png

下面的Demo我们就使用LinkedME的SDK来开发。

  • 第一步:导入Framework

MobileCoreServices.framework

CoreSpotlight.framework

(不需要判断iOS 9 SDK内部已判断)

  • 第二步:导入头文件

#import <LinkedME_iOS/LinkedME.h>

  • 第三步:创建Spotlight索引

import <LinkedME_iOS/LinkedME.h>

-(IBAction)creatSearchableItem{
   NSSet *set5 = [NSSet setWithObjects:@"linkedME", nil];
   //
   NSDictionary *dict = @{@"test":@"test"};
   [[LinkedME getInstance] createDiscoverableContentWithTitle:@"LinkedME 国内第一家企业级深度链接" description:@"让APP不再是信息孤岛!" thumbnailUrl:[NSURL URLWithString:@"http://7xq8b0.com1.z0.glb.clouddn.com/logo.png"] linkParams:dict type:@"" publiclyIndexable:NO keywords:set5 expirationDate:nil spotlightIdentifier:@"bbcc" spotlightCallback:^(NSString *url, NSString *spotlightIdentifier, NSError *error) {
       [self performSelectorOnMainThread:@selector(showAlert:) withObject:@"索引创建成功" waitUntilDone:NO];
   }];
}

 

参数详解

参数

解释

title

标题

description

描述

publiclyIndexable

是否公开

type

NSUserActivity类型,获取MobileCoreServices框架中的列表

thumbnailUrl

缩略图Url

keywords

关键字

userInfo

用户详情

expirationDate

失效日期,设置失效日期会自动删除索引

identifier

标识符

callback

回掉

spotlightCallback  

sptlight回掉

 

通过搜索结果跳转到相应页面

在Appdelegate引入头文件

#import <LinkedME_iOS/LinkedME.h>

 

添加方法//Universal Links 通用链接实现深度链接技术

- (BOOL)application:(UIApplication*)application continueUserActivity:(NSUserActivity*)userActivity restorationHandler:(void (^)(NSArray*))restorationHandler{
   return  [[LinkedME getInstance] continueUserActivity:userActivity];
}

 

在didFinishLaunchingWithOptions中添加

- (BOOL)application:(UIApplication *)application didFinishLaunchingWithOptions:(NSDictionary *)launchOptions {
   LinkedME* linkedme = [LinkedME getInstance];
   //获取跳转参数
   [linkedme initSessionWithLaunchOptions:launchOptions automaticallyDisplayDeepLinkController:NO deepLinkHandler:^(NSDictionary* params, NSError* error) {
       if (!error) {
           @try {

           } @catch (NSException *exception) {

           } @finally {

           }
       } else {
           NSLog(@"LinkedME failed init: %@", error);
       }
   }];
   return YES;
}

 

以上就是关于如何创建深度链接以及Spotlight如何与深度链接结合使用,感兴趣的朋友可以关注我们上一期的文章:Core Spotlight和深度链接结合使用(上)

 

 

LinkedME,中国首家企业级深度链接解决方案提供商

0?wx_fmt=jpeg

 

转载于:https://my.oschina.net/u/2845863/blog/731170

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
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