信息输出方法和装置与流程

本申请实施例涉及计算机
技术领域：
，具体涉及互联网
技术领域：
，尤其涉及信息输出方法和装置。
背景技术：
：随着智能移动设备的日益普及、深度学习在图像领域的快速发展以及计算机高性能存储与计算硬件的发展，基于图像的搜索技术得到了快速的发展与广泛的应用。用户在使用图像搜索功能时，只需拍一张照片，就可以精准、快速地搜索到相同或者相似的物品。图像搜索的核心技术是用高维的数值型特征向量来记录图像中的重要信息(如主体、颜色等)，然后把特征向量以一定的格式加载到内存中，最后基于这些内存中的数据对用户实时请求进行召回。技术实现要素：本申请实施例的目的在于提出一种信息输出方法和装置。第一方面，本申请实施例提供了一种信息输出方法，该方法包括：响应于接收到包括图像的搜索请求，从图像中提取第一特征向量；获取至少一个第二特征向量，其中，至少一个第二特征向量中每个第二特征向量是从至少一个候选物品的图像中的每个候选物品的图像中提取的；分别确定第一特征向量与各个第二特征向量之间的距离；按照距离由小到大的顺序确定预定数目个候选物品，并输出与所确定的候选物品的候选物品名称匹配的搜索结果。在一些实施例中，分别确定第一特征向量与各个第二特征向量之间的距离，包括：对于至少一个候选物品的图像中的每个图像的第二特征向量，对该第二特征向量按照预定段数分段，得到至少一个特征向量段，并确定出各特征向量段与第一特征向量之间的距离之和作为第一特征向量与各个候选物品的图像对应的第二特征向量之间的距离。在一些实施例中，每个特征向量段与一个段序号相对应；以及确定出各特征向量段与第一特征向量之间的距离之和作为第一特征向量与各个候选物品的图像对应的第二特征向量之间的距离，包括：对于每个段序号，对该段序号对应的至少一个候选物品的图像的各个特征向量段进行聚类，得到该段序号对应特征向量段所属的至少一个类中心；根据至少一个候选物品的名称和各段序号对应的至少一个类中心的对应关系生成类中心对应的候选物品名称列表；对于每个段序号，根据类中心对应的候选物品名称列表确定第一特征向量与该段序号所对应的特征向量段所属的类中心的距离，并生成该段序号对应的子距离表，再根据各个段序号对应的子距离表生成距离表；对于至少一个候选物品中的每个候选物品，读取距离表中第一特征向量与所确定出的各个特征向量段所属的各个类中心的距离，并将该候选物品的图像的各特征向量段对应的各距离之和作为第一特征向量与该候选物品的图像的第二特征向量之间的距离。在一些实施例中，读取距离表中第一特征向量与所确定出的各个特征向量段所属的各个类中心的距离，包括：首次读取距离表时，从内存中读取距离表中第一特征向量与所确定出的各个特征向量段所属的各个类中心的距离，并写入缓存；非首次读取距离表时，从缓存中读取距离表中第一特征向量与所确定出的各个特征向量段所属的各个类中心的距离。在一些实施例中，从图像中提取第一特征向量，包括：利用卷积神经网络从图像中提取第一特征向量。在一些实施例中，按照距离由小到大的顺序选取预定数目个候选物品，包括：利用红黑树查找与第一特征向量距离最近的预定数目个候选物品的图像的第二特征向量对应的候选物品名称。第二方面，本申请实施例提供了一种信息输出装置，该装置包括：提取单元，用于响应于接收到包括图像的搜索请求，从图像中提取第一特征向量；获取单元，用于获取至少一个第二特征向量，其中，至少一个第二特征向量中每个第二特征向量是从至少一个候选物品的图像中的每个候选物品的图像中提取的；距离确定单元，用于分别确定第一特征向量与各个第二特征向量之间的距离；输出单元，用于按照距离由小到大的顺序确定预定数目个候选物品，并输出与所确定的候选物品的候选物品名称匹配的搜索结果。在一些实施例中，距离确定单元进一步用于：对于至少一个候选物品的图像中的每个图像的第二特征向量，对该第二特征向量按照预定段数分段，得到至少一个特征向量段，并确定出各特征向量段与第一特征向量之间的距离之和作为第一特征向量与各个候选物品的图像对应的第二特征向量之间的距离。在一些实施例中，每个特征向量段与一个段序号相对应；以及距离确定单元进一步用于：对于每个段序号，对该段序号对应的至少一个候选物品的图像的各个特征向量段进行聚类，得到该段序号对应特征向量段所属的至少一个类中心；根据至少一个候选物品的名称和各段序号对应的至少一个类中心的对应关系生成类中心对应的候选物品名称列表；对于每个段序号，根据类中心对应的候选物品名称列表确定第一特征向量与该段序号所对应的特征向量段所属的类中心的距离，并生成该段序号对应的子距离表，再根据各个段序号对应的子距离表生成距离表；对于至少一个候选物品中的每个候选物品，读取距离表中第一特征向量与所确定出的各个特征向量段所属的各个类中心的距离，并将该候选物品的图像的各特征向量段对应的各距离之和作为第一特征向量与该候选物品的图像的第二特征向量之间的距离。在一些实施例中，距离确定单元进一步用于：首次读取距离表时，从内存中读取距离表中第一特征向量与所确定出的各个特征向量段所属的各个类中心的距离，并写入缓存；非首次读取距离表时，从缓存中读取距离表中第一特征向量与所确定出的各个特征向量段所属的各个类中心的距离。在一些实施例中，提取单元进一步用于：利用卷积神经网络从图像中提取第一特征向量。在一些实施例中，输出单元进一步用于：利用红黑树查找与第一特征向量距离最近的预定数目个候选物品的图像的第二特征向量对应的候选物品名称。第三方面，本申请实施例提供了一种服务器，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一的方法。第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，程序被处理器执行时实现如第一方面中任一的方法。本申请实施例提供的信息输出方法和装置，通过比较待搜索图像的特征向量和候选物品的图像的特征向量之间的距离来确定出与待搜索图像相同或相似的候选物品的图像匹配的搜索结果。从而降低图像搜索的复杂度并提高了图像搜索的速度。附图说明通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：图1是本申请可以应用于其中的示例性系统架构图；图2是根据本申请的信息输出方法的一个实施例的流程图；图3是根据本申请的信息输出方法的一个应用场景的示意图；图4是根据本申请的信息输出方法的又一个实施例的流程图；图5是根据本申请的信息输出方法的类中心对应的候选物品名称列表的示意图；图6是根据本申请的信息输出装置的一个实施例的结构示意图；图7是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。具体实施方式下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。图1示出了可以应用本申请的信息输出方法或信息输出装置的实施例的示例性系统架构100。如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、mp3播放器(movingpictureexpertsgroupaudiolayeriii，动态影像专家压缩标准音频层面3)、mp4(movingpictureexpertsgroupaudiolayeriv，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的网页提供支持的后台搜索服务器。后台搜索服务器可以对接收到的图像搜索请求等数据进行分析等处理，并将处理结果(例如搜索结果)反馈给终端设备。需要说明的是，本申请实施例所提供的信息输出方法一般由服务器105执行，相应地，信息输出装置一般设置于服务器105中。应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。继续参考图2，示出了根据本申请的信息输出方法的一个实施例的流程200。该信息输出方法，包括以下步骤：步骤201，响应于接收到包括图像的搜索请求，从图像中提取第一特征向量。在本实施例中，信息输出方法运行于其上的电子设备(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行图像搜索的终端接收搜索请求，其中搜索请求中包括了待搜索的图像。从该图像中提取用于表征图像特征的第一特征向量。常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征等。图像特征提取的主要目的是降维。图像特征抽取的主要思想是将原始样本投影到一个低维特征空间，得到最能反应样本本质或进行样本区分的低维样本特征。例如可通过方向梯度直方图(histogramoforientedgradient,hog)方法提取图像的特征向量。在本实施例的一些可选的实现方式中，利用cnn(conventionalneuralnetwork，卷积神经网络)从图像中提取第一特征向量。卷积神经网络是一种人工神经网络。卷积神经网络通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。深度学习的实质，是通过构建具有很多隐层的机器学习模型和海量的训练数据，来学习更有用的特征，从而融合后提升分类或预测的准确性。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息。步骤202，获取至少一个第二特征向量。在本实施例中，至少一个第二特征向量中每个第二特征向量是从至少一个候选物品的图像中的每个候选物品的图像中提取的。可从第三方服务器获取预先存储的从海量候选物品的图像中提取的第二特征向量。其中，第二特征向量的提取方法与第一特征向量的提取方法相同。搜索请求中可包括搜索类别，可根据搜索类别选取指定类别的候选物品对应的第二特征向量。例如，搜索类别为服装，则无需获取鞋类等候选物品对应的第二特征向量，只需要获取服装类别的候选物品对应的第二特征向量。步骤203，分别确定第一特征向量与各个第二特征向量之间的距离。在本实施例中，第一特征向量与第二特征向量间的距离用于表征两个特征向量之间的相似度，可以用欧氏距离来衡量。距离越小则相似度越高。例如，待搜索的图像的第一特征向量为m。3个候选物品a、b、c的图像得到的三个第二特征向量分别为a，b，c。需要分别确定m与a之间的距离x，m与b之间的距离y，m与c之间的距离z。如果x>y>z，则说明候选物品a、b、c的图像与待搜索图像的相似度排序为a<b<c。在本实施例的一些可选的实现方式中，分别确定第一特征向量与各个第二特征向量之间的距离，包括：对于至少一个候选物品的图像中的每个图像的第二特征向量，对该第二特征向量按照预定段数分段，得到至少一个特征向量段，并确定出各特征向量段与第一特征向量之间的距离之和作为第一特征向量与各个候选物品的图像对应的第二特征向量之间的距离。由于特征向量的维度过大，导致处理速度过慢，因此需要对特征向量进行降维处理。将每个第二特征向量进行均分。例如原始第二特征向量的维度为768，分成128段后，每段特征向量对应原始第二特征向量的6个维度。计算出每个候选物品的图像每段特征向量与第一特征向量的距离。将一个候选物品的图像的128段第二特征向量与第一特征向量的距离之和作为该候选物品的图像的第二特征向量与第一特征向量的距离。可选的，通过乘积量化将该第二特征向量进行降维处理。乘积量化可以在内存和效率之间求得一个平衡，既保证图像索引结构需要的内存足够，又使得检索质量和速度比较好。对于任何基于固定维数特征的事物，它可以应用到其索引结构的建立及检索上。步骤204，按照距离由小到大的顺序确定预定数目个候选物品，并输出与所确定的候选物品的候选物品名称匹配的搜索结果。在本实施例中，按照距离由小到大的顺序确定预定数目个候选物品，即按照相似度由大到小的顺序预定数目个候选物品。找到与待搜索的图像最接近的预定数目个候选物品的图像所对应的候选物品名称。其中，候选物品名称用于标识候选物品，可以是候选物品的真实名称也可以是候选物品的编号。根据确定出的候选物品名称进行搜索。可以得到使用文本搜索时同等效力的搜索结果。例如，接收到的图片是花的图片，通过特征比对找到了最接近的候选物品是牡丹花，则可将“牡丹花”文本作为搜索关键词进行搜索，得到与牡丹花匹配的搜索结果。在本实施例的一些可选的实现方式中，利用红黑树查找与第一特征向量距离最近的预定数目个候选物品的图像的第二特征向量对应的候选物品名称。红黑树(redblacktree)是一种自平衡二叉查找树，是在计算机科学中用到的一种数据结构，典型的用途是实现关联数组。由于红黑树也是二叉查找树，它们当中每一个节点的比较值都必须大于或等于在它的左子树中的所有节点，并且小于或等于在它的右子树中的所有节点。这确保红黑树运作时能够快速的在树中查找给定的值。继续参见图3，图3是根据本实施例的信息输出方法的应用场景的一个示意图。在图3的应用场景中，用户首先通过终端300发起一个包括图像301的搜索请求；之后，搜索服务器可以后台获取上述图像的内容，并提取出待搜索图像的第一特征向量；然后，上述搜索服务器从其预存储的候选物品的图像的第二特征向量中确定出与第一特征向量距离最近的一个或多个第二特征向量，从而确定出与待搜索图像301相同或相近的候选物品的图像对应的候选物品名称；最后，上述搜索服务器可以搜索与确定出的候选物品名称匹配的搜索结果302并向用户的终端推送。本申请的上述实施例提供的方法通过比较待搜索图像的特征向量与候选物品的特征向量之间的距离来确定出与待搜索图像相同或相似的候选物品的名称，从而将名称作为搜索关键词得到搜索结果，简化了图像搜索的过程，从而降低图像搜索的复杂度，实现了提高图像搜索的速度的效果。进一步参考图4，其示出了信息输出方法的又一个实施例的流程400。该信息输出方法的流程400，包括以下步骤：步骤401，响应于接收到包括图像的搜索请求，从图像中提取第一特征向量。步骤402，获取至少一个第二特征向量。步骤401-402与步骤201-202基本相同，因此不再赘述。步骤403，对于至少一个候选物品的图像中的每个图像的第二特征向量，对该第二特征向量按照预定段数分段，得到至少一个特征向量段。在本实施例中，由于特征向量的维度过大，导致处理速度过慢，因此需要对特征向量进行降维处理。将每个第二特征向量进行均分。例如原始第二特征向量的维度为768，分成128段后，每段特征向量对应原始第二特征向量的6个维度。每段特征向量与一个段序号对应，例如，可将128段特征向量连续编号为1、2、3、4……128。步骤404，对于每个段序号，对该段序号对应的至少一个候选物品的图像的各个特征向量段进行聚类，得到该段序号对应特征向量段所属的至少一个类中心。在本实施例中，可通过k-means等聚类算法对每个段序号对应的特征向量段进行聚类。k-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。例如，有3个候选物品的图像，每个候选物品的图像分别对应第二特征向量a、b、c，将每个第二特征向量分成128段，第二特征向量a分段后的每段特征向量可表示为a1、a2……a128，第二特征向量b分段后的每段特征向量可表示为b1、b2……b128。第二特征向量c分段后的每段特征向量可表示为c1、c2……c128。然后根据段序号分别进行聚类，例如，将段序号为1的3个候选物品的图像a1、b1、c1聚类，可得到两个类中心。将段序号为2的3个候选物品的图像a2、b2、c2聚类，可得到一个类中心……。进行128次聚类操作，为每个段序号找到对应的一个或多个类中心。步骤405，根据至少一个候选物品的名称和各段序号对应的至少一个类中心的对应关系生成类中心对应的候选物品名称列表。在本实施例中，把属于同一段的同一个类中心的候选物品名称归集到一个列表中，如图5所示，s1c1代表第1段的第1个类中心，箭头指向属于该类中心的候选物品名称列表，列表中包括候选物品名称u1、u5、u8……ui，其中，ui是表示第1段的第1个类中心对应的候选物品名称。s1c2代表第1段的第2个类中心，箭头指向属于该类中心的候选物品名称列表，列表中包括候选物品名称u3、u7、u10……uj，其中，uj是表示第1段的第2个类中心对应的候选物品名称。smcn代表第m段的第n个类中心，箭头指向属于该类中心的候选物品名称列表，列表中包括候选物品名称u2、u4、u9……uk，其中，uk是表示第m段的第n个类中心对应的候选物品名称。步骤406，对于每个段序号，根据类中心对应的候选物品名称列表确定第一特征向量与该段序号所对应的特征向量段所属的类中心的距离，并生成该段序号对应的子距离表，再根据各个段序号对应的子距离表生成距离表。在本实施例中，依次计算第一特征向量与每个段序号对应的类中心的距离，每个段序号对应一个子距离表，如表1中所示的一行，汇总成完整的距离表中，如表1所示。其中，k是段序号，c1、c2…..cn是类中心，n是类中心的编号。段序号与c1的距离与c2的距离……与cn的距离1d11d12……d1n2d21d22……d2n…………………………kdk1dk2……dkn表1步骤407，对于至少一个候选物品中的每个候选物品，读取距离表中第一特征向量与所确定出的各个特征向量段所属的各个类中心的距离，并将该候选物品的图像的各特征向量段对应的各距离之和作为第一特征向量与该候选物品的图像的第二特征向量之间的距离。在本实施例中，依次遍历每一段序号对应的每个类中心对应的候选物品名称列表，如图5所示的每一列。同时，根据每个候选物品的图像的各段特征向量所对应的类中心，累加表1中相应段和类中心的距离值(如候选物品u1的特征向量的第一段对应的类中心为s1c1，而s1c1对应的距离值是表1中的d11，候选物品u1的特征向量的第二段对应的类中心为s2c1，而s2c1对应的距离值是表1中的d21……累加k段对应的距离值d11+d21+……+dkn，其中k表示段序号，n表示该段序号对应的类中心)作为第一特征向量与该候选物品的图像的第二特征向量之间的距离，如表2所示。候选物品名称1234……n距离d1d2d3d4dn表2在本实施例的一些可选的实现方式中，读取距离表中第一特征向量与所确定出的各个特征向量段所属的各个类中心的距离，包括：首次读取距离表时，从内存中读取距离表中第一特征向量与所确定出的各个特征向量段所属的各个类中心的距离，并写入缓存；非首次读取距离表时，从缓存中读取距离表中第一特征向量与所确定出的各个特征向量段所属的各个类中心的距离。操作系统读取数据的优先级从高到低依次为缓存、内存、磁盘，因此，在计算待搜索图像与候选物品相似度(即，图像的特征向量之间的距离)的过程中，操作系统获取表1中的数据时，首先会从缓存中读取，如果缓存未命中，则会从内存中读取。对于图5中的每一个候选物品名称列表，表1中对应的距离值只在计算第一个候选物品的图像的特征向量与待搜索图像的特征向量之间的距离时会从内存中读取一次，并写入缓存，其余候选物品的图像的特征向量计算时都会命中缓存，减少了计算时间。例如，计算s1c1对应的候选物品名称列表时，首先计算待搜索图像的特征向量与候选物品u1的特征向量的距离，此时操作系统会将相应的距离值从内存拷贝到缓存，接着计算待搜索图像的特征向量与候选物品u5、u8、ui的特征向量的距离时，都会命中缓存。在实际应用中，以上衣类目为例，所有参与离线建库的上衣商品约1000万，特征维度是768，乘积量化降维到128段，每段聚类的类目个数为512。对于用户的实时请求，在召回阶段计算待搜索图像跟1000万个商品的图像的乘积量化距离时，如果采用未优化的方法来平均耗时约600ms，而采用提高缓存命中率后的方法平均耗时约200ms。步骤408，按照距离由小到大的顺序确定预定数目个候选物品，并输出与所确定的候选物品的候选物品名称匹配的搜索结果。步骤408与步骤204基本相同，因此不再赘述。从图4中可以看出，与图2对应的实施例相比，本实施例中的信息输出方法的流程400突出了通过读取缓存中存储的距离数据来计算特征向量间距离的步骤。由此，本实施例描述的方案可以减少读取内存的次数，从而提高了图像搜索的速度。进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种信息输出装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。如图6所示，本实施例的信息输出装置600包括：提取单元601、获取单元602、距离确定单元603和输出单元604。其中，提取单元601用于响应于接收到包括图像的搜索请求，从图像中提取第一特征向量；获取单元602用于获取至少一个第二特征向量，其中，至少一个第二特征向量中每个第二特征向量是从至少一个候选物品的图像中的每个候选物品的图像中提取的；距离确定单元603用于分别确定第一特征向量与各个第二特征向量之间的距离；输出单元604用于按照距离由小到大的顺序确定预定数目个候选物品，并输出与所确定的候选物品的候选物品名称匹配的搜索结果。在本实施例中，信息输出装置600的提取单元601、获取单元602、距离确定单元603和输出单元604的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。在本实施例的一些可选的实现方式中，距离确定单元603进一步用于：对于至少一个候选物品的图像中的每个图像的第二特征向量，对该第二特征向量按照预定段数分段，得到至少一个特征向量段，并确定出各特征向量段与第一特征向量之间的距离之和作为第一特征向量与各个候选物品的图像对应的第二特征向量之间的距离。在本实施例的一些可选的实现方式中，每个特征向量段与一个段序号相对应；以及距离确定单元603进一步用于：对于每个段序号，对该段序号对应的至少一个候选物品的图像的各个特征向量段进行聚类，得到该段序号对应特征向量段所属的至少一个类中心；根据至少一个候选物品的名称和各段序号对应的至少一个类中心的对应关系生成类中心对应的候选物品名称列表；对于每个段序号，根据类中心对应的候选物品名称列表确定第一特征向量与该段序号所对应的特征向量段所属的类中心的距离，并生成该段序号对应的子距离表，再根据各个段序号对应的子距离表生成距离表；对于至少一个候选物品中的每个候选物品，读取距离表中第一特征向量与所确定出的各个特征向量段所属的各个类中心的距离，并将该候选物品的图像的各特征向量段对应的各距离之和作为第一特征向量与该候选物品的图像的第二特征向量之间的距离。在本实施例的一些可选的实现方式中，距离确定单元603进一步用于：首次读取距离表时，从内存中读取距离表中第一特征向量与所确定出的各个特征向量段所属的各个类中心的距离，并写入缓存；非首次读取距离表时，从缓存中读取距离表中第一特征向量与所确定出的各个特征向量段所属的各个类中心的距离。在本实施例的一些可选的实现方式中，提取单元601进一步用于：利用卷积神经网络从图像中提取第一特征向量。在本实施例的一些可选的实现方式中，输出单元604进一步用于：利用红黑树查找与第一特征向量距离最近的预定数目个候选物品的图像的第二特征向量对应的候选物品名称。下面参考图7，其示出了适于用来实现本申请实施例的服务器的计算机系统700的结构示意图。图7示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。如图7所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram703中，还存储有系统700操作所需的各种程序和数据。cpu701、rom702以及ram703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分707；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如”c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括提取单元、获取单元、距离确定单元和输出单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，提取单元还可以被描述为“响应于接收到包括图像的搜索请求，从所述图像中提取第一特征向量的单元”。作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：响应于接收到包括图像的搜索请求，从图像中提取第一特征向量；获取至少一个第二特征向量，其中，至少一个第二特征向量中每个第二特征向量是从至少一个候选物品的图像中的每个候选物品的图像中提取的；分别确定第一特征向量与各个第二特征向量之间的距离；按照距离由小到大的顺序确定预定数目个候选物品，并输出与所确定的候选物品的候选物品名称匹配的搜索结果。以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。当前第1页12