商品详情页的生成方法、装置、终端设备和可读存储介质

技术领域

本申请属于计算机技术领域，尤其涉及一种商品详情页的生成方法、装置、终端设备和可读存储介质。

背景技术

随着互联网技术的飞速发展，越来越多的消费者选择在互联网上购买自己所需的商品，而商家则会为商品制作商品详情页。商品详情页是在线购物平台上商品的详细展示页面，其内包含了商品的详细描述、图片、价格、规格、参数、用户评价等信息，可以帮助消费者了解和评估商品。

在相关技术中，商家在制作商品详情页时，通常需要人工对商品图像进行处理，得到商品详情页，这种做法耗时耗力，效率较低且成本较高。

发明内容

本申请实施例提供一种商品详情页的生成方法、装置、终端设备和可读存储介质，可以解决相关技术中制作商品详情页时效率较低且成本较高的问题。

第一方面，本申请实施例提供了一种商品详情页的生成方法，包括：

获取商品图像以及对应的商品描述；

将商品图像输入图像识别模型，得到对应的商品信息；

基于商品信息以及商品描述生成描述文本；

基于商品图像以及描述文本确定主题风格；

获取主题风格对应的模板；

根据商品图像、描述文本以及模板，生成商品详情页。

第二方面，本申请实施例提供了一种商品详情页的生成装置，包括：

第一获取模块，用于获取商品图像以及对应的商品描述；

输入模块，用于将商品图像输入图像识别模型，得到对应的商品信息；

第一生成模块，用于基于商品信息以及商品描述生成描述文本；

确定模块，用于基于商品图像以及描述文本确定主题风格；

第二获取模块，用于获取主题风格对应的模板；

第二生成模块，用于根据商品图像、描述文本以及模板，生成商品详情页。

第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述商品详情页的生成方法的步骤。

第四方面，本申请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存储有计算机程序，所述计算机程序被处理器执行时实现上述商品详情页的生成方法的步骤。

第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述商品详情页的生成方法。

本申请实施例与现有技术相比的有益效果是：本申请实施例通过获取商品图像以及对应的商品描述，再将商品图像输入图像识别模型，得到对应的商品信息，然后基于商品信息以及商品描述生成描述文本，再基于商品图像以及描述文本确定主题风格，并获取主题风格对应的模板，最后根据商品图像、描述文本以及模板，生成商品详情页。本申请实施例可以根据用户输入的商品图像以及对应的商品描述，自动生成对应风格的商品详情页，生成的商品详情页与用户输入的数据相关性高，同时也提高了生成效率并降低了成本。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请实施例提供的一种商品详情页的生成方法的实现流程示意图；

图2是本申请实施例提供的得到商品信息的实现流程示意图；

图3是本申请实施例提供的生成商品详情页的实现流程示意图；

图4是本申请实施例提供的生成描述文本的实现流程示意图；

图5是本申请实施例提供的确定主题风格的一种实现流程示意图；

图6是本申请实施例提供的确定主题风格的另一种实现流程示意图；

图7是本申请实施例提供的训练图像识别模型的实现流程示意图；

图8是本申请实施例提供的过滤不相关图像的实现流程示意图；

图9是本申请实施例提供的一种商品详情页的生成装置的结构示意图；

图10是本申请实施例提供的终端设备的结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“包括”、“包含”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、终端、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。在本申请的权利要求书、说明书以及说明书附图中的术语，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体/操作/对象与另一个实体/操作/对象区分开来，而不一定要求或者暗示这些实体/操作/对象之间存在任何这种实时的关系或者顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其他实施例相结合。

随着互联网技术的飞速发展，越来越多的消费者选择在互联网上购买自己所需的商品，而商家则会为商品制作商品详情页。商品详情页是在线购物平台上商品的详细展示页面，其内包含了商品的详细描述、图片、价格、规格、参数、用户评价等信息，可以帮助消费者了解和评估商品。在相关技术中，商家在制作商品详情页时，通常需要人工对商品图像进行处理，得到商品详情页，这种做法耗时耗力，效率较低且成本较高。

有鉴于此，本申请实施例可以根据用户输入的商品图像以及对应的商品描述，自动生成对应风格的商品详情页，生成的商品详情页与用户输入的数据相关性高，同时也提高了生成效率并降低了成本。

为了说明本申请的技术方案，下面通过具体实施例来进行说明。

图1示出了本申请实施例提供的一种商品详情页的生成方法的实现流程示意图，该方法可以应用于终端设备上。终端设备可以是手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra－mobile personal computer，UMPC)、上网本等。

具体的，上述商品详情页的生成方法可以包括以下步骤S101至步骤S104。

步骤S101，获取商品图像以及对应的商品描述。

其中，商品图像是关于商品的图像，可以是关于完整的商品的图像（例如一件衣服的完整图像），或关于局部的商品的图像（例如一件衣服的领口）。商品描述是用于描述商品特征的文本，用于介绍对应商品放入特征，例如可以是商品的参数、材质等。

在本申请的实施方式中，用户可以向终端设备上传商品图像，上传的商品图像可以是一张或多张。对于一些商品图像，用户还可以上传对应的商品描述。例如，对于用于介绍商品的材质、参数等信息的商品图像，用户可以上传与该商品图像对应的商品描述，例如介绍材质、参数等信息的商品描述。终端设备可以获取用户实时上传或预先储存在存储器中的商品图像以及对应的商品描述。

步骤S102，将商品图像输入图像识别模型，得到对应的商品信息。

其中，商品信息可以是商品图像中所记载商品的特征信息。例如可以是服装的类型、部位、颜色等。图像识别模型可以采用卷积神经网络，用于识别商品图像的特征，从而得到对应的商品信息。

在本申请的实施方式中，终端设备可以将商品图像输入图像识别模型，由图像识别模型识别商品图像中商品的特征，最终输出对应的商品信息。

步骤S103，基于商品信息以及商品描述生成描述文本。

其中，描述文本可以用于介绍对应的商品的相关信息，其可以是一段自然语言，也可以是一组词语。

在本申请的实施方式中，终端设备可以将商品信息以及商品描述输入文本生成模型，得到描述文本。

步骤S104，基于商品图像以及描述文本确定主题风格。

其中，主题风格可以用于确定商品详情页的设计风格。

在本申请的实施方式中，不同的商品图像对应不同的图像风格，不同的描述文本对应不同的情感色彩。因此终端设备可以对商品图像以及描述文本进行分析，从而确定主题风格。

步骤S105，获取主题风格对应的模板。

其中，不同的主题风格对应不同的模板，用户可以预先将不同主题风格对应的各种模板储存至终端设备的存储器中。

在本申请的实施方式中，确定了主题风格之后，终端设备可以从存储器中调用该主题风格对应的模板。

步骤S106，根据商品图像、描述文本以及模板，生成商品详情页。

在本申请的实施方式中，得到商品图像、描述文本以及模板之后，终端设备可以按照模板的排列设计，将商品图像以及对应的描述文本填充至指定位置，最终生成商品详情页。

可以理解的是，除了实物商品外，虚拟商品（例如电子书、音乐、电影、游戏、软件等）或非实物商品（例如服务类产品），也可以通过上述步骤S101至步骤S106，生成对应的商品详情页。

本申请实施例与现有技术相比的有益效果是：本申请实施例通过获取商品图像以及对应的商品描述，再将商品图像输入图像识别模型，得到对应的商品信息，然后基于商品信息以及商品描述生成描述文本，再基于商品图像以及描述文本确定主题风格，并获取主题风格对应的模板，最后根据商品图像、描述文本以及模板，生成商品详情页。本申请实施例可以根据用户输入的商品图像以及对应的商品描述，自动生成对应风格的商品详情页，生成的商品详情页与用户输入的数据相关性高，同时也提高了生成效率并降低了成本。

如图2所示，在本申请的一些实施方式中，上述将商品图像输入图像识别模型，得到对应的商品信息，具体可以包括步骤S201至步骤S204。

其中，商品信息包括分类结果。

步骤S201，将商品图像输入图像识别模型，得到对应的商品特征。

在本申请的实施方式中，图像识别模型可以识别输入的商品图像的特征。因此终端设备将商品图像输入图像识别模型，可以得到对应的商品特征。

具体的，商品图像输入图像识别模型后，图像识别模型的卷积层可以先对商品图像进行卷积处理，通过卷积核初步提取出商品图像中的特征，再进行卷积运算，将卷积核与商品图像的局部区域进行元素相乘，并将结果相加得到特征图。再由池化层进行池化操作（例如最大池化或平均池化），将特征图的空间维度减小，从而提取出商品特征。

步骤S202，将商品特征映射到对应的特征向量中。

在本申请的实施方式中，终端设备可以通过图像识别模型将商品特征映射到对应的特征向量中。

具体的，提取出商品特征后，图像识别模型的全连接层可以将特征图中的每个像素都连接到下一层的每个神经元上，从而将高维的特征表示转换为适合分类或识别的形式。全连接层可以通过矩阵乘法和激活函数（如ReLU）将商品特征映射到一个固定长度的特征向量中。

步骤S203，基于特征向量计算对应商品图像的相似度。

在本申请的实施方式中，经过上述步骤S201以及步骤S202的处理，每一张商品图像都有其对应的特征向量，此时终端设备可以根据每张商品图像对应的特征向量，采用距离度量方法（例如欧氏距离、余弦相似度等）来计算不同商品图像之间的相似度。

步骤S204，根据相似度对所述商品图像进行分类，得到分类结果。

其中，分类结果用于表示商品图像中商品的类别，即用于表示哪些商品属于同一类。

在本申请的实施方式中，终端设备可以将商品图像的相似度与预设阈值（可以根据实际需要进行设置）进行比较，将不低于预设阈值的商品图像分为一类。应注意，一组商品图像可以分为多个类别，也即分类结果中可以有多个类别。通过对商品图像进行分类，将相似度高的商品图像分到同一类别，便于对商品图像进行管理以及后续的处理。

本申请实施方式通过提取商品图像的商品特征，据此计算图像之间的相似度，最终依据相似度对商品图像进行分类，将商品图像分为不同的类别，可以便于对商品图像进行管理，以及依据商品图像的类别进行进一步处理。

如图3所示，在本申请的一些具体实施方式中，上述根据商品图像、描述文本以及模板，生成商品详情页，具体可以包括步骤S301以及步骤S302。

步骤S301，根据分类结果以及预设的排序策略，对商品图像进行排序，得到商品图像的排列顺序。

其中，排序策略用于指示商品图像如何根据分类结果进行排序。对于不同的商品可以存在不同的排序策略。排列顺序用于指示不同商品图像在商品详情页中的排列顺序。

在本申请的实施方式中，终端设备可以获取预先储存在存储器中或用户实时输入的排序策略，通过排序策略以及在上述步骤S201至步骤S204中得到的分类结果，对商品图像进行排序。

示例性的，假设用户输入了一组关于衣服的商品图像，经过上述分类处理后，这组商品图像的分类结果包括领口、袖口、衣摆、前门襟和后门襟等分类。同时假设终端设备获取一个针对服装的排序策略，其内容为按照从上至下、从前至后的顺序对图像进行排列。此时，终端设备可以根据分类结果以及该排序策略，将该组商品图像的分类结果按照从上到下、从前至后的顺序进行排序，也即按照领口、前门襟、后门襟袖口、衣摆的顺序进行排序。

步骤S302，根据排列顺序、商品图像、描述文本以及模板，生成商品详情页。

在本申请的实施方式中，得到排列顺序、商品图像、描述文本以及模板后，终端设备可以按照商品图像的排列顺序，将商品图像以及对应的描述文本填充至模板内，从而得到商品详情页。

本申请实施方式按照根据分类结果得到的排列顺序对商品图像进行排列，使得最终生成的商品详情页排序更合理，从而提升了用户满意度。

如图4所示，在本申请的一些实施方式中，上述基于所述商品信息以及所述商品描述生成描述文本，具体可以包括步骤S401及步骤S402。

步骤S401，将商品信息以及商品描述输入文本生成模型，逐步生成描述文本。

其中，文本生成模型可以采用自然语言生成技术（NLG），根据输入的信息生成对应的描述文本。

在本申请的实施方式中，终端设备可以将商品信息以及商品描述输入文本生成模型。在生成描述文本的过程中，文本生成模型可以根据当前的上下文、商品信息以及商品描述，基于概率分布从词库中预测下一个最有可能的单词或字符，具体可以使用softmax函数来计算下一个单词或字符的概率，根据概率大小选择最合适的词语，逐步生成描述文本。

步骤S402，当达到终止条件时，停止生成描述文本，输出描述文本。

其中，终止条件可以用于指示停止生成描述文本，具体可以是生成特定长度的文本、生成特定标记的结束符号、达到生成次数的限制等，可以根据需要自行设置。

在本申请的实施方式中，在生成描述文本的过程中，当达到终止条件时，终端设备可以停止生成描述文本，将此时的描述文本输出成为最终的描述文本。例如，当生成特定标记的结束符号（例如句号）时，此时终端设备可以停止生成描述文本，并将此时的描述文本输出成为最终的描述文本。

如图5所示，在本申请的一些实施方式中，上述基于商品图像以及描述文本确定主题风格，具体可以包括步骤S501至步骤S503。

步骤S501，对描述文本进行情感分析，得到描述文本的情感色彩。

在本申请的实施方式中，终端设备可以采用自然语言处理技术，对生成的描述文本进行情感分析，得到描述文本的情感倾向，例如积极、消极、中性等。再根据描述文本的情感倾向，以及预设的情感倾向与情感色彩的对应关系，可以判断出描述文本的情感色彩，例如欢乐、悲伤、轻松等。

步骤S502，对商品图像进行特征分析，得到商品图像的图像风格。

在本申请的实施方式中，终端设备可以利用图像识别模型，对商品图像的颜色、对比度、纹理等特征进行分析，再根据商品图像的特征，以及预设的特征与图像风格之间的对应关系，推测出商品图像的图像风格，例如明亮、柔和、复古等。

步骤S503，基于情感色彩以及图像风格确定主题风格。

在本申请的实施方式中，得到描述文本的情感色彩以及商品图像的图像风格后，终端设备可以结合情感色彩以及图像风格，从而确定主题风格。具体的，可以给描述文本的情感色彩以及商品图像的图像风格赋予权重，再根据文本的情感色彩以及商品图像的图像风格的权重确定主题风格。

本申请实施方式通过对描述文本进行情感分析，以及对商品图像进行特征分析，分别得到描述文本的情感色彩以及商品图像的图像风格，最终可以精准确定主题风格，使得后续生成的商品详情页与描述文本和商品图像的相关性更高。

如图6所示，在本申请的另一些实施方式中，上述基于商品图像以及描述文本确定主题风格，具体还可以包括步骤S601至步骤S604。

步骤S601，获取商品图像的附加数据，并基于附加数据得到商品图像的第一图像风格。

其中，附加数据是采集商品图像时附加的环境数据，例如拍摄时间（可以包括具体时间、季节等）、拍摄地点等。

在本申请的实施方式中，终端设备可以从商品图像中获取其附加数据，并基于附加数据，以及预设的附加数据与第一图像风格的对应关系，得到第一图像风格。

步骤S602，对商品图像进行群体特征分析，提取出商品图像的共同特征，并基于共同特征得到商品图像的第二图像风格。

在本申请的实施方式中，终端设备可以对多张商品图像（例如艺术作品）进行群体特征分析，提取这些商品图像所共有的特征（例如线条、颜色等），再根据商品图像的共同特征，以及共同特征与第二图像风格之间的对应关系，得到第二图像风格。

步骤S603，从描述文本中提取关键词，并基于关键词得到描述文本的风格倾向。

在本申请的实施方式中，终端设备可以提取描述文本中的关键词（例如冬季、寒冷等），再根据关键词，以及预设的关键词与风格倾向之间的对应关系，得到风格倾向。

步骤S604，基于第一图像风格、第二图像风格以及风格倾向确定主题风格。

在本申请的实施方式中，终端设备可以给第一图像风格、第二图像风格以及风格倾向赋予权重，再根据第一图像风格、第二图像风格以及风格倾向的权重确定主题风格。

可以理解的是，终端设备可以同时结合描述文本的情感色彩、商品图像的图像风格、商品图像的第一图像风格、商品图像的第二图像风格以及风格倾向中的一种或多种，对其赋予权重，从而确定最终的主题风格。

在利用图像识别模型分析商品图像的特征，得到对应的商品信息之前，需要先对图像识别模型进行训练。如图7所示，在上述将商品图像输入图像识别模型，得到对应的商品信息之前，上述方法还可以包括步骤S701至步骤S705。

步骤S701，构建待训练图像识别模型。

在本申请的实施方式中，可以采用卷积神经网络（CNN）构建待训练图像识别模型。具体可以根据实际需要选择不同的CNN架构，例如LeNet、AlexNet、VGG、ResNet等。

步骤S702，获取待训练图像，并对待训练图像进行预处理，得到训练集。

在本申请的实施方式中，终端设备可以从网络上大批量获取商品图像，也可以获取用户输入的商品图像，并将这些商品图像作为待训练图像，对其进行预处理，得到训练集。

具体的预处理过程可以包括：标准化、尺寸调整、数据增强等操作。标准化可以使数据具有零均值和单位方差，以提高模型的稳定性和收敛速度。尺寸调整可以将不同尺寸的图片调整为相同的大小，以便于输入到网络中。数据增强可以通过旋转、翻转、平移、缩放等方式生成更多的训练样本，增加数据的多样性和鲁棒性。

步骤S703，定义损失函数。

其中，损失函数用于监督待训练图像识别模型进行训练。

在本申请的实施方式中，终端设备可以根据实际需要，定义合适的损失函数。例如，在分类任务中，使用交叉熵损失函数；在目标检测任务中，使用边界框回归损失和分类损失的组合损失函数。

步骤S704，利用训练集对待训练图像识别模型进行训练。

在本申请的实施方式中，终端设备可以将训练集输入待训练图像识别模型，对待训练图像识别模型进行训练。训练过程是通过反向传播算法来优化网络参数的过程。

具体的，在每一轮训练中，终端设备可以将批量的商品图像输入待训练图像识别模型进行前向传播，计算损失函数的值，然后通过反向传播算法计算参数的梯度，并更新参数。

步骤S705，当满足训练停止条件时，停止对待训练图像识别模型进行训练，得到图像识别模型。

在本申请的实施方式中，当满足训练停止条件时（例如达到预设的训练轮次、损失函数的值达到预设值等），此时可以视为模型训练完成，此时终端设备可以停止对待训练图像识别模型进行训练，得到图像识别模型。

在一些场景中，用户输入的商品图像中，可能混入了一些不相关的图像，若将不相关的图像制作进商品详情页，容易用户不满意生成的商品详情页，需要重新生成商品详情页。

有鉴于此，如图8所示，在上述基于商品信息以及商品描述生成描述文本之后，在上述基于商品图像以及描述文本确定主题风格之前，上述方法还可以包括步骤S801至步骤S808。

步骤S801，将商品图像输入图像识别模型，得到对应的商品特征。

步骤S802，将商品特征映射到对应的特征向量中。

步骤S803，基于特征向量计算对应商品图像的第一相似度。

在本申请的实施方式中，第一相似度与上述步骤S203中的相似度一致。上述步骤S801至步骤S803的具体操作过程可以参考上述步骤S201至步骤S203，此处不再赘述。

步骤S804，将第一相似度低于第一相似度阈值的商品图像进行过滤。

在本申请的实施方式中，第一相似度阈值可以根据实际需要自行设置，当某张商品图像的第一相似度低于第一相似度阈值时，则可以说明该商品图像是不相干图像，可以将之过滤，以免影响后续生成商品详情页。

步骤S805，将描述文本向量化，得到描述文本向量。

在本申请的实施方式中，终端设备可以使用词袋模型、TF-IDF、Word2Vec等技术，将描述文本向量化，得到描述文本向量。

步骤S806，将对应的商品描述向量化，得到商品描述向量。

在本申请的实施方式中，终端设备可以使用词袋模型、TF-IDF、Word2Vec等技术，对上述步骤S805中描述文本对应的商品描述，进行向量化，得到商品描述向量。

步骤S807，计算描述文本向量与对应的商品描述向量之间的第二相似度。

在本申请的实施方式中，终端设备可以计算得到描述文本向量与对应的商品描述向量之间的第二相似度。

步骤S808，将第二相似度低于第二相似度阈值的商品图像进行过滤。

在本申请的实施方式中，第二相似度阈值可以根据实际需要自行设置，当某张商品图像对应的第二相似度低于第二相似度阈值时，则可以说明该商品图像是不相干图像，可以将之过滤，以免影响后续生成商品详情页。

本申请实施方式通过计算商品图像之间的相似度，以及描述文本与商品描述之间的相似度，对相似度低于相似度阈值的商品图像进行双重过滤，进一步避免了生成的商品详情页中存在不相关图像，从而提升了用户的使用体验。

图9示出了本申请实施例提供的一种商品详情页的生成装置的结构示意图，上述商品详情页的生成装置9可以配置于终端设备上，具体的，上述商品详情页的生成装置9，可以包括：

第一获取模块901，用于获取商品图像以及对应的商品描述；

输入模块902，用于将商品图像输入图像识别模型，得到对应的商品信息；

第一生成模块903，用于基于商品信息以及商品描述生成描述文本；

确定模块904，用于基于商品图像以及描述文本确定主题风格；

第二获取模块905，用于获取主题风格对应的模板；

第二生成模块906，用于根据商品图像、描述文本以及模板，生成商品详情页。

本申请实施例与现有技术相比的有益效果是：本申请实施例通过获取商品图像以及对应的商品描述，再将商品图像输入图像识别模型，得到对应的商品信息，然后基于商品信息以及商品描述生成描述文本，再基于商品图像以及描述文本确定主题风格，并获取主题风格对应的模板，最后根据商品图像、描述文本以及模板，生成商品详情页。本申请实施例可以根据用户输入的商品图像以及对应的商品描述，自动生成对应风格的商品详情页，生成的商品详情页与用户输入的数据相关性高，同时也提高了生成效率并降低了成本。

在本申请的一些实施方式中，商品信息包括分类结果，上述输入模块902还用于：将商品图像输入图像识别模型，得到对应的商品特征；将商品特征映射到对应的特征向量中；基于特征向量计算对应商品图像的相似度；根据相似度对商品图像进行分类，得到分类结果。

在本申请的一些实施方式中，上述第二生成模块906还用于：根据分类结果以及预设的排序策略，对商品图像进行排序，得到商品图像的排列顺序；根据排列顺序、商品图像、描述文本以及模板，生成商品详情页。

在本申请的一些实施方式中，上述第一生成模块903还用于：将商品信息以及商品描述输入文本生成模型，逐步生成描述文本；当达到终止条件时，停止生成描述文本，输出描述文本。

在本申请的一些实施方式中，上述确定模块904还用于：对描述文本进行情感分析，得到描述文本的情感色彩；对商品图像进行特征分析，得到商品图像的图像风格；基于情感色彩以及图像风格确定主题风格。

在本申请的一些实施方式中，上述商品详情页的生成装置9还可以包括训练模块，用于：构建待训练图像识别模型；获取待训练图像，并对待训练图像进行预处理，得到训练集；定义损失函数，损失函数用于监督待训练图像识别模型进行训练；利用训练集对待训练图像识别模型进行训练；当满足训练停止条件时，停止对待训练图像识别模型进行训练，得到图像识别模型。

在本申请的一些实施方式中，上述商品详情页的生成装置9还可以包括过滤模块，用于：将商品图像输入图像识别模型，得到对应的商品特征；将商品特征映射到对应的特征向量中；基于特征向量计算对应商品图像的第一相似度；将第一相似度低于第一相似度阈值的商品图像进行过滤；将描述文本向量化，得到描述文本向量；将对应的商品描述向量化，得到商品描述向量；计算描述文本向量与对应的商品描述向量之间的第二相似度；将第二相似度低于第二相似度阈值的商品图像进行过滤。

如图10所示，为本申请实施例提供的一种终端设备的示意图。该终端设备10可以包括：处理器1001、存储器1002以及存储在所述存储器1002中并可在所述处理器1001上运行的计算机程序1003，例如生成程序。所述处理器1001执行所述计算机程序1003时实现上述各个商品详情页的生成方法实施例中的步骤，例如图1所示的步骤S101至步骤S106。或者，所述处理器1001执行所述计算机程序1003时实现上述各装置实施例中各模块/单元的功能，例如图9所示的第一获取模块901、输入模块902、第一生成模块903、确定模块904、第二获取模块905、第二生成模块906。

所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器1002中，并由所述处理器1001执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。

所述终端设备可包括，但不仅限于，处理器1001、存储器1002。本领域技术人员可以理解，图10仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器1001可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器1002可以是所述终端设备的内部存储单元，例如终端设备的硬盘或内存。所述存储器1002也可以是所述终端设备的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器1002还可以既包括所述终端设备的内部存储单元也包括外部存储设备。所述存储器1002用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器1002还可以用于暂时地存储已经输出或者将要输出的数据。

需要说明的是，为描述的方便和简洁，上述终端设备的结构还可以参考方法实施例中对结构的具体描述，在此不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例还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存储有计算机程序，所述计算机程序被处理器执行时可实现上述商品详情页的生成方法中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时可实现上述商品详情页的生成方法中的步骤。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对各个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（RandomAccess Memory，RAM）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。