同款商品的识别方法及装置与流程

1.本技术实施例涉及计算机技术领域，尤其涉及一种同款商品的识别方法及装置。


背景技术：

2.随着计算机技术的发展，电商平台逐步成为人们日常生活中的主要消费渠道。对于电商平台的商家来说，利用智能客服向消费者进行商品推荐是提升商品销量的手段之一。商家往往会为商品配置相应的推荐策略，以使得智能客服基于推荐策略为消费者推荐商品。
3.现有技术中，商家会在多个平台下对同款商品进行跨平台销售，或，对包括同款商品的不同商品组合进行组合销售。但是，商家依旧需要针对每一个商品依次进行推荐策略配置，这也会出现针对同一商品进行多次配置的情况。因此，如何协助商家在众多商品中识别出同款商品，以避免商家对商品重复配置成为亟待解决的问题。


技术实现要素：

4.本技术实施例提供一种同款商品的识别方法及装置，能够对商品是否为同款商品进行准确识别，以便于商家根据识别结果进行商品的推荐配置。
5.第一方面，本技术实施例提供一种同款商品的识别方法，包括：
6.确定待识别的第一商品和第二商品，并获取所述第一商品和所述第二商品的商品信息，所述商品信息包括商品的文本信息和商品的图像信息；利用预训练的文本向量模型对所述第一商品和所述第二商品的文本信息进行处理，得到所述第一商品的文本特征向量和所述第二商品的文本特征向量；利用预训练的图像向量模型对所述第一商品和所述第二商品的图像信息进行处理，得到所述第一商品的图像特征向量和所述第二商品的图像特征向量；根据所述第一商品的文本特征向量和图像特征向量，以及所述第二商品的文本特征向量和图像特征向量，得到所述第一商品和所述第二商品是否为同款商品的识别结果。
7.可知的是，在本技术实施例中，将对商品在文本维度上的特征和图像维度上的特征进行分析识别，以确定商品是否为同款商品，通过这样识别方式其识别准确率高，识别效果好，便于商家根据同款商品的识别结果进行商品推荐配置。
8.可选的，所述根据所述第一商品的文本特征向量和图像特征向量，以及所述第二商品的文本特征向量和图像特征向量，得到所述第一商品和所述第二商品是否为同款商品的识别结果，包括：对所述第一商品的文本特征向量和所述第二商品的文本特征向量进行基于文本向量空间的映射处理，并基于所述映射处理结果计算所述第一商品和所述第二商品之间的文本相似度；对所述第一商品的图像特征向量和所述第二商品的图像特征向量进行基于图像向量空间的映射处理，并基于所述映射处理结果计算所述第一商品和所述第二商品之间的图像相似度；根据所述文本相似度和所述图像相似度，得到所述第一商品和所述第二商品是否为同款商品的识别结果。
9.可知的是，在本实施例中，通过将该两个商品的文本特征映射至同一文本向量空
间中，从而可对该两个商品在文本维度上的相似度进行分析，还通过将该两个商品的图像特征映射至同一图像向量空间，从而可对该两个商品在图像上的相似度进行分析，进而基于商品在文本维度上的相似度和图像维度上的相似度确定商品是否为同款商品，该实施例的识别效率较高。
10.可选的，所述根据所述第一商品的文本特征向量和图像特征向量，以及所述第二商品的文本特征向量和图像特征向量，得到所述第一商品和所述第二商品是否为同款商品的识别结果，包括：根据所述第一商品的文本特征向量和所述第一商品的图像特征向量，确定所述第一商品的分类特征向量；根据所述第二商品的文本特征向量和所述第二商品的图像特征向量，确定所述第二商品的分类特征向量；利用分类器对所述第一商品的分类特征向量和所述第二商品的分类特征向量进行处理，得到所述第一商品和所述第二商品的同款概率；根据所述同款概率确定所述识别结果。
11.可知的是，在本实施例中通过利用每一商品的文本特征和图像特征来确定商品所属于的分类，然后基于两个商品的分类来确定该两个商品是否属于同款商品，该实施例所得到的识别结果准确性较高。
12.可选的，所述预训练的文本向量模型对文本信息进行处理，包括：对所述文本信息的文本进行分词处理以将所述文本切分为至少一个分词，得到由各分词构成的分词序列；对所述分词序列中的各分词进行词向量的索引处理，得到由各分词的词向量所构成的词向量序列；对所述词向量序列中的各词向量进行均值运算，得到所述商品的文本特征向量。
13.可知的是，本实施例中，通过利用已有的文本向量模型对商品的文本信息进行处理，能够有效的提取出商品在文本维度上的特征向量，进而便于后续利用该文本特征向量进行同款识别的相应处理。
14.可选的，所述预训练的图像向量模型对图像信息进行处理，包括：利用二值化梯度特征提取算法对图像信息的图像进行显著性区域检测处理，得到所述图像的至少一个显著性区域图块；对各所述显著性区域图块分别进行编码处理，得到各所述显著性区域图块对应的图像特征向量；对各所述图像特征向量进行均值运算，得到所述商品的图像特征向量。
15.可知的是，本实施例中，通过利用已有的图像向量模型对商品的图像信息进行处理，能够有效的提取出商品在图像维度上的特征向量，进而便于后续利用该图像特征向量进行同款识别的相应处理。
16.可选的，所述确定待识别的第一商品和第二商品，包括：获取商品数据集合，所述商品数据集合包括多个商品，以及每个商品的商品类目、商品属性；从对所述商品数据集合的各个商品中选出具有目标商品类目和目标商品属性的至少一个候选商品；从所述至少一个候选商品中确定出所述待识别的第一商品和第二商品。
17.可知的是，本实施例中，可先对商品数据集合中的各商品进行基于商品类目和商品属性的筛选处理，然后再从中确定出待识别的第一商品和第二商品，以提升对于同款商品的处理效率。
18.第二方面，本技术实施例提供一种同款商品的识别装置，包括：
19.信息获取模块，用于确定待识别的第一商品和第二商品，并获取所述第一商品和所述第二商品的商品信息，所述商品信息包括商品的文本信息和商品的图像信息；
20.文本信息处理模块，用于利用预训练的文本向量模型对所述第一商品和所述第二
商品的文本信息进行处理，得到所述第一商品的文本特征向量和所述第二商品的文本特征向量；
21.图像信息处理模块，用于利用预训练的图像向量模型对所述第一商品和所述第二商品的图像信息进行处理，得到所述第一商品的图像特征向量和所述第二商品的图像特征向量；
22.识别结果生成模块，用于根据所述第一商品的文本特征向量和图像特征向量，以及所述第二商品的文本特征向量和图像特征向量，得到所述第一商品和所述第二商品是否为同款商品的识别结果。
23.可选的，所述识别结果生成模块具体用于：对所述第一商品的文本特征向量和所述第二商品的文本特征向量进行基于文本向量空间的映射处理，并基于所述映射处理结果计算所述第一商品和所述第二商品之间的文本相似度；对所述第一商品的图像特征向量和所述第二商品的图像特征向量进行基于图像向量空间的映射处理，并基于所述映射处理结果计算所述第一商品和所述第二商品之间的图像相似度；根据所述文本相似度和所述图像相似度，得到所述第一商品和所述第二商品是否为同款商品的识别结果。
24.可选的，所述识别结果生成模块具体用于：根据所述第一商品的文本特征向量和所述第一商品的图像特征向量，确定所述第一商品的分类特征向量；根据所述第二商品的文本特征向量和所述第二商品的图像特征向量，确定所述第二商品的分类特征向量；利用分类器对所述第一商品的分类特征向量和所述第二商品的分类特征向量进行处理，得到所述第一商品和所述第二商品的同款概率；根据所述同款概率确定所述识别结果。
25.第三方面，本技术实施例提供了一种电子设备，包括：存储器，处理器；
26.至少一个处理器；以及
27.存储器；
28.存储器存储计算机执行指令；
29.至少一个处理器执行存储器存储的计算机执行指令，使得至少一个处理器执行如第一方面所述的方法。
30.第四方面，本技术实施例提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如第一方面所述的方法。
31.第五方面，本技术实施例提供了一种计算机程序产品，包括计算机指令，该计算机指令被处理器执行时实现如第一方面所述的方法。
32.本技术实施例提供一种同款商品的识别方法及装置，其中，本技术通过对第一商品和第二商品在文本维度上的特征和图像维度上的特征进行分析识别，以确定该第一商品和第二商品是否为同款商品，其识别准确率高，识别效果好，便于商家根据同款商品的识别结果进行商品推荐的配置。
附图说明
33.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
34.图1为本技术所基于的一种网络架构的示意图；
35.图2为本技术实施例提供的一种同款商品的识别方法的流程示意图；
36.图3为本技术实施例提供的一种同款商品的识别方法的数据流示意图；
37.图4为本技术实施例提供的另一种同款商品的识别方法的数据流示意图；
38.图5为本技术提供的同款商品的识别方法的应用场景图；
39.图6为本技术实施例提供的同款商品的识别装置的结构框图；
40.图7为本技术提供的一种电子设备的硬件结构示意图。
41.通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
42.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
43.本技术的技术方案中，所涉及的商品信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
44.目前，利用电商平台进行各类商品销售活动成为商家的主要营销手段，商家需要对各电商平台下的商品进行商品推荐配置，以使商品能够得到有效的推送。
45.在现有技术中，商家可能会在多个电商平台对同一个商品进行销售，或，将同一个商品以不同的捆绑组合方式进行销售，而商家往往会出现的同一商品进行重复配置的现象。对于商家来说，如何能够准确的识别出同款商品，以避免对同款商品进行重复配置成为亟待解决的问题。
46.需要说明的是，本技术提供的同款商品的识别方法及装置不仅可应用在前述的商品配置的应用场景中，还可广泛应用在其他多种基于电商平台的应用场景中，例如商品比价场景、商品导购场景、商品选品场景等。
47.参考图1，图1为本技术所基于的一种网络架构的示意图，图1所示网络架构具体可包括服务器11以及终端12。
48.在图1所示架构中，服务器11具体可为设置在云端的服务器集群，其中服务器11中可按照本技术提供的同款商品的识别方法对待识别的商品进行识别处理。
49.终端12具体可为具有网络通信功能以及用户交互功能的硬件设备，其包括但不限于智能手机、平板电脑、台式电脑、物联网设备等。在前述的商品推荐配置的应用场景中，商家可通过终端12与服务器11建立通信通道，并通过该通信通道获取服务器11生成的识别结果。基于该识别结果，商家可在对当前商品进行推荐配置之前，确定出是否已对该当前商品的同款商品进行过相应推荐配置，避免对同款商品进行重复配置，提升商家对商品的推荐配置体验。
50.下面通过具体的实施例对本技术提供的同款商品的识别方法及装置进行详细说明。下面的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
51.需要说明的是，本实施例中提供的同款商品的识别方法的执行主体为前述图1提及的服务器，图2为本技术实施例提供的一种同款商品的识别方法的流程示意图。如图2所示的，该同款商品的识别方法可以包括如下几个步骤：
52.步骤201、确定待识别的第一商品和第二商品，并获取第一商品和第二商品的商品信息，商品信息包括商品的文本信息和商品的图像信息。
53.需要说明的是，本技术实施方式中，第一商品和第二商品仅在名称上进行区别，其均用于指代待识别的商品。此外，在不同实际场景中，本技术中提及的第一商品和第二商品具体可指代不同的商品。
54.例如，在商家对全部商品进行推荐配置之前，可从待配置的全部商品中遍历任意的两个商品以分别作为第一商品和第二商品，以进行同款商品的识别处理在配置之前触发该识别方法以将待配置的商品进行同款识别，以便商家在进行商品配置之前便获知当前全部商品中的同款商品，避免重复配置；又例如，在商家对某一商品进行推荐配置之前，可将待配置的商品作为本技术中的第一商品，而将已配置过的各商品分别作为本技术中的第二商品，以进行同款商品的识别处理，以避免对已配置过的商品进行重复配置。
55.在本技术实施方式中，商品信息中应包括有商品的文本信息和商品的图像信息。
56.其中，文本信息具体可从商品在商品展示页面所展示给消费者的商品标题中进行抓取，例如“多重修复保湿洗面奶特价”，又例如“补水祛痘洗面乳大瓶装”等等。
57.当然，在其他可能的实施方式中，该文本信息还可来自于商品展示页面的商品详细信息，或商品摘要信息等。需要说明的是，为了保证后续能够对商品的文本信息进行快速处理，该文本信息的信息长度不应过长，换句话说，当该文本信息来自于商品详情或商品摘要等文本长度较长的信息时，服务器还应对这些信息进行包括关键词提取在内的预处理，以保证获取到的文本信息的信息长度满足处理要求。
58.同时，图像信息具体可从商品在商品展示页面所展示给消费者的商品主体图。可知的是，在商品展示页面上包括有多张用于展示商品各个角度或商品各个场景的商品图。一般的，这些商品图中的第一张图为商品主体图，商品主体图用于展示商品概貌或商品主体轮廓。为了能够提取到商品在图像维度的特征，在本技术实施方式中将抓取商品主体图以作为商品的图像信息，便于后续处理。
59.进一步的，为了便于提升对于同款商品的处理效率，在可选实施方式中，还可预先基于不同的商品因素对商品进行预筛选，以使得具有相同商品类目或商品属性的商品作为待识别的第一商品和第二商品，具体的上的确定待识别的第一商品和第二商品可包括：获取商品数据集合，商品数据集合包括多个商品，以及每个商品的商品类目、商品属性；从对商品数据集合的各个商品中选出具有目标商品类目和目标商品属性的至少一个候选商品；从至少一个候选商品中确定出待识别的第一商品和第二商品。因此，通过可先对商品数据集合中的各商品进行基于商品类目和商品属性的筛选处理，然后再从中确定出待识别的第一商品和第二商品，以提升对于同款商品的处理效率。
60.步骤202、利用预训练的文本向量模型对第一商品和第二商品的文本信息进行处理，得到第一商品的文本特征向量和第二商品的文本特征向量。
61.在本技术实施方式中，为了降低识别方法的成本，步骤202中的预训练的文本向量模型具体可采用现有技术中的已有模型实现。示例性的，该预训练的文本向量模型具体可
为基于word2vec的神经网络模型。
62.进一步来说，预训练的文本向量模型对文本信息进行处理具体包括如下几个步骤：
63.首先，可对文本信息的文本进行分词处理以将文本切分为至少一个分词，得到由各分词构成的分词序列。然后，对分词序列中的各分词进行词向量的索引处理，得到由各分词的词向量所构成的词向量序列。最后，对词向量序列中的各词向量进行均值运算，得到商品的文本特征向量。
64.例如，针对前述提及的“多重修复保湿洗面奶特价”这一文本信息，可先进行分词处理得到包括“多重修复”“保湿”“洗面奶”“特价”的至少一个分词，并得到分词序列w＝(w1,w2,w3,w4)＝(多重修复,保湿,洗面奶,特价)。随后的，索引处理具体可通过前述提及的word2vec来实现，通过word2vec对每一个分词进行词向量索引，得到由每一个分词对应的词向量构成的词向量序列e＝(e1,e2,e3,e4)。最后利用avg_pooling对e1,e2,e3和e4进行均值处理，得到商品的文本特征向量s1，其中，s1＝avg(e1+e2+e3+e4)。
65.可知的是通过利用已有的文本向量模型对商品的文本信息进行处理，能够有效的提取出商品在文本维度上的特征向量，进而便于后续利用该文本特征向量进行同款识别的相应处理。
66.步骤203、利用预训练的图像向量模型对第一商品和第二商品的图像信息进行处理，得到第一商品的图像特征向量和第二商品的图像特征向量。
67.在本技术实施方式中，为了降低识别方法的成本，步骤203中的预训练的图像向量模型具体可采用现有技术中的已有模型实现。示例性的，该预训练的图像向量模型具体可为基于swin_transformer的神经网络模型。
68.具体来说，针对第一商品和第二商品的图像信息，可先利用二值化梯度特征提取算法对图像信息的图像进行显著性区域检测处理，得到图像的至少一个显著性区域图块，该至少一个显著性区域图块的集合i可表示为i＝(i1，i2,
……
，in)。然后，对各显著性区域图块分别进行编码处理，得到各显著性区域图块对应的图像特征向量，其中，对于每一个显著性区域图块均可利用前述的模型作为特征提取器进行图像处理，得到相应图像特征向量o＝(o1，o2,
……
，on)。其中，前述的图像处理包括但不限于对各显著性区域图块进行压缩伸缩处理以使各图块的大小统一，对图块进行编码处理并对编码后的图块进行特征提取。最后，可对各图像特征向量进行均值运算，得到商品的图像特征向量s2,其中，s2＝avg(o1+o2……
+on)。
69.需要说明的是，在本技术实施方式中，上述步骤202和步骤203之间无必然的执行顺序，可选的，步骤202和步骤203可采用同步执行的方式。当然，在其他可能的实现方式中，该步骤202和步骤203还可采用异步执行的方式，本技术对其不进行限制。
70.步骤204、根据第一商品的文本特征向量和图像特征向量，以及第二商品的文本特征向量和图像特征向量，得到第一商品和第二商品是否为同款商品的识别结果。
71.具体来说，在本技术提供的实施方式中，在分别获取到第一商品的文本特征向量和图像特征向量，以及第二商品的文本特征向量和图像特征向量之后，可采用两种方式对第一商品和第二商品是否为同款商品进行判定。
72.图3为本技术实施例提供的一种同款商品的识别方法的数据流示意图。如图3所示
的，在其中一种可能的同款识别处理流程中，当分别获取到第一商品的文本特征向量和图像特征向量，以及第二商品的文本特征向量和图像特征向量之后，可先对第一商品的文本特征向量和第二商品的文本特征向量进行基于文本向量空间的映射处理，然后基于映射处理结果计算第一商品和第二商品之间的文本相似度sim
text
；
73.同步或有异步的，还可对第一商品的图像特征向量和第二商品的图像特征向量进行基于图像向量空间的映射处理，并基于映射处理结果计算第一商品和第二商品之间的图像相似度sim
image
。
74.在根据文本相似度sim
text
和图像相似度sim
image
，得到第一商品和第二商品是否为同款商品的识别结果。具体的，当sim
text
＞threshold
text
，且sim
image
＞threshold
image
时，该第一商品和第二商品为同款商品；否则，该第一商品和第二商品不为同款商品。当然，上述的threshold
text
和threshold
image
均为预设阈值，其可由本领域技术人员根据经验确定。
75.也就是说，在本实施方式中可通过将该两个商品的文本特征映射至同一文本向量空间中，从而可对该两个商品在文本维度上的相似度进行分析，还通过将该两个商品的图像特征映射至同一图像向量空间，从而可对该两个商品在图像上的相似度进行分析，进而基于商品在文本维度上的相似度和图像维度上的相似度确定商品是否为同款商品，其识别效率较高。
76.图4为本技术实施例提供的另一种同款商品的识别方法的数据流示意图。如图4所示的，在另一种可能的同款识别处理流程中，当分别获取到第一商品的文本特征向量和图像特征向量，以及第二商品的文本特征向量和图像特征向量之后，还可根据第一商品的文本特征向量和第一商品的图像特征向量，确定第一商品的分类特征向量，同步或异步的，根据第二商品的文本特征向量和第二商品的图像特征向量，确定第二商品的分类特征向量。其中，分类特征向量具体是指由文本特征向量s1和图像特征向量s2进行运算后所得到向量。例如，分类特征向量s＝s1
⊕
s2。
77.再后，利用分类器对第一商品的分类特征向量和第二商品的分类特征向量进行处理，得到第一商品和第二商品的同款概率，而根据同款概率确定识别结果。
78.可知的是，在本实施例中通过利用每一商品的文本特征和图像特征来确定商品所属于的分类，然后基于两个商品的分类来确定该两个商品是否属于同款商品，该实施例所得到的识别结果准确性较高。
79.图5为本技术提供的同款商品的识别方法的应用场景图，如图5上图所示的，商家当前显示的商品的推荐策略配置界面上显示有可配置的多个商品，这些商品将采用商品id的方式进行区分。针对任一商品均设置有“查同款商品”的触发组件，商家可点击该触发组件以触发对于商品的同款查询处理。如图5下图所示的，当商家选中对“商品id：111”的查同款商品时，当前界面将显示有该商品的同款商品列表：“商品id：112；商品id：222；商品id：124”。可知的是，该同款商品列表中的全部商品均为“商品id：111”的同款商品。商家可根据该同款商品列表对商品进行推荐策略的选择性配置，从而避免对同一商品进行多次配置的情况。
80.本技术实施例提供一种同款商品的识别方法，其中，本技术通过对第一商品和第二商品在文本维度上的特征和图像维度上的特征进行分析识别，以确定该第一商品和第二商品是否为同款商品，其识别准确率高，识别效果好，便于商家根据同款商品的识别结果进
行商品推荐配置。
81.对应于上文实施例提供的同款商品的识别方法，图6为本技术实施例提供的同款商品的识别装置的结构框图。为了便于说明，仅示出了与本技术实施例相关的部分。参照图6，该同款商品的识别装置包括：
82.信息获取模块601，用于确定待识别的第一商品和第二商品，并获取所述第一商品和所述第二商品的商品信息，所述商品信息包括商品的文本信息和商品的图像信息；
83.文本信息处理模块602，用于利用预训练的文本向量模型对所述第一商品和所述第二商品的文本信息进行处理，得到所述第一商品的文本特征向量和所述第二商品的文本特征向量；
84.图像信息处理模块603，用于利用预训练的图像向量模型对所述第一商品和所述第二商品的图像信息进行处理，得到所述第一商品的图像特征向量和所述第二商品的图像特征向量；
85.识别结果生成模块604，用于根据所述第一商品的文本特征向量和图像特征向量，以及所述第二商品的文本特征向量和图像特征向量，得到所述第一商品和所述第二商品是否为同款商品的识别结果。
86.可选的，所述识别结果生成模块604具体用于：对所述第一商品的文本特征向量和所述第二商品的文本特征向量进行基于文本向量空间的映射处理，并基于所述映射处理结果计算所述第一商品和所述第二商品之间的文本相似度；对所述第一商品的图像特征向量和所述第二商品的图像特征向量进行基于图像向量空间的映射处理，并基于所述映射处理结果计算所述第一商品和所述第二商品之间的图像相似度；根据所述文本相似度和所述图像相似度，得到所述第一商品和所述第二商品是否为同款商品的识别结果。
87.可选的，所述识别结果生成模块604具体用于：根据所述第一商品的文本特征向量和所述第一商品的图像特征向量，确定所述第一商品的分类特征向量；根据所述第二商品的文本特征向量和所述第二商品的图像特征向量，确定所述第二商品的分类特征向量；利用分类器对所述第一商品的分类特征向量和所述第二商品的分类特征向量进行处理，得到所述第一商品和所述第二商品的同款概率；根据所述同款概率确定所述识别结果。
88.可选的，所述文本信息处理模块602具体用于：
89.对所述文本信息的文本进行分词处理以将所述文本切分为至少一个分词，得到由各分词构成的分词序列；对所述分词序列中的各分词进行词向量的索引处理，得到由各分词的词向量所构成的词向量序列；对所述词向量序列中的各词向量进行均值运算，得到所述商品的文本特征向量。
90.可选的，所述图像信息处理模块603，具体用于：利用二值化梯度特征提取算法对图像信息的图像进行显著性区域检测处理，得到所述图像的至少一个显著性区域图块；对各所述显著性区域图块分别进行编码处理，得到各所述显著性区域图块对应的图像特征向量；对各所述图像特征向量进行均值运算，得到所述商品的图像特征向量。
91.可选的，所述信息获取模块601，具体用于：
92.获取商品数据集合，所述商品数据集合包括多个商品，以及每个商品的商品类目、商品属性；从对所述商品数据集合的各个商品中选出具有目标商品类目和目标商品属性的至少一个候选商品；从所述至少一个候选商品中确定出所述待识别的第一商品和第二商
品。
93.本技术实施例提供的同款商品的识别装置，其中，通过对第一商品和第二商品在文本维度上的特征和图像维度上的特征进行分析识别，以确定该第一商品和第二商品是否为同款商品，其识别准确率高，识别效果好，便于商家根据同款商品的识别结果进行商品推荐配置。
94.图7为本技术提供的一种电子设备的硬件结构示意图，如图7所示的，本技术实施例提供一种电子设备，电子设备的存储器可用于存储至少一个程序指令，处理器用于执行至少一个程序指令，以实现上述方法实施例的技术方案。其实现原理和技术效果与上述方法相关实施例类似，此处不再赘述。
95.本技术实施例提供一种芯片。芯片包括处理器，处理器用于调用存储器中的计算机程序，以执行上述实施例中的技术方案。其实现原理和技术效果与上述相关实施例类似，此处不再赘述。
96.本技术实施例提供一种计算机程序产品，当计算机程序产品在电子设备运行时，使得电子设备执行上述实施例中的技术方案。其实现原理和技术效果与上述相关实施例类似，此处不再赘述。
97.本技术实施例提供一种计算机可读存储介质，其上存储有程序指令，程序指令被电子设备执行时，使得电子设备执行上述实施例的技术方案。其实现原理和技术效果与上述相关实施例类似，此处不再赘述。
98.以上的具体实施方式，对本技术的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本技术的具体实施方式而已，并不用于限定本技术的保护范围，凡在本技术的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本技术的保护范围之内。