เสิร์ชเอ็นจิ้นใหม่ต้องการให้รีวิว App Store ซื่อสัตย์และถูกต้องโดยไม่สนใจรีวิวที่อาจมาจากเงินที่จ่ายหรือผ่านการตราหน้าผู้ใช้อย่างไม่หยุดยั้งของนักพัฒนา
ในขณะที่เขียนนี้ ระบบอ้างว่าได้ตรวจสอบกว่า 17 ล้านบทวิจารณ์และละเลย 1.1 ล้านบทวิจารณ์ และหากคุณสงสัยว่าเกมใหม่ที่กำลังมาแรงหรือแอปปฏิทินที่เต็มไปด้วยฟีเจอร์ที่คุณกำลังจะดาวน์โหลดนั้นคุ้มค่ากับเวลาของคุณหรือไม่ คุณอาจต้องการตรวจสอบไซต์นี้
AppRecs เป็นบริการและออนไลน์ฟรีทั้งหมด สิ่งที่คุณต้องทำคือค้นหาแอปที่คุณสนใจโดยตรงหรือเรียกดูรายการแอปที่ "ยอดเยี่ยมอย่างแท้จริง" กว่า 35,000 รายการ คุณสามารถกรองสิ่งเหล่านั้นตามราคา คะแนนเฉลี่ย หมวดหมู่ และความนิยม
Mark Edmond ผู้สร้าง AppRecs ซึ่งเป็นวิศวกรซอฟต์แวร์ในซีแอตเทิล อธิบายวิธีการของเขาใน กระทู้ยาวบน Redditแต่โดยพื้นฐานแล้ว มันขึ้นอยู่กับการจัดระเบียบบทวิจารณ์โดยพิจารณาจากระดับความน่าเชื่อถือ Edmond ให้คะแนน App Store ที่ "เป็นธรรมชาติ" ซึ่งผู้ใช้เหล่านั้นเขียนด้วยความคิดริเริ่มของตนเอง และนักพัฒนาซอฟต์แวร์ก็ขอให้อยู่ในระดับสูงสุด ด้านล่างนี้คือบทวิจารณ์ที่น่าเชื่อถือน้อยกว่า ซึ่งรวมถึงคำขอที่เข้มงวด ผ่านการกรอง/คัดสรร มาจากเครือข่าย ให้รางวัล และเพียงแค่จ่ายเงินโดยตรง
Edmond กล่าวว่าเป็นการยากที่จะระบุว่าบทวิจารณ์ใดใน App Store ที่อาจน้อยกว่าของแท้ แต่เขาได้พัฒนาการตั้งค่าสถานะสองสามอย่างที่ควรระวัง
“ตัวอย่างเช่น สมมติว่าผู้เขียนรีวิวไม่ได้โพสต์อะไรนอกจากรีวิวระดับ 5 ดาวและรีวิวแอปกว่า 1,000+ แอป เราตั้งค่าสถานะรีวิวเหล่านั้นว่าไม่น่าเชื่อถือ” เขากล่าวกับ Reddit “แล้วผู้วิจารณ์ A และ B ที่มีผลงานมากมายล่ะ ซึ่งทั้งคู่เคยรีวิวแอพชุดเดียวกันเกือบทั้งหมด ต่างก็มีเรตติ้งที่ดี? อาจเป็นเครือข่ายหรือจ่ายเงิน
“ในบางกรณี บทวิจารณ์จะถูกตัดและวางจากบทวิจารณ์ก่อนหน้านี้ และทำให้ง่ายต่อการตั้งค่าสถานะ ในกรณีอื่นๆ เราสามารถดูสถิติโดยรวมของแต่ละแอปได้ เช่น ความยาวเฉลี่ยของรีวิว จำนวนรีวิวเฉลี่ยที่โพสต์โดยผู้รีวิว และตัวชี้วัดอื่นๆ และระบุได้ว่ามีสิ่งที่น่าสงสัยเกิดขึ้น”
AppRecs เริ่มต้นด้วยแอป Java ที่ดึงข้อมูลจำนวนมหาศาลจากการค้นหาและฟีดของ Apple และแยกข้อมูลที่เกี่ยวข้องในฐานข้อมูล จากนั้นจะเริ่มกลั่นกรองข้อมูลทั้งหมดนั้นเพื่อค้นหาสิ่งต่าง ๆ ที่เรียกใช้แฟล็กโดยใช้การรวมและ เอ็นจิ้นการแนะนำก่อนที่จะป้อนสิ่งที่ค้นพบทั้งหมดลงในตัวสร้างไซต์ ซึ่งอัพเดตเอ็นจิ้น ออนไลน์
เนื่องจากใช้ชุดงานอัตโนมัติตามการคาดเดาที่มีการศึกษา Edmond ไม่แน่ใจว่าอัตราข้อผิดพลาดของระบบเป็นอย่างไร แต่เขากำลังมองหาวิธีปรับปรุงด้วยแมชชีนเลิร์นนิง และมันเป็นการเริ่มต้นที่ดีอย่างแน่นอน