ASO优化之教你如何得到ASO优化100关键词字符

最新推荐文章于 2022-06-06 17:26:51 发布
最新推荐文章于 2022-06-06 17:26:51 发布
阅读量648 收藏
点赞数

ASO最关键的自然是关键词，AppStore流量70%以上都来源于搜索，掌握AppStore流量来源，也就等于掌握了用户，剩下的只要你是一款好产品即可。所以做好苹果给的100个关键字至关重要。

　　App标题和关键词关键词植入的几大原则：

1、关键词权重大小排名：App名称>App关键词>App描述>应用内购买名或描述;

　　2、App名称与关键词的权重无法叠加，如果在标题中出现，最好不要在关键词再出现，避免浪费字符;

　　3、App名称采用主标题加副标题的形式，主标题是App名，副标题介绍App作用并提升核心关键词的权重，如：一起秀——最好玩的全民手机视频直播,同城美女聊天交友社交平台,自带美颜美妆功能;

　　4、利用副标题的高权重，采用轮换战术，优化各个关核心键词，当已有核心关键词排名优化靠前，选用其他的核心关键词;

　　5、关键词中越靠前的关键词权重越大

选词最有效方法

　　选词基本选取跟自身产品相关了，流量适中的关键词，这里顾及到优化难度和热度的问题。经过实践证明，通过竞品选词有的好处就是，一款优化好的竞品基本覆盖了你想要覆盖的词，节省了你选词的很多时间，并且可以通过一款竞品的关键词，判断出，竞品大概在后台设置的100个字符是什么，有利于自身关键字符的提交。

　　在果搜ASO中，输入跟自己产品相关的核心关键词，我就以旅游App为例子，首先输入“旅游”这个词。 从搜索结果中找到自己竞品，比较名气比较大，排名靠前的App，看谁覆盖的关键词比较多，从众多竞品中，发现“去哪儿”覆盖关键词4000+。

　　为什么会这样做呢，因为竞品的关键词覆盖够多，该覆盖的词基本都覆盖了，只要参照竞品词去做，基本就能找到所有你需要覆盖的词，下面就以“去哪儿‘为例。

　　关键词覆盖4484多个，top10达到1000多个可见优化的很好，接下来通过关键词热度从高到低进行排序如图：

　　然后按照顺序复制热度5000以上的关键词到word文档，接下来就是重点了，这个时候就需要组建关键词集合了，把具有相同词语的词和同音词放到一个关键词集合，其余的按照词的类别放在一起，如图：

　　下面演示一下如何进行合词，举个例子：”马蜂窝，马蜂窝旅游攻略，马蜂窝自由行，蚂蜂窝旅游攻略，蜂窝网，游戏蜂窝，蜂窝，蚂蜂窝自由行”

　　这里面需要去重(就是去掉相同的词，关键词只需要出现一次就可以了)和去掉同音词。如“蚂蜂窝为竞品词”,马蜂窝为同音词

　　这样就得到最终关键词为：蚂蜂窝,旅游,攻略,自由行,游戏

　　根据以上方法会得到一个关键词词库，然后复制一部分关键词到优化助手中，如下图(注意带来自己的App名称，关键词控制在100字符以内)

　　根据提示进行修改，得到关键词如下

　　“途牛网,快车,交友,穷游,租车,神州,一嗨,易到,滴滴,快的,打车,专车,顺风车,优步,携程,阿里,驴妈妈,预订,布卡,订票,抢票,同城,华住,蚂蜂窝,攻略,游戏”

　　重复以上步骤，根据自身产品需要的关键词，和前面讲到的关键词排序优化规则，进行100字符排序。这样筛选下来，可以选出两套关键词。这样选词工作基本完成。

　　选词方法多种多样，而且关键词也不是一成不变的，平时多关注热搜，搜索指数排行，常查询竞品关键词，查看哪些词是自己没有覆盖到的，放入自己关键词备选词库。

　　对于一款新的App很难获得很好的排名，对于没有预算的公司，可以剔除一些高热，竞争度大的词，选取一些热度适中的词，当然推广App都是烧钱的，没有一定的付费是很难把产品做起来的。

果搜ASO（果搜 -专业AppStore大数据平台）是国内专业APP数据分析平台，关注移动ASO推广。

 

原文链接： http://www.guoaso.com/section/20160518-219

玩客部落
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
*100 字符统计
wenlyq的博客
02-17 392
题目描述 如果统计的个数相同，则按照ASCII码由小到大排序输出 。如果有其他字符，则对这些字符不用进行统计。 实现以下接口： 输入一个字符串，对字符中的各个英文字符，数字，空格进行统计（可反复调用） 按照统计个数由多到少输出统计结果，如果统计的个数相同，则按照ASII码由小到大排序输出 清空目前的统计结果，重新统计 调用者会保证： 输入的字符串以‘\0’结尾。 输入描述: 输入一串字符。 输出描...
APP推广第一步：五大ASO优化方法
易佳锴DeanYi的博客
08-25 1635
ASO，全称（AppStoreOptimization），俗称应用市场优化，是一项让开发者的APP更容易被用户在App Store内搜索到的APP推广技术。 APP上架后的曝光度，是所有资金短缺的开发者让自己的应用进入市场的一大短板。那么你该如何在App Store获得曝光度？如果你认为ASO是一个选择，那么你就走对路了！更多用户主要是通过检索来发现应用。通过这一途径获得曝光度的应用数量远甚于口
ASO优化中关键词设置是否需要逗号，aso关键词逗号隔开
柚鸥ASO优化服务商
06-06 246
大家都知道AppStore关键词只能设置100个字符。即使算上标题和副标题，能够发挥的空间也是极其有限的。每一次我们在设置关键词的时候都要锱铢必较、研究、取舍，即使这样很多我们看好的关键词也无法完全设置上去，空间所限。做ASO优化工作的小伙伴应该对这种情况深有体会。既然空间这么宝贵，那么有的小伙伴就会问了，那还要不要在设置关键词的时候用逗号隔开？今天就给大家说说设置关键词要不要加逗号。一、加逗号和不加逗号的区别1.分词收录概率低于独立词：如果后台设置是AB，AB意味着是独立词，A/B是分词，BA是组合词。其
ASO优化经验：APP关键字优化的技巧
weixin_33860147的博客
07-03 864
当开发首款产品的时候，可能你根本连ASO是什么都不知道，因为有太多别的事情需要你做。大多数新手开发商甚至到游戏要进入Appstore的时候才知道有“关键字”这件事要去研究。正因为这些开发商几乎没有在关键字上花时间，这会直接导致他们损失大量潜在下载量。 有数据显示，63%的下载量源于应用商店的搜索行为，所以开发商一定要确保在关键字上下足功夫。 一、建...
ASO优化方案撰写.pptx
07-31
本PPT主要讲解了ASO优化方案的撰写，通过案例分析，详细介绍了ASO优化方案的制作流程、物料准备、关键词设置、APP标题设置、APP描述、APP用户评论等方面的知识点。 ASO优化方案的制作流程包括物料准备、渠道选择、...
ASO –适用于初学者的应用商店优化
04-07
- **iOS**：Apple App Store有特定的ASO规则，如字符限制和关键词堆砌的禁止。关键词仅在后台的关键词字段中使用，标题和副标题则对外可见。 - **Android**：Google Play Store允许更灵活的关键词策略，可在描述中...
duplicates_counter:App Store优化的有用工具
05-06
如果一个应用的关键词列表中存在大量重复的词，这不仅浪费了宝贵的字符限制（App Store的关键词字段通常有100个字符限制），而且可能会分散该应用的关键词权重，影响其在搜索结果中的表现。"duplicates_counter"能够...
如何通过精细化ASO提升ROI.pdf
09-16
1. **关键词37布局**：根据ASO规则，应用的标题和关键词字段最多可以设置30个字符的标题和100个字符的关键词。巧妙地利用这些字符，确保包含核心关键词，同时避免堆砌。 2. **同类词同区域布置**：将相似或相关的...
百度seo优化.pdf
08-21
SEO，全称为Search Engine Optimization，即搜索引擎优化，主要目的是通过改进网站的结构、内容和外部链接，使网站在搜索引擎的自然搜索结果中获得更高的排名，从而增加网站的可见性和流量。在中文搜索引擎领域，...
ASO优化道与术.xmind
03-26
ASO优化道与术书本的读书笔记，亲自整理重点归纳和总结。
appstore关键词优化_ASO必会：AppStore关键词优化的主要流程
weixin_32760485的博客
02-01 1267
从之前的介绍中，大家可以知道，appstore的关键词优化主要集中在对索引字段的优化上面，即重心在app标题和100个字关键词这两个字段。下面详细介绍ASO优化的流程。1.知己：分析要优化的app的数据，给自己一个定位重点关注几个数据：1)app新增、留存、日活、用户评论评星2)当前版本关键词覆盖、及搜索排名情况(可以用ASO工具查询)3)当前流量来源，是否有一些外部渠道可用，量有多少从这些数据上...
ASO优化|五步解锁关键词选择优化正确姿势！
zuoali的博客
07-23 3361
一大早就被窗外的雷雨声吵醒，掐指一算，今天的关键词是“雨”。生活中离不开关键词，ASO优化同样也离不开关键词！ 在做ASO的时候，关键词的选取很重要，通过优化关键词，能够提升关键词排名，在AppStore搜索结果中获取更高排名，从而提高应用在搜索结果中的曝光度和被用户下载的次数。 设想一下，用户想下载个自拍神器，在对拍照应用不了解的情况下，如果以“自拍”为关键词来搜索应用，搜索出1646个应用，...
ASO学习笔记整理——关键字优化步骤
Vermouthstx的博客
03-17 1565
之前只是在网上找了些相关资源，发现各个资料都讲的差不多，但是没有一套完整的优化具体实施方案，都只是泛泛的讲一些关键词的选词规则，实施起来还是有些棘手。想到之前有朋友推荐的《ASO优化大师》，于是买了本回来看，收获很多。这篇主要总结一下具体如何选词及为什么这样选，之后的效果check方法。由于自己也是第一次接触这个领域，有的是按照自己的方法来处理的，可能会跟行业统一处理的有一些不同。以下是我优化的步...
ASO优化|华为关键词覆盖优化技巧
weixin_44467003的博客
11-15 2175
背景： 1、近日，根据全球知名的大数据调研机构IDC发布的《2020上半年中国600美元以上价位段智能机市场份额》显示，华为以44.1%的市场份额超越苹果排名第一，苹果以44%的份额紧随其后。二者合计占据88.1%的高端机市场份额。 2、9月28日，谷歌公司表示将从明年(2021年)开始执行应用商店规则，该规则要求在 Google Play 商店上发布安卓(Android)应用的开发者必须使用谷歌应用内支付系统。 谷歌为应用开发者留出了一年的时间来调整，最后截止日期为2021年9月30日。届时，开发者将必
【ASO优化】手游9大ASO优化方法帮你获得巨量新增！
zuoali的博客
07-29 1058
文章转自：怎么推-ASO优化网站 手机游戏已经成为现代人休闲娱乐必不可缺的生活方式。比较火的游戏如王者荣耀，吃鸡，倩女幽魂等等，10个人里面有9个都在玩，每天的日新增量级都非常大，让很多做游戏的推广的人羡慕不已。那么，对于刚上线的新游戏，如何通过ASO优化手段，获取更多的流量呢？ 提高和优化应用产品的商店页面已经是所有同行都必做的功课之一，所以，有效的ASO策略几乎是每个应用都要做的。每个商店里的...
ASO学习——《ASO优化大师》笔记
Vermouthstx的博客
03-17 1033
1.根据国外的一些报道，苹果公司在App搜索排序时，可能会考虑到App在社交媒体的表现，相当于一种外链。 2.App榜单排名更新周期约为2个小时。 3.搜索联想词最多显示10个。 4.关键词覆盖是指能搜到该App的所有搜索词的总量 5.搜索结果Top10以后的App一般没有用户下载 6.AppStore后台的指标：展示次数是指应用图标（icon）在市场内各个位置被展示超过1秒的次数；Ap...
如何做好aso关键词优化提升关键词排名
ASO1717的博客
09-04 2575
如何做好aso关键词优化，如何提升关键词优化效果、关于种种的疑问，无非是想要使用最少的投入获得最好的效果，在当前来说不管是国内的应用市场还是国外的苹果应用市场，aso优化方式是最为直接，通过关键词覆盖受众最多的方式，特别是在付费覆盖关键词有限的情况下，这种方式比较有效果。我们在查看苹果市场app下载来源的时候，一般通过精品推荐和排行榜和搜索比较多，如果你的app被苹果小编推荐的话那么流量会上一个层...
如何做 ASO 优化？
haima1998的专栏
05-14 2016
转自：https://www.zhihu.com/question/23027114 https://baike.baidu.com/item/ASO/7770583?fr=aladdin ASO （App Store Optimization的缩写） 编辑讨论上传视频 ASO是“应用商店优化”的简称。ASO(App store Optimization)就是提升你APP在各类APP应用商店/市场排行榜和搜索结果排名的过程。类似普通网站针对搜索引擎的优化，即SEO（Search ...
C语言实现ASO优化BP算法
最新发布
05-19
ASO优化算法是一种基于蚁群算法的优化算法，它可以用于解决多目标优化问题。BP神经网络算法可以用来进行分类、回归等任务。在使用BP算法进行ASO优化时，可以将多个目标转化为一个目标，然后使用BP神经网络进行训练和预测。 以下是一些实现ASO优化BP算法的C语言代码示例： 1. BP神经网络的实现 ```c //定义神经元结构体 typedef struct neuron { double input; //输入 double output; //输出 double delta; //误差 double bias; //偏置 double *weights; //权重 } neuron_t; //定义层结构体 typedef struct layer { int num_neurons; //神经元数量 neuron_t *neurons; //神经元 } layer_t; //定义神经网络结构体 typedef struct neural_network { int num_layers; //层数 layer_t *layers; //层 } neural_network_t; //初始化神经元 void init_neuron(neuron_t *neuron, int num_weights) { neuron->input = 0.0; neuron->output = 0.0; neuron->delta = 0.0; neuron->bias = (double)rand() / RAND_MAX; //随机初始化偏置 neuron->weights = (double *)malloc(num_weights * sizeof(double)); //动态分配权重数组 for (int i = 0; i < num_weights; i++) { neuron->weights[i] = (double)rand() / RAND_MAX; //随机初始化权重 } } //初始化层 void init_layer(layer_t *layer, int num_neurons, int num_weights) { layer->num_neurons = num_neurons; layer->neurons = (neuron_t *)malloc(num_neurons * sizeof(neuron_t)); //动态分配神经元数组 for (int i = 0; i < num_neurons; i++) { init_neuron(&layer->neurons[i], num_weights); } } //初始化神经网络 void init_neural_network(neural_network_t *nn, int num_inputs, int num_outputs, int num_hidden_layers, int num_hidden_neurons) { nn->num_layers = 2 + num_hidden_layers; //输入层、输出层和隐藏层 nn->layers = (layer_t *)malloc(nn->num_layers * sizeof(layer_t)); //动态分配层数组 //初始化输入层 init_layer(&nn->layers[0], num_inputs, 0); //初始化隐藏层 for (int i = 0; i < num_hidden_layers; i++) { if (i == 0) { init_layer(&nn->layers[i+1], num_hidden_neurons, num_inputs); } else { init_layer(&nn->layers[i+1], num_hidden_neurons, num_hidden_neurons); } } //初始化输出层 init_layer(&nn->layers[nn->num_layers-1], num_outputs, num_hidden_neurons); } //激活函数 double activation_function(double x) { return 1.0 / (1.0 + exp(-x)); } //前向传播 void feed_forward(neural_network_t *nn, double *inputs) { //输入层 for (int i = 0; i < nn->layers[0].num_neurons; i++) { nn->layers[0].neurons[i].output = inputs[i]; } //隐藏层和输出层 for (int i = 1; i < nn->num_layers; i++) { for (int j = 0; j < nn->layers[i].num_neurons; j++) { double sum = 0.0; for (int k = 0; k < nn->layers[i-1].num_neurons; k++) { sum += nn->layers[i-1].neurons[k].output * nn->layers[i].neurons[j].weights[k]; } sum += nn->layers[i].neurons[j].bias; nn->layers[i].neurons[j].input = sum; nn->layers[i].neurons[j].output = activation_function(sum); } } } //计算输出误差 void compute_output_error(neural_network_t *nn, double *targets) { layer_t *output_layer = &nn->layers[nn->num_layers-1]; for (int i = 0; i < output_layer->num_neurons; i++) { double output = output_layer->neurons[i].output; double delta = targets[i] - output; output_layer->neurons[i].delta = delta * output * (1.0 - output); } } //计算隐藏层误差 void compute_hidden_error(layer_t *layer, layer_t *next_layer) { for (int i = 0; i < layer->num_neurons; i++) { double output = layer->neurons[i].output; double sum = 0.0; for (int j = 0; j < next_layer->num_neurons; j++) { sum += next_layer->neurons[j].weights[i] * next_layer->neurons[j].delta; } layer->neurons[i].delta = output * (1.0 - output) * sum; } } //反向传播 void backpropagation(neural_network_t *nn, double *targets, double learning_rate) { //计算输出层误差 compute_output_error(nn, targets); //计算隐藏层误差 for (int i = nn->num_layers-2; i > 0; i--) { compute_hidden_error(&nn->layers[i], &nn->layers[i+1]); } //更新权重和偏置 for (int i = nn->num_layers-1; i > 0; i--) { for (int j = 0; j < nn->layers[i].num_neurons; j++) { neuron_t *neuron = &nn->layers[i].neurons[j]; for (int k = 0; k < nn->layers[i-1].num_neurons; k++) { double delta_weight = learning_rate * neuron->delta * nn->layers[i-1].neurons[k].output; neuron->weights[k] += delta_weight; } neuron->bias += learning_rate * neuron->delta; } } } //训练神经网络 void train_neural_network(neural_network_t *nn, double **inputs, double **targets, int num_examples, double learning_rate, int epochs) { for (int epoch = 0; epoch < epochs; epoch++) { double error = 0.0; for (int example = 0; example < num_examples; example++) { feed_forward(nn, inputs[example]); compute_output_error(nn, targets[example]); error += 0.5 * pow(targets[example][0] - nn->layers[nn->num_layers-1].neurons[0].output, 2); backpropagation(nn, targets[example], learning_rate); } printf("Epoch %d: error = %lf\n", epoch, error); } } //使用神经网络进行预测 double predict(neural_network_t *nn, double *inputs) { feed_forward(nn, inputs); return nn->layers[nn->num_layers-1].neurons[0].output; } ``` 2. ASO优化算法的实现 ```c //定义蚂蚁结构体 typedef struct ant { double *position; //位置 double *velocity; //速度 double *best_position; //最佳位置 double best_fitness; //最佳适应度 } ant_t; //初始化蚂蚁 void init_ant(ant_t *ant, int num_dimensions) { ant->position = (double *)malloc(num_dimensions * sizeof(double)); //动态分配位置数组 ant->velocity = (double *)malloc(num_dimensions * sizeof(double)); //动态分配速度数组 ant->best_position = (double *)malloc(num_dimensions * sizeof(double)); //动态分配最佳位置数组 for (int i = 0; i < num_dimensions; i++) { ant->position[i] = (double)rand() / RAND_MAX; //随机初始化位置 ant->velocity[i] = 0.0; //初始化速度为0 ant->best_position[i] = ant->position[i]; //最佳位置初始化为当前位置 } ant->best_fitness = DBL_MAX; //最佳适应度初始化为最大值 } //计算适应度 double fitness_function(ant_t *ant, neural_network_t *nn, double **inputs, double *targets, int num_examples) { double error = 0.0; for (int example = 0; example < num_examples; example++) { double output = predict(nn, inputs[example]); error += 0.5 * pow(targets[example] - output, 2); } return error; } //更新速度和位置 void update_velocity_and_position(ant_t *ant, ant_t *global_best_ant, double inertia_weight, double cognitive_weight, double social_weight) { for (int i = 0; i < num_dimensions; i++) { double r1 = (double)rand() / RAND_MAX; //随机数1 double r2 = (double)rand() / RAND_MAX; //随机数2 ant->velocity[i] = inertia_weight * ant->velocity[i] + cognitive_weight * r1 * (ant->best_position[i] - ant->position[i]) + social_weight * r2 * (global_best_ant->best_position[i] - ant->position[i]); ant->position[i] += ant->velocity[i]; if (ant->position[i] < 0.0) { ant->position[i] = 0.0; } else if (ant->position[i] > 1.0) { ant->position[i] = 1.0; } } } //ASO优化算法 void ASO(neural_network_t *nn, double **inputs, double *targets, int num_examples, int num_ants, int num_iterations, double inertia_weight, double cognitive_weight, double social_weight) { //初始化蚂蚁 ant_t *ants = (ant_t *)malloc(num_ants * sizeof(ant_t)); for (int i = 0; i < num_ants; i++) { init_ant(&ants[i], num_dimensions); } //计算适应度 double *fitness = (double *)malloc(num_ants * sizeof(double)); for (int i = 0; i < num_ants; i++) { fitness[i] = fitness_function(&ants[i], nn, inputs, targets, num_examples); if (fitness[i] < global_best_fitness) { global_best_fitness = fitness[i]; memcpy(global_best_position, ants[i].position, num_dimensions * sizeof(double)); } } //ASO优化循环 for (int iteration = 0; iteration < num_iterations; iteration++) { for (int i = 0; i < num_ants; i++) { update_velocity_and_position(&ants[i], &global_best_ant, inertia_weight, cognitive_weight, social_weight); double fitness_new = fitness_function(&ants[i], nn, inputs, targets, num_examples); if (fitness_new < fitness[i]) { fitness[i] = fitness_new; memcpy(ants[i].best_position, ants[i].position, num_dimensions * sizeof(double)); if (fitness_new < global_best_fitness) { global_best_fitness = fitness_new; memcpy(global_best_position, ants[i].position, num_dimensions * sizeof(double)); } } } } } ``` 将BP神经网络和ASO优化算法结合起来，可以实现ASO优化BP算法。 ```c int main() { srand(time(NULL)); //输入数据 double inputs[NUM_EXAMPLES][NUM_INPUTS] = { {0.0, 0.0}, {0.0, 1.0}, {1.0, 0.0}, {1.0, 1.0} }; //目标数据 double targets[NUM_EXAMPLES] = {0.0, 1.0, 1.0, 0.0}; //初始化神经网络 neural_network_t nn; init_neural_network(&nn, NUM_INPUTS, 1, 1, 4); //训练神经网络 train_neural_network(&nn, inputs, targets, NUM_EXAMPLES, LEARNING_RATE, EPOCHS); //ASO优化BP算法 ASO(&nn, inputs, targets, NUM_EXAMPLES, NUM_ANTS, NUM_ITERATIONS, INERTIA_WEIGHT, COGNITIVE_WEIGHT, SOCIAL_WEIGHT); //使用神经网络进行预测 for (int i = 0; i < NUM_EXAMPLES; i++) { double output = predict(&nn, inputs[i]); printf("Input: %lf %lf, Target: %lf, Output: %lf\n", inputs[i][0], inputs[i][1], targets[i], output); } return 0; } ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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