ShareSDK:App端的“jiathis” ,十几分钟内让app轻松实现社会化功能

ShareSDK:App端的“jiathis” ,十几分钟内让app轻松实现社会化功能

陈小蒙 发表于 2013/01/28-22:14  ShareSDK / 移动app社会化组件 / jiathis
7


这年头,作为开发者,app 里面如果不带个分享内容到微博、分享到人人的功能,似乎就 out 了。不过,做这类社会化功能有自己的时间成本,既然差不多所有 app 都要用到它,那开发出一套模块化的代码程序,让开发者直接嵌入代码实现上述功能,岂不省时省力?这便是免费的移动 app 社会化组件ShareSDK背后的逻辑。

ShareSDK 是如何实现这一点的呢?开发者在 ShareSDK.cn 注册会员后,即可创建应用获得 AppKey,随后在应用中嵌入代码,即可实现分享功能——集成代码后的应用除了支持一键分享外,也支持用户在应用内将包含文字、图片、链接的内容以类微博体的形式分享到各大社交平台上,并可直接 @某个社交平台上的好友(大家看上面集成了 ShareSDK 代码的服装导购 app 就很直观了)。此外,集成 ShareSDK 的 app 也可支持用户用社交账号登录,甚至关注 app 的官方微博和微信。

ShareSDK 的创始人陈钢强说,他们几乎将 app 的所有分享需求都做完了,而以往开发者从授权到获取用户数据,都很费力。

除了上述的社会化功能以外,ShareSDK 的另一个特色则是它的统计分析管理后台,这个后台可以实时反馈多维度的统计数据,诸如有多少用户通过社交平台发了内容,发了什么内容,多少人点击内容,内容的回流率、传播效应等等。在陈钢强看来,这些数据是有价值的,运维得好,能给 app 带来新的流量。

实际类似的功能友盟也做了,不过它的 SDK 写得比较复杂,不方便开发者集成。另外,友盟目前只支持国内如新浪微博、腾迅微博、人人网、QQ 空间等几个大型社交平台的入口,但 ShareSDK 支持的社交平台更全也更长尾,除了上述平台外,也支持开心、豆瓣、网易微博、搜狐微博等国内平台,以及 facebook、twitter、google+、Instagram 等国外主流社交平台。

另外,我们也能看到,ShareSDK 的统计分析管理后台也比友盟做得更为系统。按照陈钢强的逻辑,友盟目前已经有一套免费的统计服务,在此基础上又有收费的增值服务,从公司策略的角度来说,再去完善类似的社会化服务动力不强。相比之下,他们的 ShareSDK 组件追求的就是两点,傻瓜化和智能化。

谈及商业模式,陈钢强坦言这是一款免费产品,现阶段也是做好产品,没有所谓的商业模式。未来,他们还将帮助开发者将分享的服务做深,比如开发有奖分享、游戏化分享功能等,并会进一步扩大接口,让开发者享受更好的自定义服务——他甚至告诉我,这款产品会向开发者永久免费。

陈钢强本人有近 10 年的产品经理经验,个人在 09 年开发的 iOS 应用《夫妻宝典》目前有超过 1000 万的下载用户。2011 年他带领开发了陌生人交友应用“遇见 link text ”,但 12 年年底他已经出来自己创业,做了 ShareSDK。

在陈钢强眼里,app 的推广分为 2 种方式,一种就是外部推广,如首发、刷榜、广告等,还有一种是内部推广,开发者在 app 内增加分享功能,无非就是为了带来流量,比如说,唱吧通过腾迅微博,一周就带回了 500 万的回流,直接注册用户有 80 万。但是,这个内容的分享实际还是有一些门道的,什么样的内容设定才会带来流量呢?关于这个问题,他会给我们投一篇稿,敬请期待。

最后,我们也可以发现,app 开发衍生出了很多新服务,比如在 app 功能需求中找共性,然后基于这些共性提供类似的模块化、定制服务就是一种趋势,除了 ShareSDK 的社会化分享功能以外,我们之前也介绍过提供图像识别服务的慧眼开发平台,帮开发者把客户服务功能集成到 app 中的创业项目等等,我们之后还会陆续向大家介绍几个类似思路的项目。

三每一舟亢 易居购房... 4人赞过

文章评论
截至  2天前 共收到  7 条评论
王壮
王壮 1楼, 8天前  2人喜欢 

小蒙写得不错。一个东西需求多了之后就开始出现标准化的工具,减少重复工作。标题也很好。

陈小蒙
陈小蒙 2楼, 8天前  喜欢 

#1楼 @truant 哈哈,我羞涩了...

CC Liu
CC Liu 3楼, 8天前  喜欢 

#2楼 @joyce62270252 今日冒号体第二篇

Fb17b09a79dc51267e2a62d098fa045e
广州彭杰 4楼, 8天前  喜欢 

很好的组件!

E8744d8a80ec6cabfa55ead8e04d1433
airzhangfish 5楼, 8天前  喜欢 

东西很好.. 但是竞争对手也很强. 就是 bshare. 目前已经支持网页,android,ios 了... 看了 sharesdk 发现目前只有 ios 一个平台, 因此作为开发者考虑多平台内置的话, 暂时不会考虑... 希望 sharesdk 能够尽快把平台覆盖给做起来, 这样也让像我这样的开发者多一个选择.

4f5d197fd0c83c39d515f9ddea538943
林波波 6楼, 8天前  喜欢 

不用重复造车,支持~~

辉太郎
辉太郎 7楼, 2天前  喜欢 

相当上流!!

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。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip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