CN112712494B - 用于提供产品图像建议的系统和方法 - Google Patents

Abstract

本发明涉及用于提供产品图像建议的系统和方法。对于在线销售的产品，在图像中显示产品的方式可能会影响产品的销售。本公开的实施例涉及在生成产品的图像时向用户提供建议的计算机实现的系统和方法。一种方法包括获得产品图像并确定产品图像的参数。然后使用模型生成修改产品图像的建议，所述模型将这些参数关联至产品图像的市场成功。在用户设备上显示建议，并且用户可以通过遵循建议来潜在地改善后续产品图像。

Description

用于提供产品图像建议的系统和方法

优先权声明

本申请要求对提交于2019年10月24日的美国专利申请序列号16/662,211和提交于2020年7月30日的欧洲专利申请序列号20188509.2的优先权。

技术领域

本申请涉及图像的生成，并且在特定实施例中，涉及用于电子商务的产品图像的生成。

背景技术

在在线购物时，消费者经常基于产品在在线商店中的展示情况来判断产品的质量。特别地，消费者可以基于图像中的产品的视觉表示来判断产品的质量。因此，在图像中显示产品的方式能够影响销售。

专业的产品摄影师在拍摄产品时经常使用特定的一组参数和条件，这有助于确保该产品将对消费者有吸引力。然而，电子商务平台上的许多商家用不起专业的产品摄影师，而是替代地选择自己拍摄其产品。这些商家可能不知道拍摄其产品时要使用的适当的参数和条件，并且因此可能会损害其产品的销售。在某些情况下，商家可能依赖于漫长的试错过程才能确定哪些产品图像对他们的消费者有吸引力。

发明内容

在一些实施例中，公开了一种计算机实现的系统，其目的在于在产品摄影或生成产品图像的任何其他过程期间向用户提供快速反馈，以改善用户的产品图像的质量。

在本公开的一些实施例中，计算机实现的系统获得并分析由用户生成的产品图像，并主动向用户提供建议以改善产品图像质量。该计算机实现的系统包括存储产品图像模型的存储器。该产品图像模型将产品图像的可衡量参数关联至产品图像的预期市场成功（market success）。该计算机实现的系统还包括处理器，其要从用户设备获得产品图像，并使用上述产品图像模型来确定产品图像的质量。在产品图像没有被确定为高质量的情况下，处理器生成用于改善产品图像的质量的至少一个建议。用于改善图像质量的建议可包括指导或劝告，诸如例如：“使用更浅的背景”、“将相机移近产品”、“将产品逆时针旋转20°”、以及“使用更亮的光源”。该计算机实现的系统还可以指导用户设备自动调整某些相机设置。该计算机实现的系统还包括软件应用，其指导用户设备的用户界面向用户显示建议。在一些实现中，建议覆盖或叠加在产品图像上。

根据本公开的一个方面，提供了一种计算机实现的方法。该方法包括在存储器中存储将产品图像的参数关联至产品图像的市场成功的模型。该方法还包括获得特定产品图像，该特定产品图像是由用户设备生成的，以及确定该特定产品图像的特定参数。该方法还包括：使用模型和特定参数来生成用于修改特定产品图像的建议；以及指导用户设备在用户设备上显示建议。

在一些实施例中，模型包括包含期望参数的查找表，并且生成建议包括将特定参数与期望参数进行比较。

在一些实施例中，模型是使用机器学习算法来实现的，并且生成建议包括将特定参数输入到机器学习算法中。生成建议还包括使用机器学习算法来计算特定产品图像的市场成功的预测，其中建议与对特定产品图像的市场成功的预测的改善相关联。可选地，机器学习算法包括神经网络，并且生成建议还包括确定对神经网络的修改，该修改对特定产品图像的市场成功的预测产生改善。生成建议是基于对神经网络的修改。

在一些实施例中，获得特定产品图像包括从用户设备接收特定产品图像。

在一些实施例中，指导用户设备显示建议包括将建议传输到用户设备。

在一些实施例中，确定特定产品图像的特定参数包括对特定产品图像执行图像分析。

在一些实施例中，该方法还包括获得在特定产品图像中显示的产品的描述，其中确定特定产品图像的特定参数包括基于产品的描述来确定特定产品图像的参数。

在一些实施例中，该方法还包括获得指示用户设备的能力的数据，其中确定特定产品图像的特定参数包括基于用户设备的能力来确定特定产品图像的参数。

在一些实施例中，生成建议包括生成建议以改善特定产品图像的市场成功。

在一些实施例中，生成建议包括为用户设备的用户生成指导。

在一些实施例中，该方法还包括基于建议来指导用户设备调整用户设备上的设置。

在一些实施例中，指导用户设备显示建议包括指导用户设备在特定产品图像显示在用户设备上的同时显示建议。

在一些实施例中，特定产品图像是第一产品图像，并且指导用户设备显示建议包括：指导用户设备在第二产品图像显示在用户设备上的同时显示建议，第二产品图像是由用户设备捕获的。

在一些实施例中，特定产品图像是第一产品图像，并且特定参数是第一多个参数。此外，该方法还包括获得针对与第一产品图像相同的产品或对象的第二产品图像，第二产品图像是由用户设备捕获的。然后，该方法包括确定第二产品图像的第二多个参数；使用模型和第二多个参数来确定第二产品图像是否合适；以及指导用户设备在用户设备上显示第二产品图像合适的指示。

根据本公开的另一方面，提供了一种系统，其包括存储器，其要存储将产品图像的参数关联至产品图像的市场成功的模型。该系统还包括处理器，其要：获得特定产品图像，特定产品图像是由用户设备生成的；确定特定产品图像的特定参数；使用模型和特定参数来生成用于修改特定产品图像的建议；以及指导用户设备在用户设备上显示建议。

在一些实施例中，模型包括包含期望参数的查找表，并且建议是基于特定参数和期望参数的比较。

在一些实施例中，模型是使用机器学习算法来实现的。处理器还要：将特定参数输入到机器学习算法中，并使用机器学习算法来计算特定产品图像的市场成功的预测，其中建议与对特定产品图像的市场成功的预测的改善相关联。可选地，机器学习算法包括神经网络，并且处理器还要：确定对神经网络的修改，该修改对特定产品图像的市场成功的预测产生改善；以及基于对神经网络的修改来生成建议。

在一些实施例中，处理器还要从用户设备接收特定产品图像。

在一些实施例中，处理器还要将建议传输到用户设备。

在一些实施例中，处理器还要对特定产品图像执行图像分析以确定特定参数。

在一些实施例中，处理器还要获得在特定产品图像中显示的产品的描述，并基于产品描述来确定特定产品图像的参数。

在一些实施例中，处理器还要获得指示用户设备的能力的数据，并基于用户设备的能力来确定特定产品图像的参数。

在一些实施例中，建议是为了改善特定产品图像的市场成功。

在一些实施例中，建议包括针对用户设备的用户的指导。

在一些实施例中，处理器还要基于建议来指导用户设备调整用户设备上的设置。

在一些实施例中，处理器还要指导用户设备在特定产品图像显示在用户设备上的同时显示建议。

在一些实施例中，特定产品图像是第一产品图像，并且处理器还要指导用户设备在第二产品图像显示在用户设备上的同时显示建议，第二产品图像是由用户设备捕获的。

在一些实施例中，特定产品图像是第一产品图像，并且特定参数是第一多个参数。处理器还要获得针对与第一产品图像相同的产品的第二产品图像，第二产品图像是由用户设备捕获的。此外，处理器还要：确定第二产品图像的第二多个参数；使用模型和第二多个参数来确定第二产品图像是否合适；以及指导用户设备在用户设备上显示第二产品图像合适的指示。

因此，提供了如所附权利要求书中详述的方法、系统和计算机程序。

附图说明

将仅通过示例的方式参考附图来描述实施例，其中：

图1是根据一个实施例的电子商务平台的框图；

图2是根据一个实施例的管理员的主页的示例；

图3示出了图1的电子商务平台，但是包括产品图像建议引擎；

图4是示出用于实现产品图像建议的示例系统的框图；

图5是示出以查找表的形式的示例产品图像模型的图表；

图6是示出以神经网络的形式的示例产品图像模型的图表；

图7是示出用于提供产品图像建议的示例过程的流程图；以及

图8至图15示出了根据本公开的实施例的屏幕页面。

具体实施方式

出于例示的目的，现在将在下面结合附图更详细地解释具体的示例实施例。

示例电子商务平台

在一些实施例中，本文公开的方法可以在电子商务平台上执行或与电子商务平台相关联地执行。因此，将描述电子商务平台的示例。

图1示出了根据一个实施例的电子商务平台100。电子商务平台100可以用于向消费者提供商家产品和服务。尽管本公开考虑使用装置、系统和过程来购买产品和服务，但是为了简化起见，本文的描述将指代产品。在整个本公开中，对产品的所有引用也应理解为对产品和/或服务的引用，包括物理产品、数字内容、票证、订阅、要提供的服务等等。

尽管本公开始终预期“商家”和“消费者”可以不仅仅是个体，但是为了简单起见，本文中的描述通常可以如此指代商家和消费者。在整个本公开中，对商家和消费者的所有引用也应被理解为对个体、公司、企业、计算实体等等的群组的引用，并且可以表示产品的营利性或非营利性交换。此外，尽管整个本公开提到“商家”和“消费者”，并且如此描述他们的角色，但是电子商务平台100应被理解成更一般地支持电子商务环境中的用户，并且遍及本公开对商家和消费者的所有引用也应该被理解为对如下各项的引用：用户（诸如当用户是商家用户（例如，销售商、零售商、批发商或产品提供商）时）、消费者用户（例如，买方、购买代理或产品用户）、预期用户（例如，浏览但尚未承诺购买的用户、针对在营销和销售产品时的潜在用途而评估电子商务平台100的用户等等）、服务提供商用户（例如，运输提供商112、金融提供商等等）、公司或企业用户（例如，用于购买、销售或使用产品的公司代表；企业用户；消费者关系或消费者管理代理等等）、信息技术用户、计算实体用户（例如，用于购买、销售或使用产品的计算机器人）等等。

电子商务平台100可以提供用于向商家提供用于管理其业务的在线资源和设施的集中式系统。可以通过在可以是平台100的一部分或在平台100外部的一个或多个处理器上执行计算机软件、模块、程序代码和/或指令的机器来部分地或全部地部署本文中所描述的设施。商家可以利用电子商务平台100来管理与消费者的商务，诸如通过经由在线商店138、经由渠道110A-B、经由在物理位置（例如，物理店面，或者诸如经由自助服务终端、终端机、阅读器、打印机、3D打印机之类的其他位置等等）中的POS设备152来实现与消费者的电子商务体验，通过经由电子商务平台100来管理其业务，以及通过经由电子商务平台100的通信设施129来与消费者交互，或者其任何组合。商家可以利用电子商务平台100作为与消费者的唯一商务存在，或者与其他商家商务设施结合地利用电子商务平台100，诸如通过物理商店（例如，“砖墙加灰泥式的”零售商店）、商家非平台网站104（例如，由商家支持或代表商家的商务互联网网站或其他互联网或web财产或资产，它们与电子商务平台分离）等等。然而，甚至这些“其他”商家商务设施也可以被合并到电子商务平台中，诸如其中商家的物理商店中的POS设备152被链接到电子商务平台100中，其中商家非平台网站104诸如通过“购买按钮”而绑定到电子商务平台100等等，该“购买按钮”将内容从商家非平台网站104链接到在线商店138。

在线商店138可以表示包括多个虚拟店面的多租户设施。在实施例中，商家可以诸如通过商家设备102（例如，计算机、膝上型计算机、移动计算设备等等）来管理在线商店138中的一个或多个店面，并且通过许多不同的渠道110A-B（例如，在线商店138；通过POS设备152的物理店面；通过集成到网站或社交媒体渠道（诸如，在社交网络、社交媒体页面、社交媒体消息传递系统上）中的电子购买按钮的电子市场；等等）向消费者提供产品。商家可以跨渠道110A-B进行销售，并且然后通过电子商务平台100来管理其销售，其中渠道110A可以被提供在电子商务平台100的内部，也可以从电子商务渠道110B的外面来提供。商家可以以弹出窗口、通过批发、通过电话等等在其物理零售商店中进行销售，并且然后通过电子商务平台100来管理其销售。商家可以采用全部这些或这些的任何组合，诸如利用POS设备152通过物理店面来维持业务，通过在线商店138来维持虚拟店面，以及利用通信设施129以利用消费者交互和分析132，从而改进销售的概率。在整个本公开中，术语在线商店138和店面可以同义地用于指代通过电子商务平台100的商家的在线电子商务供应的存在，其中在线商店138可以指代由电子商务平台100（例如，针对多个商家）支持的店面的多租户集合，或者指代个体商家的店面（例如，商家的在线商店）。

在一些实施例中，消费者可以通过消费者设备150（例如，计算机、膝上型计算机、移动计算设备等等）、POS设备152（例如，零售设备、自助服务终端、自动化结账系统等），或本领域已知的任何其他商务接口设备进行交互。电子商务平台100可以使得商家能够通过如下方式到达消费者：通过在线商店138、通过物理位置（例如，商家的店面或其他地方）中的POS设备152，以便经由电子通讯设施129、通过对话来促进与消费者的商务贸易等等，从而提供了一种用于到达消费者并且便于商家服务以实现可用于到达消费者并与消费者交互的真实或虚拟路径的系统。

在一些实施例中，并且如本文中进一步描述的，可以通过包括处理器和存储器的处理设施来实现电子商务平台100，该处理设施存储一组指令，该组指令当被执行时使电子商务平台100实行如本文中所描述的电子商务和支持功能。处理设施可以是服务器、消费者端、网络基础设施、移动计算平台、云计算平台、固定计算平台或其他计算平台的一部分，并且在电子商务平台100、商家设备102、支付网关106、应用开发者、渠道110A-B、运输提供商112、消费者设备150、销售点设备152等等的电子组件之间以及在它们当中提供电子连接和通信。电子商务平台100可以被实现为云计算服务、软件即服务（SaaS）、基础设施即服务（IaaS）、平台即服务（PaaS）、桌面即服务（DaaS）、管理软件即服务（MSaaS）、移动后端即服务（MBaaS）、信息技术管理即服务（ITMaaS）等等，它们诸如在软件和递送模型中实现，在该模型中，软件是在订阅基础上被许可并且集中托管的（例如，由用户使用消费者端（例如，瘦消费者端）经由Web浏览器或其他应用来访问，通过POS设备来访问等等）。在一些实施例中，电子商务平台100的元素可以被实现为在各种平台和操作系统上进行操作，这些平台和操作系统诸如是iOS、Android、在Web上等等（例如，管理员114在针对iOS、Android和针对Web的给定在线商店的多个实例中实现，每个实例具有相似的功能）。

在一些实施例中，在线商店138可以通过由电子商务平台100的服务器提供的网页而服务于消费者设备150。服务器可以从安装在消费者设备150上的浏览器或其他应用接收对该网页的请求，其中浏览器（或其他应用）通过IP地址连接到服务器，该IP地址是通过转换域名获得的。作为回报，服务器往回发送所请求的网页。可以用超文本标记语言（HTML）、模板语言、JavaScript等等或其任何组合来编写网页，或者该网页包括上述语言。例如，HTML是一种计算机语言，其描述网页的静态信息，诸如网页的布局、格式和内容。网站设计者和开发者可以使用模板语言来构建网页，这些网页将静态内容（其在多个页面上相同）和动态内容（从一个页面到下一个页面有变化）进行组合。模板语言可以使重新使用定义网页布局的静态元素成为可能，同时利用来自在线商店的数据来动态填充页面。静态元素可以用HTML来编写，并且动态元素可以用模板语言来编写。文件中的模板语言元素可以充当占位符，以使得文件中的代码被编译并且发送到消费者设备150，并且然后模板语言诸如在安装主题时被来自在线商店138的数据替换。模板和主题可以考虑标签、对象和过滤器。消费者端设备Web浏览器（或其他应用）然后相应地展示页面。

在一些实施例中，电子商务平台100可以向消费者提供在线商店138，在这里，消费者可以浏览和购买各种可用的产品（例如，将它们添加到购物车中，通过购买按钮来立即购买等等）。可以以透明的方式向消费者提供在线商店138，而消费者不一定意识到它是通过电子商务平台100提供的（而不是直接从商家提供的）。商家可以使用商家可配置的域名、可定制的HTML主题等等来定制其在线商店138。商家可以通过主题系统来定制其网站的外观和感觉，诸如商家可以在其中通过改变其主题来选择和改变其在线商店138的外观和感觉，同时使相同的基础产品和业务数据被示出在在线商店的产品层次结构内。可以通过主题编辑器来进一步定制主题，主题编辑器是一种设计界面，其使得用户能够灵活地定制其网站的设计。还可以使用主题特定的设置来定制主题，这些设置可以改变诸如具体颜色、字体和预构建的布局方案之类的方面。在线商店可以实现针对网站内容的内容管理系统。商家可以撰写博客帖子或静态页面，并且将它们发布到其在线商店138，诸如通过博客、文章等等发布，以及配置导航菜单。商家可以将图像（例如，产品的图像）、视频、内容、数据等等上传到电子商务平台100，诸如以供系统来存储（例如，作为数据134来存储）。在一些实施例中，电子商务平台100可以提供用于调整图像大小、将图像与产品相关联、添加文本并将文本与图像相关联、为新产品变型添加图像、保护图像等等的功能。

如本文中所描述的，电子商务平台100可以通过电话以及通过本文中所描述的物理POS设备152、通过包括在线商店138的多个不同渠道110A-B来向商家提供产品的交易设施。电子商务平台100可以包括与运行在线业务相关联的业务支持服务116、管理员114等等，该运行在线业务诸如是提供与其在线商店相关联的域服务118、用于便于与消费者的交易的支付服务120、用于为所购买的产品提供消费者运输选项的运输服务122、与产品保护和责任、商家账单相关联的风险和保险服务124等等。可以经由电子商务平台100或与外部设施相关联地提供服务116，诸如通过用于支付处理的支付网关106、用于加快产品运输的运输提供商112等等来提供服务。

在一些实施例中，电子商务平台100可以提供集成的运输服务122（例如，通过电子商务平台运输设施或通过第三方运输承运者），诸如向商家提供实时更新、跟踪、自动费率计算、批量订单准备、标签打印等等。

图2描绘了管理员114的主页的非限制性实施例，该主页可以示出关于日常任务、商店的最近活动，以及商家可以采取以构建其业务的下一步的信息。在一些实施例中，商家可以经由商家设备102（诸如，从台式计算机或移动设备）登录到管理员114，并且管理其在线商店138的各方面，诸如查看在线商店138的最近活动、更新在线商店138的目录、管理订单、最近访问活动、总订单活动等等。在一些实施例中，商家可以能够通过使用侧边栏来访问管理员114的不同部分，诸如图2上所示。管理员114的部分可以包括用于访问和管理商家业务的核心方面（包括订单、产品、消费者、可用的报告和折扣）的各种界面。管理员114还可以包括用于管理商店的销售渠道的界面，该渠道包括在线商店、使消费者可以访问该商店的（一个或多个）移动应用（移动App）、POS设备和/或购买按钮。管理员114还可以包括用于管理安装在商家账户上的应用（App）的界面；被应用于商家的在线商店138和账户的设置。商家可以使用搜索栏来查找产品、页面或其他信息。取决于商家正在使用的设备102或软件应用，可以通过管理员114来针对不同的功能启用它们。例如，如果商家从浏览器登录到管理员114，则他们可能能够管理其在线商店138的所有方面。如果商家从其移动设备（例如，经由移动应用）登录，则他们可能能够查看其在线商店138的所有方面或方面的子集，诸如查看在线商店138的最近活动、更新在线商店138的目录、管理订单等等。

可以通过获取报告或度量来查看关于去往商家的在线商店138的商务贸易和访问者的更详细信息，诸如显示针对商家的总体业务的销售概要、针对有效销售渠道的特定销售和参与数据等等。报告可以包括获取报告、行为报告、消费者报告、财务报告、市场营销报告、销售报告、自定义报告等等。商家可以能够诸如通过使用下拉菜单来根据不同时间段（例如，天、周、月等等）查看不同渠道110A-B的销售数据。可以为想要商店的销售和参与数据的更详细查看的商家提供概述仪表板。可以提供“家庭度量”部分中的活动提要（activity feed），以说明商家账户上的活动的概述。例如，通过点击“查看所有最近活动”仪表板按钮，商家可以能够在其账户上看到更长的最近活动提要。主页可以诸如基于账户状态、增长、最近的消费者活动等等来示出关于商家的在线商店138的通知。可以提供通知以协助商家导航通过如下过程：该过程诸如是捕获支付、将订单标记为已履行、将已完成的订单存档等等。

电子商务平台100可以提供通信设施129和相关联的商家接口，以用于提供电子通信和市场营销，诸如利用电子消息传递聚合设施来收集和分析商家、消费者、商家设备102、消费者设备150、POS设备152等等之间的通信交互，以便聚合并分析该通信，诸如以用于增加提供产品销售的可能性等等。例如，消费者可能具有与产品有关的问题，这可能会在消费者与商家（或代表该商家的基于自动化处理器的代理）之间产生对话，其中通信设施129分析该交互，并且将关于如何改进销售概率的分析提供给商家。

电子商务平台100可以提供金融设施120，以用于诸如通过安全卡服务器环境与消费者进行安全金融交易。电子商务平台100可以诸如在支付卡行业数据（PCI）环境（例如，卡服务器）中存储信用卡信息，以协调金融、向商家开账单、在电子商务平台100的金融机构账户与商家的后备账户之间实行自动清算所（ACH）转移（例如，在使用资金时）等等。这些系统可能符合萨班斯-奥克斯利法案（SOX），并且具有在其开发和操作中需要的高度勤奋。金融设施120还可以诸如通过资金借贷（例如，借贷资金、现金垫款等等）和提供保险来向商家提供金融支持。另外，电子商务平台100可以提供一组市场营销和合作伙伴服务，并且控制电子商务平台100与合作伙伴之间的关系。它们还可以将新的商家与电子商务平台100连接起来，并且使该新的商家登上电子商务平台100。这些服务可以通过使商家更容易跨电子商务平台100进行工作来实现商家的增长。通过这些服务，可以经由电子商务平台100向商家提供帮助设施。

在一些实施例中，在线商店138可以支持大量独立管理的店面，并且在每天的基础上针对各种产品处理大量的交易数据。交易数据可以包括消费者联系信息、账单信息、运输信息、关于所购买的产品的信息、关于所展示的服务的信息，以及通过电子商务平台100与业务相关联的任何其他信息。在一些实施例中，电子商务平台100可以将该数据存储在数据设施134中。可以处理交易数据以产生分析132，该分析进而可以被提供给商家或第三方商务实体，该分析诸如提供消费者趋势、市场营销和销售洞察、用于改进销售的建议、消费者行为的评估、市场营销和销售建模、欺诈趋势等等，这些信息与在线商务有关，并且通过仪表板界面、通过报告等等来提供。电子商务平台100可以存储关于业务和商家交易的信息，并且数据设施134可以具有用于增强、贡献、完善和提取数据的许多方式，其中随着时间的推移，收集到的数据可以使得能够改进电子商务平台100的各方面。

再次参考图1，在一些实施例中，电子商务平台100可以被配置有：用于内容管理、任务自动化和数据管理的商务管理引擎136，以使得能够实现对多个在线商店138的支持和服务（例如，与产品、库存、消费者、订单、协作、供应方、报告、金融、风险和欺诈等等有关），但是电子商务平台100可以通过应用142A-B来扩展，这些应用使得能够实现对于适应不断增长的各种商家在线商店、POS设备、产品和服务所需的更大灵活性和自定义过程，其中可以在电子商务平台100内部提供应用142A，或从电子商务平台100外面提供应用142B。在一些实施例中，应用142A可以由提供平台100的同一方或由不同的一方提供。在一些实施例中，应用142B可以由提供平台100的同一方或由不同的一方提供。商务管理引擎136可以被配置成用于通过诸如通过消费者标识符、订单标识符、在线商店标识符等等对功能和数据进行分区（例如，分片）来实现灵活性和可扩缩性。商务管理引擎136可以适应商店特定的业务逻辑，并且在一些实施例中，可以并入管理员114和/或在线商店138。

商务管理引擎136包括电子商务平台100的基本或“核心”功能，并且照此，如本文中所描述的，并非支持在线商店138的所有功能都可以适合于被包括在内。例如，用于包括在商务管理引擎136中的功能可能需要超过核心功能阈值，通过该阈值，可以确定该功能是对于商务体验的核心（例如，对于大多数在线商店活动是公共的，诸如跨渠道、管理员界面、商家位置、行业、产品类型等等是共同的）、可跨在线商店138重新使用（例如，可跨核心功能重新使用/修改的功能）、一次仅限于单个在线商店138的情境（例如，实现在线商店“隔离原则”，其中代码应当不能够一次与多个在线商店138进行交互，从而确保了在线商店138不能访问彼此的数据）、提供交易工作量等等。维持对实现哪些功能的控制可以使得商务管理引擎136保持响应，这是由于许多所需的功能要么由商务管理引擎136直接服务，要么通过接口140A-B（诸如，通过其经由至应用142A-B和渠道110A-B的应用编程接口（API）连接的扩展）来启用，其中可以将接口140A提供给电子商务平台100内部的应用142A和/或渠道110A，或者通过接口140B提供给电子商务平台100外面的应用142B和/或渠道110B。通常，平台100可以包括接口140A-B（其可以是扩展、连接器，API等等），该接口140A-B便于与其他平台、系统、软件、数据源、代码等等的连接，以及与它们的通信。这样的接口140A-B可以是商务管理引擎136的接口140A，或更一般地是平台100的接口140B。如果没有给予注意以限制商务管理引擎136中的功能，则响应性可能会通过以下方式受到损害，这些方式诸如是通过基础设施降级、通过慢的数据库或非关键后端故障、通过灾难性基础设施故障（诸如，在数据中心离线的情况下）、通过部署了需要比预期的时间更长的时间来执行的新代码等等。为了防止或减轻这些情况，商务管理引擎136可以被配置成维持响应性，诸如通过利用超时、队列、反压来防止降级等等的配置。

尽管对在线商店数据进行隔离对于维持在线商店138与商家之间的数据隐私是重要的，但是可能存在针对收集和使用跨商店数据的原因，诸如例如利用订单风险评估系统或平台支付设施，其两者都需要来自多个在线商店138的信息以良好地实行。在一些实施例中，可能优选的是将这些组件移出电子商务管理引擎136并且移入电子商务平台100内的它们自己的基础设施中，而不是违反隔离原则。

在一些实施例中，电子商务平台100可以提供平台支付设施120，其是利用来自商务管理引擎136的数据但是可以位于外面以便不违反隔离原则的组件的另一示例。平台支付设施120可以允许与在线商店138交互的消费者通过商务管理引擎136而使他们的支付信息被安全地存储，使得他们仅需要输入一次即可。当消费者访问不同的在线商店138时，即使他们之前从未去过那里，平台支付设施120也可以回想起他们的信息以使得能够实现更快速和正确的结账。这可以提供跨平台的网络效果，其中随着更多商家加入，电子商务平台100对于其商家变得更加有用，诸如因为有更多的消费者由于相对于消费者购买的易用性而更频繁地结账。为了最大化该网络的效果，给定消费者的支付信息可以是可从在线商店的结账中检索，从而允许使信息跨在线商店138是全局可获得的。对于每个在线商店138，能够连接到任何其他在线商店138来检索在那里存储的支付信息将是困难的并且容易出错。结果，可以在商务管理引擎136外部实现平台支付设施。

对于商务管理引擎136中未包括的那些功能，应用142A-B提供了一种向电子商务平台100添加功能的方式。应用142A-B能够访问和修改商家的在线商店138上的数据，通过管理员114实行任务，通过用户界面（例如，其通过扩展/API而露出）为商家创建新的流程等等。可以使得商家能够通过应用搜索、推荐和支持128来发现并安装应用142A-B。在一些实施例中，核心产品、核心扩展点、应用和管理员114可以被开发成一起工作。例如，可以在管理员114内部构建应用扩展点，使得可以借助于应用来扩充核心功能，这些应用可以通过扩展来向商家递送功能。

在一些实施例中，应用142A-B可以通过接口140A-B向商家递送功能，诸如其中应用142A-B能够向商家露出交易数据（例如，App：“引擎，使用嵌入式app SDK来在移动和Web管理员中露出我的app数据”），和/或其中商务管理引擎136能够要求该应用按需求实行工作（引擎：“App，给我针对该结账的本地税费计算”）。

应用142A-B可以支持在线商店138和渠道110A-B，提供商家支持，与其他服务集成等等。在商务管理引擎136可以向在线商店138提供服务的基础的情况下，应用142A-B可以为商家提供一种用以满足特定且有时是独特的需要的方式。不同的商家将具有不同的需要，因此可以受益于不同的应用142A-B。可以通过如下方式来经由电子商务平台100更好地发现应用142A-B：通过应用分类法（类别）的开发，该应用分类法使得能够根据其针对商家实行的功能的类型来标记应用；通过支持搜索、排名和推荐模型的应用数据服务；通过应用发现界面，诸如应用商店、家庭信息卡、应用设置页面；等等。

应用142A-B可以通过接口140A-B连接到商务管理引擎136，诸如利用API以将通过商务管理引擎136以及在商务管理引擎136内可用的功能和数据暴露给应用的功能（例如，通过REST、GraphQL等等）。例如，电子商务平台100可以向面向商家和合作伙伴的产品和服务提供API接口140A-B，诸如包括应用扩展、过程流服务、面向开发者的资源等等。随着消费者更频繁地使用移动设备来进行购物，与移动使用相关的应用142A-B可能会受益于API的更广泛使用，以支持相关的不断增长的商务流量。通过使用应用和API提供的灵活性（例如，如针对应用开发提供的灵活性）使得电子商务平台100能够更好地适应商家（以及通过内部API的内部开发者）的新的和独特的需要，而无需不断改变商务管理引擎136，因此在商家需要的时候向商家提供他们需要的东西。例如，运输服务122可以通过运输或承运者服务API与商务管理引擎136集成，因此使得电子商务平台100能够提供运输服务功能，而不直接影响在商务管理引擎136中运行的代码。

可以通过让合作伙伴通过应用开发来改进和扩展商家工作流程来解决许多商家问题，诸如与后台操作（面向商家的应用142A-B）相关联的问题和在线商店138（面向消费者的应用142A-B）中的问题。作为开展业务的一部分，许多商家将在每天的基础上使用与移动和Web相关的应用以用于后台任务（例如，推销、库存、折扣、履行等等）和在线商店任务（例如，与他们的在线商店有关的应用，以用于快速销售、新产品提供等等），其中通过扩展/API140A-B，应用142A-B有助于产品在快速增长的市场中易于查看和购买。在一些实施例中，合作伙伴、应用开发者、内部应用设施等等可以被提供有软件开发工具包（SDK），诸如通过在管理员114内创建将应用接口沙盒化的框架。在一些实施例中，管理员114可能没有控制权，也可能不知道该框架内发生了什么。SDK可以与用户界面工具包结合使用，以产生模仿电子商务平台100的外观和感觉的界面，诸如充当电子商务管理引擎136的扩展。

利用API的应用142A-B可以按需求拉取数据，但是它们也经常需要在更新发生时推送数据。更新事件可以在订阅模型中实现，该订阅模型诸如例如是消费者创建、产品改变或订单取消。更新事件可以向商家提供关于商务管理引擎136的改变的状态的所需更新，诸如用于同步本地数据库，通知外部集成合作伙伴等等。更新事件可以启用该功能，而不必一直轮询商务管理引擎136以针对更新进行检查，诸如通过更新事件订阅进行检查。在一些实施例中，当发生与更新事件订阅有关的改变时，商务管理引擎136可以发布请求，诸如发布到预定义的回调URL。该请求的主体可以包含对象的新状态以及动作或事件的描述。可以在管理员设施114中手动创建、或者（例如，经由API 140A-B）自动地创建更新事件订阅。在一些实施例中，更新事件可以根据触发它们的状态改变而被排队和异步处理，这可能产生未实时分发的更新事件通知。

在一些实施例中，电子商务平台100可以提供应用搜索、推荐和支持128。应用搜索、推荐和支持128可以包括：开发者产品和工具，以帮助应用、应用仪表板的开发（例如，以便向开发者提供开发界面，向管理员提供以用于管理应用，向商家提供以用于定制应用等等）；用于安装和提供关于提供对应用142A-B的访问的许可（例如，用于公共访问，诸如在安装之前必须满足准则的情况下，或供商家私人使用）；应用搜索，以便使商家易于针对满足其在线商店138需要的应用142A-B进行搜索；应用建议，以向商家提供关于他们可以如何通过其在线商店138来改进用户体验的建议；商务管理引擎136内的核心应用能力的描述等等。这些支持设施可以被由任何实体实行的应用开发利用，该实体包括开发他们自己的应用142A-B的商家，开发应用142A-B的第三方开发者（例如，由商家签约，他们自行开发以向公众提供，签约以便与电子商务平台100相联系地使用等等）、或由与电子商务平台100相关联的内部个人资源开发的应用142A或142B。在一些实施例中，可以向应用142A-B指派应用标识符（ID），诸如用于链接到应用（例如，通过API）、针对应用进行搜索、做出应用推荐等等。

商务管理引擎136可以包括电子商务平台100的基础功能，并且通过API 140A-B向应用142A-B暴露这些功能。API 140A-B可以启用通过应用开发构建的不同类型的应用。应用142A-B可以能够满足商家的很多种需求，但是可以大致被分组成三个类别：面向消费者的应用、面向商家的应用、集成应用等等。面向消费者的应用142A-B可以包括在线商店138或渠道110A-B，它们是其中商家可以列出产品并且使这些产品被购买的地方（例如，在线商店、用于快速销售的应用（例如，商家产品或来自第三方来源的机会性销售机会）、移动商店应用、社交媒体渠道、用于提供批发购买的应用等等）。面向商家的应用142A-B可以包括如下应用：该应用允许商家管理其在线商店138（例如，通过与web或网站有关的应用或者与移动设备有关的应用）、运行其业务（例如，通过与POS设备有关的应用）、使其业务增长（例如，通过与运输（例如，直接运输）有关的应用、使用自动化代理、使用过程流开发和改进）等等。集成应用可以包括提供参与业务运行的有用集成的应用，诸如运输提供商112和支付网关。

在一些实施例中，应用开发者可以使用应用代理，以便从外面的位置获取数据并且将其显示于在线商店138的页面上。这些代理页面上的内容可以是动态的，是能够被更新的等等。应用代理对于显示图像库、统计信息、自定义表单和其他种类的动态内容可能是有用的。电子商务平台100的核心应用结构可以允许在应用142A-B中构建增加数量的商家体验，以使得商务管理引擎136可以保持专注于更加常用的商务贸易的业务逻辑。

电子商务平台100通过策划的系统架构提供在线购物体验，该架构使得商家能够以灵活且透明的方式与消费者连接。通过实施例示例购买工作流程可以更好地理解典型的消费者体验，其中消费者在渠道110A-B上浏览商家的产品，将他们打算购买的东西添加到他们的购物车，进行结账，并且针对他们购物车的内容进行支付，从而为商家创建了订单。商家然后可以复查并且履行（或取消）该订单。然后将产品递送给消费者。如果消费者不满意，他们可能会将产品退还给商家。

在示例实施例中，消费者可以在渠道110A-B上浏览商家的产品。渠道110A-B是消费者可以查看和购买产品的地方。在一些实施例中，渠道110A-B可以被建模为应用142A-B（可能的例外是在线商店138，其被集成在商务管理引擎136内）。推销组件可以允许商家描述他们想要销售什么以及在哪里销售它们。产品与渠道之间的关联可以被建模为产品公布，并且由渠道应用（诸如，经由产品清单API）来访问。产品可以具有许多选项（比如大小和颜色），并且具有许多变型，这些变型将可用的选项扩展成所有选项的特定组合，比如超小和绿色的变型，或大尺寸和蓝色的变型。产品可以具有至少一个变型（例如，针对没有任何选项的产品创建了“默认变型”）。为了便于浏览和管理，可以将产品分组成集合、所提供的产品标识符（例如，库存单位（SKU））等等。可以通过要么将产品手动分类成一个集合（例如，自定义集合）、要么通过构建用于自动分类的规则集（例如，智能集合）等等来构建产品的集合。产品可以通过虚拟或增强现实界面等等而被视为2D图像、3D图像、旋转视图图像。

在一些实施例中，消费者可以将他们打算购买的东西添加到他们的购物车（在替换的实施例中，可以直接购买产品，诸如通过本文中所描述的购买按钮）。消费者可以将产品变型添加到他们的购物车中。购物车模型可能是渠道特定的。在线商店138购物车可以由多个购物车行项目组成，其中每个购物车行项目跟踪产品变型的量。商家可以使用购物车脚本来基于其购物车的内容向消费者提供特殊促销。由于将产品添加到购物车并不意味着来自消费者或商家的任何承诺，并且购物车的预期寿命可能是大约几分钟（不是几天），因此购物车可以存留到临时数据存储中。

然后，消费者进行结账。结账组件可以将Web结账实现为面向消费者的订单创建过程。可以提供结账API作为某些渠道应用所使用的面向计算机的订单创建过程，以代表消费者（例如，针对销售点）创建订单。结账可以从购物车中创建，并且记录消费者的信息，诸如电子邮件地址、账单和运输详细信息。在结账时，商家承诺进行定价。如果消费者输入了他们的联系信息但是没有进行支付，则电子商务平台100可以提供与消费者重新接合的机会（例如，在被抛弃的结账特征中）。由于这些原因，结账具有的寿命可能比购物车更长（数小时或甚至数天），并且因此是持续的。结账可以基于消费者的运输地址来计算税费和运输成本。结账可以将税费的计算委托给税费组件，而将运输成本的计算委托给递送组件。定价组件可以使得商家能够创建折扣代码（例如，“秘密”字符串，当其被录入在结账栏上时，会将新价格应用于结账栏中的项目）。商家可以使用折扣来吸引消费者，并且评估市场营销活动的表现。折扣和其他自定义价格系统可以在同一平台块的顶部上实现，诸如通过价格规则（例如，被满足就意味着一组应享权利的一组先决条件）。例如，该先决条件可以是诸如“订单小计大于100美元”或“运输成本低于10美元”之类的项目，并且该应享权利可以是诸如“对整个订单的20％折扣”或“产品X、Y和Z减10美元”之类的项目。

然后，消费者为他们购物车的内容进行支付，从而为商家创建了订单。渠道110A-B可以使用商务管理引擎136来使钱、货币或价值贮藏（诸如，美元或加密货币）在消费者和商家之间往返移动。与各种支付提供商（例如，在线支付系统、移动支付系统、数字钱包、信用卡网关等等）的通信可以在支付处理组件内实现。可以通过卡服务器环境来提供与支付网关106的实际交互。在一些实施例中，支付网关106可以接受国际支付，诸如与领先的国际信用卡处理器集成。卡服务器环境可以包括卡服务器应用、卡接收器、托管字段等等。该环境可以充当敏感信用卡信息的安全网守。在一些实施例中，大多数过程可以由支付处理工作来编排（orchestrate）。商务管理引擎136可以支持许多其他支付方法，诸如通过异地支付网关106（例如，其中将消费者重定向到另一网站）、手动地（例如，现金）、在线支付方法（例如，在线支付系统、移动支付系统、数字钱包、信用卡网关等等）、礼品卡等等。在结账过程结束时，创建了订单。订单是商家与消费者之间的销售合同，其中商家同意提供订单上列出的商品和服务（例如，订单行项目、运输行项目等等），并且消费者同意提供支付（包括税费）。该过程可以在销售组件中建模。不依赖于商务管理引擎136结账的渠道110A-B可以使用订单API来创建订单。一旦创建了订单，就可以经由通知组件将订单确认通知发送给消费者，并且将已下订单的通知发送给商家。可以在支付处理工作开始时预定库存以避免过度销售（例如，商家可以通过每个变型的库存策略来控制该行为）。库存预定可以具有短的时间跨度（数分钟），并且可能需要是非常快速且可扩缩的，以支持闪速销售（例如，在短时间内提供的折扣或促销，诸如针对冲动性购买）。如果支付失败，则释放预订。当支付成功并创建了订单时，预订将被转换成被分配给具体地点的长期库存承诺。库存组件可以记录变型被存放在何处，并且跟踪启用了库存跟踪的变型的量。它可以将产品变型（表示产品清单模板的面向消费者的概念）与库存项目（表示其量和位置受管理的项目的面向商家的概念）分离。库存级别组件可以跟踪可用于销售的已承诺给订单或从库存转移组件（例如，从供应商）传入的量。

商家然后可以复查并且履行（或取消）该订单。复查组件可以实现业务过程商家的使用，以确保在实际履行订单之前这些订单是适合于履行的。订单可能是欺骗性的、需要验证（例如，ID检查）、具有要求商家等待以确保他们将接收到其资金的支付方法等等。风险和推荐可以存留在订单风险模型中。订单风险可能是由欺诈检测工具生成的、由第三方通过订单风险API提交的等等。在继续履行之前，商家可能需要捕获支付信息（例如，信用卡信息）或等待以接收到支付信息（例如，经由银行转账、支票等等）并且将订单标记为已支付。商家现在可以准备用于递送的产品。在一些实施例中，该业务过程可以由履行组件来实现。履行组件可以基于库存位置和履行服务将订单的行项目分组成工作的逻辑履行单元。商家可以复查、调整工作单元并且触发相关的履行服务（诸如当商家将产品拣选并包装在盒子中时所使用的手动履行服务（例如，在商家管理的位置处））、购买运输标签并且输入其跟踪号码，或仅将该项目标记为已履行。自定义履行服务可以发送电子邮件（例如，不提供API连接的位置）。API履行服务可能会触发第三方，其中该第三方应用创建履行记录。传统的履行服务可能会触发从商务管理引擎136到第三方的自定义API调用（例如，由亚马逊进行的履行）。礼品卡履行服务可以提供（例如，生成号码）和激活礼品卡。商家可以使用订单打印机应用来打印装箱单（packing slip）。当该项目被包装在盒子中并且准备好运输、已运输、已跟踪、已递送、被验证为由消费者接收到等等时，可以执行履行过程。

如果消费者不满意，他们可能能够将（一个或多个）产品退还给商家。可以由退还组件来实现商家可能会经历“退售”一个项目的业务过程。退还可以由各种不同的动作组成，诸如：再储存，在这种情况下，已销售的产品实际上又重新回到了该业务并且可再次销售；退款，在这种情况下，从消费者收集的钱被部分或全部退还；会计调整，其注明已退还多少钱（例如，包括是否有任何再储存费用，或未退还并留在消费者手中的商品）；等等。退还可以表示对销售合同（例如，订单）的改变，并且其中电子商务平台100可以使商家意识到与法律义务（例如，关于税费）有关的合规性问题。在一些实施例中，电子商务平台100可以使得商家能够跟踪销售合同随时间的改变，诸如通过销售模型组件（例如，仅允许附加的基于日期的分类账，其记录发生在某项目上的与销售有关的事件）来实现。

使用电子商务平台来实现产品图像建议

电子商务平台100可帮助或辅助正在生成其产品图像的商家。图3示出了图1的电子商务平台100，但是包括产品图像建议引擎300。产品图像建议引擎300是获得并分析用户生成的产品图像并主动向用户提供建议以改善产品图像质量的计算机实现的系统的示例。在示例中，用户是正在拍摄他们的产品以在在线商店138中展示的商家。在拍摄他们的产品的过程中，商家设备102将初步产品图像发送到产品图像建议引擎300。产品图像建议引擎300然后分析产品图像并向商家提供用于改善后续产品图像的质量的建议。

尽管产品图像建议引擎300在图3中被示为电子商务平台100的不同组件，但这仅是示例。产品图像建议引擎还可以或可以替代地由电子商务平台100的另一组件来提供。在一些实施例中，应用142A-B中的一个或两个提供商家可用的产品图像建议引擎。此外，在一些实施例中，商务管理引擎136提供产品图像建议引擎。电子商务平台100可以包括由一方或多方提供的多个产品图像建议引擎。可以以相同的方式、以相似的方式和/或以不同的方式来实现该多个产品图像建议引擎。另外，产品图像建议引擎的至少一部分可以在商家设备102上实现。例如，商家设备102可以作为软件应用本地地存储和运行产品图像建议引擎。

如下面进一步详细讨论的，产品图像建议引擎300可以实现本文描述的功能性中的至少一些。尽管下面描述的实施例可以与电子商务平台100相关联地实现，但是下面描述的实施例不限于图1至图3的特定的电子商务平台100。因此，将结合任何电子商务平台来更一般性地展示下面的实施例。

产品图像

如本文使用的，术语“产品图像”是指示出或描绘产品的任何图像。在特定实施例中，产品图像用于展示或显示在在线商店中提供销售的产品。产品图像还可以或可以替代地用于其他形式的媒体，诸如例如广告或文章中。

本文不限制生成产品图像的方式。例如，可以至少部分地通过使用相机或扫描仪捕获物理产品或对象的图像来生成产品图像。也可设想至少部分地使用计算机生成的影像（CGI）来生成产品图像。产品图像可以是二维（2D）或三维（3D）。

在一些实施例中，产品图像是活动的。例如，产品图像可以包括产品的视频。产品的3D扫描可以转换为从各种角度示出产品的活动的产品图像。

如上所述，消费者经常基于在产品图像中展示产品的情况来判断产品的质量。这对于在线购物可能特别相关，因为消费者通常没有检查物理产品的选择，并且因此消费者可以基于其相关联的产品图像来判断产品。在某些情况下，消费者可能会受到产品图像质量的影响。

如本文使用的，产品图像的“质量”涉及由产品图像传达的产品的感知价值。影响产品图像质量的因素不限于用于生成产品图像的设备的属性。举例来说，用于拍摄产品的相机的属性和拍摄产品的条件都能影响所得产品图像的质量。高质量的产品图像是以对消费者有吸引力的方式描绘产品的图像，并且通常与更高的市场成功相关联。与之相对，低质量的产品图像是以不清晰、模棱两可或以其他方式对消费者没有吸引力的方式描绘产品的图像。低质量的产品图像可能会导致较低的市场成功，尤其是例如当这些低质量的产品图像与针对类似产品的高品质的产品图像一起在在线商店中显示给消费者时。因此，许多商家希望为其产品提供高质量的产品图像。

市场成功与商业市场中接收某种东西的程度有关。在某些情况下，至少部分地在产品图像中显示的产品的市场成功的方面衡量产品图像的市场成功。然而，一般而言，可以以各种各样的方式中的任何方式来衡量或量化产品图像的市场成功。以下是指示产品图像的市场成功的可衡量的度量或参数的非限制性列表：

• 销售数据，如产品销售数量和/或美元量；

• 相对于类似产品总销量的产品的销售数量；

• 页面浏览量，包括查看过产品或产品图像的消费者数量（例如，与产品图像相关联的网站链接的点击率）；

• 放大了产品图像的消费者；

• 消费者花在查看产品图像上的平均时间；

• 产品图像是否是由专业的产品摄影师拍摄的；

• 再次共享产品图像或与该产品图像相关联的产品的社交媒体；以及

• 与同一商家销售的其他产品图像的一致性或相似性（例如，与同一商家销售的其他产品图像具有一致或相似的参数值的产品图像，在下面提供其进一步的细节）。

被确定为满足或超过一个或多个期望目标值的这些参数中的任何一个或任何组合都可以指示高市场成功。另一方面，被确定为低于一个或多个期望目标值的这些参数中的任何一个或任何组合可以指示低市场成功。换言之，改善产品图像的市场成功（如通过上述参数中的任何一个所指示或衡量的）可以直接或间接导致产品销售的增长。因此，本文提供的一些实施例涉及用来改善产品图像的市场成功的建议的生成。

产品图像建议的实现

图4是示出用于实现产品图像建议的示例系统400的框图。系统400包括产品图像建议引擎402、网络426和商家设备430。

产品图像建议引擎402包括处理器404、存储器406、和网络接口408。处理器404可以通过执行存储在存储器406中的指令的一个或多个处理器来实现。替换地，一些或所有的处理器404可以使用专用电路来实现，如专用集成电路（ASIC）、图形处理单元（GPU）或经编程的现场可编程门阵列（FPGA）。

存储器406存储产品图像模型410，产品图像模型410要将产品图像的参数关联至产品图像的市场成功（如通过市场成功的指示符（诸如上述那些）所指示或衡量的）。换言之，产品图像模型410表征产品图像的可衡量参数与产品图像的预测或衡量的市场成功之间的关系或相关性。产品图像的参数可以包括与产品图像的质量或市场成功直接或间接相关的任何度量。这样的参数的非限制性示例包括：

• 图像分辨率；

• 图像的像素密度；

• 图像亮度；

• 景深；

• 焦点；

• 图像中产品的大小（例如，按照产品所占面积的百分比和/或产品所占像素的数量）；

• 图像中产品的角度或取向；以及

• 产品与背景之间的对比度。

产品图像的参数与产品图像的市场成功之间的关系可以基于所成像的产品的类型而变化。例如，拍摄椅子以产生高质量产品图像的方式可能不同于拍摄衣物以产生高质量产品图像的方式。因此，产品图像模型410可以取决于产品类型。替换地，产品图像模型410实际上可以是多个不同的产品图像模型，其中每个产品图像模型是针对不同类型的产品。

产品图像的参数与产品图像的市场成功之间的关系还可以或可以替代地针对居住在不同国家或地区的消费者而相异。例如，在加拿大获得高市场成功的产品图像可能不会在中国获得高市场成功。这样，产品图像模型410可以取决于销售产品的国家或地区，或者产品图像模型410可以是多个不同的产品图像模型，其中每个产品图像模型是针对不同的国家或地区。

在一些实现中，产品图像模型410特定于或取决于特定商家和/或特定在线商店。例如，如果商家经营一家销售多个不同咖啡马克杯的在线商店，则可以生成特定于该商家和咖啡马克杯的产品图像模型。这可以帮助提供该特定商家使用的产品图像的一致性。

产品图像模型410可以以各种各样的方式中的任何来实现。产品图像模型的示例实现包括查找表和机器学习算法。然而，也可设想产品图像模型的其他实现。

在查找表实现中，表可以存储不同产品图像参数的列表、以及预期产生高质量产品图像或与高市场成功相关联的针对每个产品图像参数的值和/或值范围。可以基于已知与高市场成功相关联的产品图像的产品图像参数（例如，被确定为满足或超过期望值的市场成功度量中的任何一个或组合，如上所述）的值来确定这些值或值范围。存储在查找表中的产品图像参数可以称为期望参数。不同的查找表可以用于不同的产品类型、不同的商家和/或不同的地区。

图5是示出以查找表500形式的示例产品图像模型的图表。查找表500特定于咖啡马克杯的产品图像，并定义了针对产品图像的多个参数的下限、上限和理想值。查找表500也可以特定于特定地区和/或特定商家。在查找表500中定义的多个参数（其在下面更详细地讨论）包括图像分辨率、平均图像亮度、景深、焦点、马克杯大小、马克杯倾斜、马克杯的方位角、和对比度。

图像分辨率涉及图像中的像素数，并且在查找表500中以百万像素为单位进行衡量。图像分辨率的下限为一千万像素，因为低于一千万像素的图像分辨率在某些情况下可能会导致显著模糊的图像。图像分辨率的上限为两千万像素，因为在此示例中，这是电子商务平台准许的最大图像分辨率。其他电子商务平台可能具有其他最大图像分辨率值。图像分辨率的理想值也是两千万像素，因为消费者可能更喜欢高分辨率图像，为了它们提供的细节水平和清晰线条。然而，在其他实施例中，图像分辨率的下限、上限和理想值可以与查找表500中示出的那些值不同。例如，在互联网速度相对较慢的世界地区中，大于一千万像素的图像分辨率可能不合期望，因为这些图像可能会在消费者设备上加载缓慢。因此，在这些世界地区中针对咖啡马克杯的查找表针对图像分辨率可以具有较小的值。

平均图像亮度涉及图像的整体明暗。在查找表500中，平均图像亮度被定义为最大图像亮度的百分比。最大图像亮度（100％）是当每个像素被设置为产生全白图像的其亮度值的时候。因此，平均图像亮度为0％就是全黑图像。在其他实施例中，可以不同地定义图像亮度。在查找表500中，平均图像亮度的下限和上限之间存在相对较宽的范围，这表明较宽的亮度范围可能适合于咖啡马克杯产品图像。

在查找表500中，景深涉及在产品图像中有多少的咖啡马克杯对焦（in focus）。景深的下限为10cm可以帮助确保整个咖啡马克杯都对焦。

在查找表500中相对于咖啡马克杯的前表面衡量焦点。咖啡马克杯的前表面可以是示出任何图示的地方，并且理想地，焦点处于咖啡马克杯的该表面上以更清晰地示出这些图示。因此，查找表500中的焦点的理想值为0cm。针对焦点的上限和下限定义了+/-1cm的相对较窄的范围。

如在查找表500中定义的，马克杯大小涉及产品图像中的咖啡马克杯的大小。这是根据产品图像中咖啡马克杯所占像素的百分比来衡量的。填充整个产品图像的图像将被视为在产品图像中占据100％的像素。

查找表500中的马克杯倾斜定义了产品图像中咖啡马克杯相对于水平面的角度。倾斜的理想值为0°，其表示咖啡马克杯在产品图像中看起来像放在平坦表面上。不同于0°的倾斜值可能是由于咖啡马克杯放在斜的表面上、或者是由于相机相对于水平面倾斜。

马克杯的方位角定义了产品图像中所见的咖啡马克杯的部分或侧面。在查找表500中相对于咖啡马克杯的手柄定义了方位角。方位角为0°的咖啡马克杯的产品图像将具有指向相机的手柄。查找表500中的方位角的理想值是90°，其对应于在产品图像中咖啡马克杯的手柄是从侧面看到的。这可以允许消费者观察到手柄的形状。

对比度涉及咖啡马克杯与产品图像的背景相比突出的程度。在查找表500中，对比度被定义为咖啡马克杯的平均亮度与背景的平均亮度之比。该对比度可以大于1或小于1。例如，深色咖啡马克杯和浅色背景将产生小于1的对比度，而浅色咖啡马克杯和深色背景将产生大于1的对比度。因此，在查找表500中，对比度的上限、下限和理想值被表示为大于1（例如2:1）或小于1（例如1:2）。

应注意的是，在查找表500中示出的具体的参数和值仅作为示例提供。该示例绝不是限制性的。其他查找表，无论是针对咖啡马克杯还是另一产品类型，都可以包括不同的参数数量、不同的参数类型、表征参数的不同度量、以及针对参数的不同下限、上限和理想值。还可设想与图5所示不同的其他的查找表格式。

产品图像建议引擎402可以使用查找表500来预测咖啡马克杯产品图像的市场成功。例如，如果咖啡马克杯产品图像的任何参数不在查找表500中定义的上下限之内，则可以认为该参数降低了产品图像的质量和/或与低市场成功相关联。替换地，如果咖啡马克杯产品图像的任何参数与查找表500中的理想值相差超过预定阈值，则可以认为该参数降低了产品图像的质量和/或与低市场成功相关联。

在产品图像模型的机器学习实现中，可以训练机器学习算法以基于产品图像的参数来预测产品图像的市场成功。还可以训练机器学习算法以通过跟踪已知与高市场成功相关联的产品图像的参数（例如，如通过如上所述的被确定为满足或超过期望值的市场成功度量中的任何一个或组合而衡量的）来预测产品图像将与市场成功相关联。在一些实施例中，机器学习算法是或包括神经网络。到神经网络的输入可以包括产品图像的一个或多个参数，并且神经网络的输出可以包括产品图像的预测市场成功的指示。产品图像的预测市场成功涉及该产品图像在真实商业市场中预期实现的市场成功水平。在某些情况下，神经网络可以基于相关联的产品图像的参数来预测产品的销售。可以针对不同的产品类型、商家和/或消费者地区来训练不同的神经网络。替换地，神经网络可以包括针对产品类型的输入、针对商家标识符的输入、和/或针对消费者地区的输入，并且可以基于产品类型、商家、和/或消费者地区来计算产品图像的预测市场成功。

图6是示出以神经网络600形式的示例产品图像模型的图表。神经网络600被示为三角形或金字塔形，并且包括多个输入602、604、606、608、610、612、614、616，输出618和多个节点层620、622、624、626、628、630、632、634。输入602、604、606、608、610、612、614、616被馈送到层620中的相应节点，因此层620可以被认为是输入层。输出618是由层634中的节点产生的，因此层634可以被认为是输出层。层622、624、626、628、630、632可以被认为是隐藏层。应注意的是，神经网络600仅是示例，而绝不应被视为是限制性的。在此不限制输入的数量、输出的数量、层的数量和神经网络的结构。

输入602、604、606、608、610、612、614、616中的至少一些对应于产品图像的参数。输入602、604、606、608、610、612、614、616中的一个或多个也可以涉及产品图像中产品的类型、商家标识符和/或销售产品的地区。替换地，神经网络600可以特定于产品类型、商家、和/或地区。举例来说，神经网络600可以特定于在特定地区销售的咖啡马克杯，并且输入602、604、606、608、610、612、614、616可以分别对应于在图5的查找表500中定义的图像分辨率、平均图像亮度、景深、焦点、马克杯大小、马克杯倾斜、马克杯的方位角、和对比度。

输出618对应于产品图像的预测市场成功的指示。产品图像的市场成功的指示可以包括产品图像对消费者的吸引力的任何衡量。在一些实现中，市场成功的指示是基于指示产品图像的市场成功的水平的一个或多个度量。上面提供了这些度量的示例。

在一些实现中，输出618选自产品图像的预测市场成功的一组离散指示。举例来说，产品图像的预测市场成功的一组离散指示可以包括以下指示中的任何或全部：

• 预测产品图像具有高市场成功；

• 预测产品图像具有中等市场成功；以及

• 预测产品图像具有低市场成功。

在一些实现中，输出618量化产品图像的预测市场成功。例如，输出618可以在市场成功方面量化产品图像与其他产品图像相比的优质程度。这可以用百分比来表示。如果神经网络600确定产品图像预期具有比该产品类型的68%的产品图像更高的市场成功，那么输出618可以是“68”。

神经网络600的节点将输入602、604、606、608、610、612、614、616映射到输出618。层620中的节点接收输入602、604、606、608，610、612、614、616，处理输入，并将信号发送到层622中的每个节点。层622中的每个节点从层620中的每个节点接收信号，处理信号，并将信号输出到层624中的每个节点。该过程持续直到到达最终层634。在图6中为了避免拥挤，仅层620、622、624、626、628、630中的每个层中的第一节点被示出有连接到后一层的节点的线。实际上，层620、622、624、626、628、630、632中的每个节点都将信号发送到后一层的每个节点。

层620、622、624、626、628、630、632、634中的节点可以以本领域中已知的任何方式来实现。在一些实现中，节点包括激活函数，但这仅是示例。为了生成产品图像的市场成功的准确预测，需要使用适当的数据集来训练神经网络600的节点。在下面进一步详细地讨论该训练。

一旦经过训练，神经网络600就可以（通过市场成功度量）识别产品图像的参数与产品图像的市场成功之间的模式。这样，产品图像建议引擎402可以使用神经网络600来预测产品图像的市场成功。如本文其他地方进一步详细讨论的，神经网络也可以用于确定可以如何修改产品图像以改善预测市场成功。

神经网络是可以在产品图像模型中使用的机器学习算法的一个示例。也可设想其他机器学习算法，包括决策树、支持向量机、贝叶斯网络和泛型算法。

再次参考图4，存储器406还存储产品图像模型生成器412，其促进产品图像模型410的生成。一旦生成了产品图像模型410，就可以例如在市场趋势改变时和/或在新数据变得可用时周期性地对产品图像模型410进行更新。产品图像模型生成器412还可以促进该更新。

在一些实现中，产品图像模型生成器412提供软件应用，其可由处理器404执行，并允许用户手动地生成和/或更新产品图像模型410的至少一部分。例如，产品图像模型生成器412可以生成查找表，并允许用户将参数和/或值手动录入到查找表中。这些参数和值可以是专业产品摄影师常用的参数和值，因此预期产生高质量产品图像和/或具有高市场成功的产品图像。参数和值还可以是或者可以替代地是特定商家常用的参数和值，因此该查找表将特定于特定商家，并且可以帮助提供商家的产品图像中的一致性。

在产品图像模型410是机器学习算法或包括机器学习算法的情况下，产品图像模型生成器412包括训练算法以训练机器学习算法。该训练算法可以涉及到例如监督学习、无监督学习、或强化学习。训练算法可以存储为由处理器404执行的指令。

存储器406存储由产品图像模型生成器412用于训练机器学习算法的数据416。数据416是从电子商务平台中的现有产品图像获取的。这些现有产品图像可以包括用于和/或曾用于在在线商店上显示销售产品的产品图像。在一些实现中，数据416可以由电子商务平台的数据设施（诸如例如，图1的数据设施134）来提供。数据416可以形成更大的数据集的一部分，该更大的数据集存储与电子商务有关的其他信息。替换地，数据416可以是特定于产品图像建议的数据集。产品图像建议引擎402可以连续地或周期性地获取新信息并将其存储在数据416中。随着新信息变得可用，较旧的信息也可以从数据416移除。

对于特定的现有产品图像，数据416可以存储以下信息中的任何或全部：

• 产品类型；

• 产品图像所属的商家；

• 产品图像的参数；

• 指示产品图像的市场成功的度量；以及

• 产品图像的市场成功的指示。

此信息列表不旨在是限制性的。数据416中的某些信息可以是地区相关的。例如，可以针对销售产品的每个地区存储产品图像的市场成功度量。这可以允许生成特定于地区且地区相关的机器学习算法。

可以随时间跟踪数据416中的某些信息。这可以允许产品图像建议引擎402随时间跟踪产品图像的市场成功。例如，产品图像建议引擎402可以能够确定产品图像的某些参数对于确定市场成功是否变得更加重要或更不重要，以及某些参数的理想值是否正在改变。产品图像模型生成器412可以使用数据416中的最新信息来训练机器学习算法。在一些实现中，可以训练机器学习算法以基于数据416中的趋势来预测未来将具有高市场成功的产品图像。

在一些实现中，仅与特定的一个或多个商家（或其各自的在线商店）相关联的数据被用于训练机器学习算法。这导致生成了特定于一个或多个商家的机器学习算法。机器学习算法然后可以帮助提供建议以维持由该一个或多个商家使用的产品图像中的一致性。

在某些情况下，数据416被划分为训练数据集和测试数据集。产品图像模型生成器412使用训练数据来训练实现产品图像模型410的机器学习算法。测试数据集用于在训练之后测试机器学习算法的准确性。

存储器406还包括图像分析器414。图像分析器414接收产品图像并确定产品图像的参数。在某些情况下，图像分析器414用于确定现有产品图像的参数以供存储在数据416中。图像分析器414还可以或者可以替代地用于确定从商家接收的产品图像的产品图像参数，然后将其输入到产品图像模型410中。

在一些实现中，图像分析器414是或包括由处理器404执行的图像分析算法。图像分析算法可以包括图像分割过程以在产品图像中定位产品和背景之间的边界。这例如在确定产品图像的某些参数（如产品所占的产品图像的百分比）时可能会有所帮助。

图像分析算法的一个示例是尺度不变特征变换（SIFT）。SIFT算法从目标图像提取感兴趣的点，在SIFT框架中称为关键点。所提取的关键点携带其自己的位置、尺度和旋转信息，这有助于检测和描述图像的特征。然后可以将检测到的特征用于生成产品图像的参数。关于SIFT算法以及若干其他示例图像分析算法的更多细节可以在Richard Szeliski所著的《Computer Vision: Algorithms and Applications（计算机视觉：算法与应用）》（斯普林格，2010年）中找到。

产品图像建议引擎402中的网络接口408被提供用于通过网络426进行通信。网络接口408的结构是特定于实现的。例如，在一些实现中，网络接口408可以包括网络接口卡（NIC）、计算机端口（例如，插头或线缆所连接到的物理插座）、和/或网络插口。

商家设备430是用户设备的示例。商家设备430可以是商家拥有和/或使用的移动电话、平板电脑、笔记本电脑、或计算机。商家设备430包括处理器432、存储器434、相机436、用户接口438、和网络接口440。用户接口的示例是显示屏（可以是触摸屏）、键盘和/或鼠标。网络接口440被提供用于通过网络426进行通信。网络接口440的结构将取决于商家设备430如何与网络426对接。例如，如果商家设备430是移动电话或平板电脑，则网络接口440可以包括带有天线的发射器/接收器，以向/从网络426发送和接收无线传输。如果商家设备是用网络线缆连接到网络的个人计算机，则网络接口440可以包括例如NIC、计算机端口、和/或网络插口。处理器432直接执行或指导由商家设备430执行的所有操作。这些操作的示例包括处理从用户接口438接收的用户输入、准备要通过网络426传输的信息、处理通过网络426接收到的数据、以及指导显示屏显示信息。处理器432可以由执行存储在存储器434中的指令的一个或多个处理器来实现。替换地，可以使用诸如ASIC、GPU或经编程的FPGA之类的专用电路来实现处理器432中的一些或全部。提供相机436以拍摄照片，照片可以存储在存储器434中。相机436是用于生成对象的图像的设备的一个示例。商家设备还可以或者可以替代地包括其他设备，例如例如扫描仪。尽管相机436被示为商家设备430的组件，但是相机可以替代地与商家设备分开实现，并且经由例如有线或无线连接来与商家设备通信。

在图4中，作为示例示出了一个商家设备。一般而言，不止一个商家设备可以与产品图像建议引擎402通信。

产品图像建议引擎402可以以各种各样的方式中的任何来实现。例如，产品图像建议引擎402可以由电子商务平台来实现，被实现为电子商务平台提供的核心功能、或者通过电子商务平台所支持的应用来实现。产品图像建议引擎402还可以或者可以替代地在电子商务平台外部实现。在一些实施例中，产品图像建议引擎部分地或全部地在诸如商家设备430之类的用户设备上实现。例如，软件应用可以安装在用户设备上，该用户设备本地地（即在用户设备上）执行图像分析和建议生成。软件应用可以从服务器下载产品图像模型410和/或图像分析器414，服务器可以是或可以不是产品图像建议引擎或电子商务平台的一部分。

系统400可以在用户正在生成产品图像的过程中向用户提供产品图像建议。下面参考图7来描述用于提供产品图像建议的示例过程，图7是示出过程700的流程图。过程700包括多个步骤702、704、706、708、710、712、714、716、718。

步骤702包括生成和/或更新产品图像模型410，并且可以使用产品图像模型生成器412来执行。生成产品图像模型的一个选项是通过用期望参数手动填充查找表来生成查找表。这些期望参数对应于预期产生高质量图像和/或与高市场成功相关联的图像的产品图像参数。例如，可以使用专业产品摄影师常用的参数来填充查找表。

生成产品图像模型的另一选项是生成并训练机器学习算法。使用数据416来执行训练神经网络。在训练期间，将来自现有产品图像的参数作为输入提供给神经网络，并且将现有产品图像的市场成功的指示用作训练的已知结果。可以使用本领域中已知的任何方法来执行训练。

由于机器学习算法是使用针对现有产品图像而衡量的市场成功来训练的，因此经过训练的机器学习算法可以提供紧密反映实际消费者的偏好的产品图像模型。与之相比，专业产品摄影师可能无法访问诸如数据416之类的数据，或者没有分析所述数据的能力。专业产品摄影师也可能会将个人偏见引入其产品图像中，这无法反映实际消费者的偏好。因此，至少当与专业产品摄影师相比时，经过训练的机器学习算法可能会更善于预测导致高市场成功的产品图像参数。

一旦训练了机器学习算法，就可以使用经过训练的机器学习算法来实现产品图像模型410。在一些实现中，产品图像模型生成器412使用经过训练的机器学习算法来生成查找表，并且产品图像模型410还或者替代地使用查找表来实现。为了使用机器学习算法来生成查找表，产品图像模型生成器412可以搜索被机器学习算法预测为具有高市场成功的产品图像参数。该搜索可以包括对产品图像参数和/或优化算法的随机搜索。在搜索中找到的产品图像参数可以称为期望的产品图像参数，并且可以用于填充查找表。

步骤702是可选步骤。例如，产品图像模型410可能仅被生成一次，并且可以在不生成新的产品图像模型的情况下多次重复过程700。替换地，可以接收而不是生成产品图像模型。

步骤704包括将产品图像模型410存储在存储器中。该存储器可以是产品图像建议引擎402的存储器406，或者是商家设备430的存储器434。例如，商家设备430可以从产品图像建议引擎402下载产品图像模型410。替换地，商家设备430可以将产品图像模型生成器412存储在存储器434中，并本地地生成产品图像模型410。数据416也可以存储在存储器434中，或者商家设备430可以经由网络426接收数据416的至少一部分。

步骤706包括获得产品图像，该产品图像是由用户设备生成的。在该示例中，将假定商家设备430，但是一般而言，过程700可以涉及任何用户设备。在一些实现中，通过使用相机436捕获产品的照片来获得产品图像。可以在商家主动捕获图像之后获得产品图像。例如，商家可以按下用户接口438上的按钮以指导相机436捕获图像。替代地，可以以预定义的间隔从相机436自动获得产品图像。例如，商家设备430可以每秒一次地获得相机436当前正看的内容的图像。这可以是相机436的电子取景器中的图像。

在一些实现中，产品图像由商家设备430至少部分地使用CGI来生成。在商家设备430上运行的软件应用可以允许商家生成CGI产品图像，其可以还或可以不还包括照片。可以在商家主动保存图像之后获得CGI产品图像，或者可以在商家正在生成图像的过程中的同时自动获得CGI产品图像。

在某些情况下，所获得的产品图像可能不表示用于生成产品图像的设备的全部能力。在一个示例中，在电子取景器中显示的图像可能不使用相机436的全部能力，因为与正常拍摄的图片相比，该图像的分辨率可能降低。在另一示例中，从软件应用自动获得的CGI图像可能未被正确渲染以生成高分辨率图像。因此，步骤706还可以包括获得指示商家设备430和/或相机436的一个或多个能力的数据。该数据也可以被认为是元数据，可以包括例如相机436的真实分辨率或渲染之后的CGI图像的预期分辨率。

摄影和CGI是生成产品图像的示例方法，但是也可设想其他方法。例如，可以使用2D或3D扫描仪来生成产品图像。在过程700中不限制生成产品图像的方式。

在一些实现中，步骤706还包括获得在产品图像中显示的产品的描述。该描述可以用于辅助对产品图像的分析。在某些情况下，描述可以例如由商家经由用户接口438回答关于产品的一系列问题来生成。可以将这一系列问题设计为生成与生成产品图像建议相关的信息。与生成产品图像建议相关的信息的非限制性示例包括产品类型、产品大小、和产品颜色。替换地，产品的描述可以是例如旨在向在线商店中的消费者描述产品的一般描述。文本分析算法可以用于挖掘一般描述并返回与生成产品图像建议相关的信息。

在一些实现中，在步骤706处获得产品图像包括产品图像建议引擎402接收产品图像、商家设备430的能力、和/或来自商家设备的显示在产品图像中的产品的描述。例如，产品图像可以通过网络426传输到产品图像建议引擎402。然而，在商家设备430存储产品图像模型410和/或图像分析器414的实现中，可能不发生传输产品图像。

现在参考步骤708，该步骤包括确定特定产品图像的参数。使用图像分析器414来执行该步骤。在一些实现中，步骤708包括对特定产品图像执行图像分析。

如果在步骤706中获得在产品图像中显示的产品的描述，那么可以基于产品的描述来确定产品图像的至少一个参数。例如，产品的描述可以指示产品是白色的咖啡马克杯，并且图像分析算法可以使用此信息作为输入，以帮助区分产品（即咖啡马克杯）与产品图像的背景。

如果在步骤706中获得指示商家设备430和/或相机436的能力的数据，那么可以基于该能力来确定产品图像的至少一个参数。例如，如果该数据指示相机436的真实分辨率是两千万像素，但是所获得的产品图像仅具有五百万像素的分辨率，那么产品图像将被认为具有两千万像素的分辨率。

步骤708可以由产品图像建议引擎402或由商家设备430来执行。在产品图像被传输到产品图像建议引擎的实现中，处理器404然后可以使用图像分析器414来生成产品图像的参数。在一些实现中，商家设备430上的存储器434存储图像分析器414，并且处理器432可以本地地生成产品图像的参数。例如，图像分析器414可以已经由网络426传输到了商家设备430。可选地，产品图像的参数可以从商家设备430传输到产品图像建议引擎402。

步骤710包括生成用于修改产品图像的建议。使用产品图像模型410和在步骤708处确定的产品图像的参数来执行该步骤。将产品图像的参数输入到产品图像模型410中，以产生对产品图像的质量和/或产品图像市场成功的预测的估计。在某些情况下，产品图像模型410可能预测该产品图像将具有相对较低的市场成功。产品图像模型410然后被用来生成用于修改产品图像的建议。建议可以指导商家和/或商家设备430产生具有与初始产品图像不同的一个或多个参数的另一产品图像。不同的参数可以改善后续产品图像的质量。

在一些实现中，生成建议以改善产品图像的预测市场成功和/或产品图像与商家使用的其他产品图像的一致性。

在产品图像是照片或包括照片的情况下，修改产品图像的建议可以包括：改变用于拍摄产品图像的相机型号的建议、改变相机设置的建议、和/或改变产品图像拍摄条件的建议。产品图像的参数取决于用于拍摄产品图像的相机型号的能力、相机的设置、以及拍摄产品图像的条件，因此改变这些能力、设置和条件中的任何都将修改产品图像的参数。以下是可以被改变以修改产品图像的能力、设置和条件的非限制性列表：

• 相机分辨率；

• 相机灵敏度（例如，ISO或电荷耦合器件（CCD）增益）；

• 孔径大小；

• 曝光时间；

• 缩放设置（数字和光学）；

• 滤光（数字和光学）；

• 闪光灯设置；

• 相机到产品的距离；

• 产品相对于相机的取向；

• 所使用的（一个或多个）光源；以及

• 所使用的（一个或多个）背景。

步骤710的目的是生成建议，以帮助商家生成具有与初始产品图像不同的一个或多个参数的后续产品图像，并与初始产品图像相比改善后续产品图像的质量。在一些实现中，建议包括针对商家的指导。例如，指导可以是改变相机型号、光源、背景、相机到产品的距离、和/或产品相对于相机的取向。在一些实现中，建议包括由商家设备430自动执行的指导。例如，指导可以是改变相机436上的灵敏度、光圈大小、曝光时间、缩放设置、滤光、和/或闪光灯设置。在该示例中，建议可以是以用户通知和无需用户干预即可自动执行的指导的形式。

可以取决于所使用的产品图像模型的类型以各种各样的不同方式中的任何来执行步骤710中的建议生成。

对于以查找表的形式实现的产品图像模型，在步骤710中生成建议包括将产品图像的参数与存储在查找表中的期望参数进行比较。如果产品图像的任何参数超出查找表中指定的范围、和/或与查找表中的理想值相差超过预定义的量，则认为该参数会降低产品图像的质量和/或与低市场成功相关联。然后生成建议，以使产品图像的参数更接近存储在查找表中的值。作为示例，参考图5的查找表500，如果咖啡马克杯的产品图像具有39％的平均图像亮度，则产品图像建议引擎402可以使用查找表500来确定可以通过增加亮度来改善产品图像的质量。这样，产品图像建议引擎402可以生成建议以增加相机灵敏度、增加光圈大小、增加曝光时间、减少滤光、打开闪光灯、使用更亮的光源、和/或使用更亮的背景。可以基于产品图像的其他参数来在这些建议中的任何和全部之间进行选择。

对于以机器学习算法形式的产品图像模型，步骤710包括将产品图像的参数输入到机器学习算法中，并使用机器学习算法来计算产品图像的市场成功预测。在例如市场成功预测低于预定阈值的情况下，机器学习算法可以用于帮助确定用于改善后续产品图像的市场成功的建议。该建议可以与对产品图像的市场成功的初始预测的改善相关联。

用于生成建议的一个选项是使用机器学习算法来搜索一组产品图像参数，该组参数产生合适的市场成功预测、或者至少产生比原始基线预测更好的市场成功预测。搜索可以包括改变到机器学习算法的输入、或改变机器学习算法本身的属性以模拟对输入的改变，并确定这些改变对预测市场成功的影响。

在一些实现中，机器学习算法是或包括神经网络。在这些实现中，步骤710可以包括确定产生对特定产品图像的市场成功预测的改善的对神经网络的修改，并基于对神经网络的修改来生成建议。例如，可以改变神经网络的一个或多个节点处的系数，并可以计算这些改变对预测市场成功的影响。可以重复此过程以找到提供合适的市场成功预测的神经网络。然后可以反向传播对神经网络的改变，以确定预期具有合适的市场成功的产品图像的参数，可以将其转换为对商家和/或商家设备430的建议。为了改善使用神经网络搜索建议的效率，可以应用优化技术和算法。

举例来说，参考图6的神经网络600，可以在输入602、604、606、608、610、612、614、616处使用产品图像的参数，并且可以在输出618处接收产品图像的市场成功的指示。为了确定导致改善的市场成功预测的新的一组产品图像参数，可以改变层620中任何或所有节点处的变量，并且可以衡量输出618处的改变。如果发现对层620中的节点的特定的一组改变在输出618处产生了改善的市场成功预测，则可以将这些改变反向传播通过神经网络600以确定预期产生该输出的新的一组输入。然后可以基于该新的一组输入来生成建议，其中建议旨在帮助产生具有这些参数的产品图像。

在一些实现中，产品图像模型410包括查找表和机器学习算法。在步骤710中，机器学习算法分析产品图像的参数以确定产品图像是否预期具有合适的市场成功。如果产品图像被预测为不具有合适的市场成功，则可以使用查找表来确定用于改善后续产品图像的市场成功的建议。

步骤710可以由产品图像建议引擎402或由商家设备430来执行。在产品图像或产品图像的参数被传输到了产品图像建议引擎402的实现中，处理器404然后可以使用产品图像模型410来生成用于修改产品图像的建议。在一些实现中，商家设备430上的存储器434存储产品图像模型410，并且处理器432本地地生成用于修改产品图像的建议。例如，产品图像模型410可以已经由网络426传输到了商家设备430，或者商家设备可以已在步骤702处生成了产品图像模型。

步骤712包括指导商家设备430在商家设备上显示建议。在一些实现中，建议与产品图像相关联地显示。建议可以告知商家为什么图像不是高质量的和/或为什么图像未被预测为在市场上是成功的，并且教导商家如何生成改善的图像。在某些情况下，建议可以告知商家该产品图像在某些方面与商家使用的其他产品图像不一致。例如，如果商家销售多个不同的咖啡马克杯，并且这些咖啡马克杯的产品图像使用特定的背景，则针对新咖啡马克杯的产品图像而生成的建议可以告知商家为了一致性应使用该特定背景。

在步骤712中，可以使用单词和/或符号来指导用户执行某些动作以生成更高质量的图像。建议可以与用户设备上的产品图像叠加或重叠，以帮助用户可视化建议。在一个示例中，建议是产品占据查看区域或查看区域中的位置的特定百分比，并且可以指导用户设备在商家的显示器上叠加一个框，并让商家在该框内对齐产品。

在一些实现中，指导商家设备430当在步骤706获得的产品图像也显示在商家设备上的同时显示建议。例如，在步骤706中获得的产品图像可以是由商家设备430捕获的静止图像。然后可以将建议和静止图像一起显示。商家可以从建议中学习，并基于建议来继续捕获后续产品图像。

在一些实现中，指导商家设备430当后续产品图像显示在商家设备上的同时显示建议，后续产品图像也是由商家设备捕获的。例如，商家设备430中的显示器可以用作取景器，其基于相机436正捕获的内容而持续更新。在步骤706中获得第一产品图像，并基于该第一产品图像生成建议。然而，随着正在生成建议，可以更新取景器并显示第二产品图像。然后可以在此取景器中显示建议和第二产品图像。建议还可以或者可以替代地与取景器并排显示。在某些情况下，第一和第二产品图像可能相似或甚至几乎相同，因此，建议对于第二产品图像仍然有效。在预定的时间段之后，可以基于取景器中的产品图像生成另一建议。这是主动或自动提供产品图像建议的示例，因为随着商家设备430的取景器中示出的产品图像的改变而持续生成或更新建议。

如上所述，可以在产品图像建议引擎402处与商家设备430远程地生成建议。这样，在一些实现中，步骤712包括将建议传输到商家设备430。

图7示出了在步骤712之后，过程700可以返回到步骤706，在步骤706处获得另一产品图像。替换地，过程700可以前进至可选步骤714，其包括基于建议指导商家设备430调整商家设备上的设置。例如，可以指导商家设备430调整相机436上的灵敏度、光圈大小、曝光时间、缩放设置、滤光、和/或闪光灯设置。这可以在商家知道或不知道的情况下自动发生。在步骤714之后，过程700可以返回到步骤706。

在某些情况下，在步骤706处获得的产品图像可以被确定为高质量和/或可以通过产品图像模型410而产生市场成功的合适预测。因此，可能不需要在步骤710处生成建议。这可以是所获得的第一产品图像，或是在步骤710处生成一个或多个建议之后改善了的后续产品图像。在这些情况下，过程700可以在步骤708之后前进到可选步骤716，而不是到步骤710。步骤716包括确定在步骤706处获得的产品图像是否合适。使用在步骤702处生成的产品图像模型410和在步骤708处确定的产品图像的参数来执行该步骤。对于以查找表形式实现的产品图像模型，步骤716可以包括确定产品图像的参数在查找表中指定的范围之内、和/或接近于查找表中的理想值。对于以机器学习算法形式的产品图像模型，步骤716可以包括将产品图像的参数输入到机器学习算法中，并使用机器学习算法来计算例如高于预定阈值的特定产品的市场成功预测。

在步骤716之后，过程700然后可以前进到可选步骤718，其包括指导商家设备430在商家设备上显示第二产品图像合适的指示。这样的指示可以包括告知商家产品图像合适的文本和/或符号。

在一些实现中，步骤718可以替代地（或附加地）包括指导商家设备430自动拍摄照片，使得商家不必手动拍摄照片。以这种方式，商家设备430可以以如下模式操作：指导商家（根据需要）进行修改直到确定产品图像合适为止，此时相机可以自动为商家拍摄图片。

应注意的是，系统400仅仅是能够实现过程700的系统的一个示例。一般而言，过程700也可以使用其他系统来实现。尽管与使用商家设备的商家相关联地描述了过程700的描述，但是应注意的是，可以以任何用户和用户设备来执行该过程。

图7中示出的步骤702、704、706、708、710、712、714、716、718的顺序是作为示例提供的。一般而言，本文提供的实施例不限于步骤702、704、706、708、710、712、714、716、718的任何特定顺序。例如，步骤704处的存储产品图像模型可以在获得产品图像之后执行或甚至与获得产品图像同时执行。

在一些实施例中，可以在步骤706处获得产品图像之前在步骤710处生成建议。例如，如果产品图像建议引擎402确定商家将要捕获咖啡马克杯的图像（例如，基于咖啡马克杯产品描述的先验录入），则产品图像建议引擎可以基于存储在查找表中的值为商家生成初步建议。商家可以在拍摄咖啡马克杯的图像之前从这些建议中学习。

产品图像建议的示例用户界面

图8至图15示出了根据本公开的实施例的屏幕页面。任何或所有屏幕页面可以示出在用户设备（诸如图4的商家设备430）的显示器上。屏幕页面的示例包括网页和通过移动应用访问的页面。

图8示出了示例屏幕页面800，其示出了用户设备上的产品图像建议的主菜单。屏幕页面800可以由在商家设备上运行的程序或应用来提供。程序可以提供产品图像建议，并且可能地还协调例如产品图像到商家在线商店的上传。在一些实现中，可以经由电子商务平台上的商家的主页来访问屏幕页面800。这样的主页的示例在图2中提供。屏幕页面800向用户展示了捕获产品照片的选项802、以及从图库中选择先前捕获的照片的另一选项804。

在选择选项802后，用户设备可以与从相机获得的产品图像同时显示产品图像建议。图9示出了示例屏幕页面900，其与产品图像同时显示多个建议908、910、912。

屏幕页面900包括相机的取景器。相机正被用于捕获咖啡马克杯902的图像，咖啡马克杯902放在背景906前面的表面904上。屏幕页面900还包括按钮914，其允许用户捕获并保存在屏幕页面900中示出的图像。建议908、910、912与产品图像叠加或重叠，以帮助用户更好地可视化建议。

建议908、910涉及使相机相对于咖啡马克杯902旋转20°。具体地，建议908包括指导用户将相机旋转20°的文本，并且建议910是箭头，以帮助用户可视化相机应如何旋转。这些建议可以由产品图像模型生成，产品图像模型分析产品图像并确定咖啡马克杯902和表面904相对于水平面倾斜大约20°。

建议912包括指导用户使用更深的背景的文本。在产品图像模型确定咖啡马克杯902与背景906之间的对比度太低、或者产品图像的平均亮度太高之后，可以生成建议912。

在一些实现中，建议908、912中的一个或两个可以包括文本，该文本指示正为了与用户所使用的其他产品图像的一致性而做出建议。例如，建议908可以替代地阐述“将相机旋转20°以匹配您过去为您的其他图片使用的角度”。

应注意的是，建议908、910、912可能并非是基于屏幕页面900中示出的恰好该产品图像生成的。由于屏幕页面900是正在持续更新的取景器，因此建议908、910、912的生成可以是基于先前的产品图像，但是到实际生成建议时，在取景器中示出了另一产品图像。然而，在这种情况下，产品图像之间几乎没有差异。这样，建议908、910、912对于屏幕页面900中示出的产品图像仍然有效。

基于建议908、910、912，用户可以通过重新调整相机的取向并改变背景来修改产品图像。然后，当用户设备获得新的产品图像时，将主动更新建议。新的产品图像在图10中示出。图10示出了另一屏幕页面1000，其与产品图像同时显示多个产品图像建议1002、1004。屏幕页面1000中的该产品图像与屏幕页面900中的产品图像的不同之处在于，已重新调整了相机的取向，使得咖啡马克杯902和表面904现在是水平的，并且背景906已被替换为更深的背景1006。这些差异导致建议908、910、912被移除，因为咖啡马克杯902的倾斜、对比度和产品图像的平均亮度不再是降低产品图像质量的参数。

新的建议1002、1004涉及产品图像中咖啡马克杯902的大小。例如，可以使用产品图像模型确定了咖啡马克杯占据了产品图像的过少的像素。建议1002包括指导用户将相机移近咖啡马克杯902的文本。建议1004包括帮助用户可视化咖啡马克杯902在产品图像中的理想大小的框或轮廓。用户可以将相机移近咖啡马克杯902，直到马克杯填满该框为止。

图11示出了另一屏幕页面1100，其包括正由相机捕获的产品图像合适的指示1102。例如，屏幕页面1100中示出的产品图像可以使用产品图像模型产生相对高的市场成功预测。屏幕页面1100因此没有示出任何建议。当展示有屏幕页面1100时，可以鼓励用户使用按钮914捕获产品图像。该产品图像然后可以用于例如在在线商店中展示咖啡马克杯902。

再次参考图8，当选择选项804时，用户设备可以访问存储在用户设备上或其他地方的产品图像的图库。然后可以选择来自图库的产品图像，并且可以基于该产品图像生成建议。

图12示出了显示保存到图库的图像的屏幕页面1200。当例如在屏幕页面800中选择了选项804后，可以将用户引导到屏幕页面1200。屏幕页面1200包括咖啡马克杯的一个产品图像1202。值得注意的是，这是图9的屏幕页面900中示出的同一个产品图像。作为示例，在屏幕页面1200中示出了一个产品图像，并且一般而言可以在图库中存储一个以上的产品图像。

当用户选择产品图像1202时，他们可以被引导到图13中示出的屏幕页面1300。屏幕页面1300与产品图像1202同时显示多个建议1304。建议1304示出在产品图像1202下方。建议1304包括针对用户的以下指导：将相机顺时针旋转20°、将相机移近咖啡马克杯、以及在咖啡马克杯上方使用更深的背景。用户可以在捕获另一产品图像之前从这些建议中学习。屏幕页面1300显示按钮1306以使用户能够拍摄另一产品图像。选择按钮1306可以将用户引导到与相机对接的程序或应用以拍摄产品图像。

在拍摄另一产品图像之后，该图像可以由产品图像模型自动分析。替换地，用户可以返回到屏幕页面1200并选择该新的产品图像。图14示出了具有新产品图像1402和更新的一组建议1404的屏幕页面1400。产品图像1402与屏幕页面1000中示出的产品图像相同。建议1404仅包括将相机移近咖啡马克杯的指导。当用户捕获产品图像1402时，可以遵循了先前的一组建议1304。用户可以选择屏幕页面1400中的按钮1306以在虑及建议1404的情况下捕获另一产品图像。

图15示出了屏幕页面1500，其具有另一产品图像1502和产品图像1502合适的指示1504。还提供按钮1506以允许用户选择产品图像1502作为例如最终产品图像以显示在在线商店中。

结论

尽管已参考特定特征及其实施例描述了本发明，但是可以对本发明进行各种修改和组合而不脱离本发明。因此，说明书和附图仅被视为如由所附权利要求限定的本发明的一些实施例的例示，并且可设想其涵盖落入本发明范围内的任何和所有的修改、变型、组合或等同物。因而，尽管已详细描述了本发明及其优点，但是在不脱离如由所附权利要求所限定的本发明的情况下，可以在本文中进行各种改变、替换和更改。此外，本申请的范围不旨在限于说明书中描述的过程、机器、制造、物质组成、手段、方法和步骤的特定实施例。如本领域普通技术人员将容易地从本发明的公开中领会到的，可以根据本发明来利用目前存在的或稍后将被开发的与本文中描述的对应实施例执行大体相同的功能或实现大体相同的结果的过程、机器、制造、物质组成、手段、方法或步骤。因此，所附权利要求旨在将这样的过程、机器、制造、物质组成、手段、方法或步骤包括在其范围内。

此外，本文中例示的执行指令的任何模块、组件或设备可以包括或以其他方式有权访问非暂时性计算机/处理器可读存储介质或用于存储信息的介质，诸如计算机/处理器可读指令、数据结构、程序模块和/或其他数据。非暂时性计算机/处理器可读存储介质的示例的非穷举列表包括：盒式磁带、磁带、磁盘存储装置或其他磁存储设备、诸如光盘只读存储器（CD-ROM）之类的光盘、数字视频盘或数字多功能盘（DVD）、蓝光盘™或其他光学存储装置、以任何方法或技术实现的易失性和非易失性、可移除和不可移除的介质、随机存取存储器（RAM）、只读存储器（ROM）、电可擦可编程只读存储器（EEPROM）、闪存、或其他存储器技术。任何这样的非暂时性计算机/处理器存储介质都可以是设备的部分、或对于该设备可访问、或可连接到该设备。可以使用可以由这样的非暂时性计算机/处理器可读存储介质存储或以其他方式保持的计算机/处理器可读/可执行指令来实现本文描述的任何应用或模块。

Claims (22)

1.一种计算机实现的方法，包括：

在存储器中存储将产品图像的参数关联至所述产品图像的市场成功的模型；以及

在产品摄影期间提供反馈，提供反馈包括：

获得由用户设备捕获的第一产品图像；

获得指示所述用户设备的能力的数据；

确定第一产品图像的特定参数，其中确定第一产品图像的特定参数包括基于所述用户设备的能力来确定第一产品图像的参数；

使用所述模型和所述特定参数来生成用于用所述用户设备捕获另一产品图像的建议，所述另一产品图像相比于第一产品图像具有改善的预测市场成功；

指导所述用户设备当在所述用户设备上显示由所述用户设备捕获的后续产品图像时在所述用户设备上的取景器中显示所述建议的至少一部分；以及

基于所述建议指导所述用户设备自动调整所述用户设备上的设置；

其中：

第一产品图像不使用所述用户设备的相机的全部能力，因为与从所述用户设备的相机正常拍摄的图片相比，第一产品图像具有降低的分辨率；

指示所述用户设备的能力的数据包括所述用户设备的相机的真实分辨率的指示；以及

基于所述用户设备的能力确定第一产品图像的参数包括基于所述用户设备的相机的真实分辨率来确定第一产品图像的参数。

2.根据权利要求1所述的计算机实现的方法，其中：

所述模型包括包含期望参数的查找表，并且

生成建议包括将所述特定参数与所述期望参数进行比较。

3.根据权利要求1所述的计算机实现的方法，其中：

所述模型是使用机器学习算法实现的，并且

生成建议包括：

将所述特定参数输入到所述机器学习算法中；以及

使用所述机器学习算法来计算第一产品图像的市场成功预测，其中，所述建议与对第一产品图像的市场成功预测的改善相关联。

4.根据权利要求3所述的计算机实现的方法，其中：

所述机器学习算法包括神经网络，并且

生成建议还包括：

确定产生对第一产品图像的市场成功预测的改善的对所述神经网络的修改；以及

基于对所述神经网络的修改来生成所述建议。

5.根据权利要求1所述的计算机实现的方法，其中，获得第一产品图像包括从所述用户设备接收第一产品图像。

6.根据权利要求1所述的计算机实现的方法，其中，指导所述用户设备显示所述建议的至少一部分包括将所述建议传输到所述用户设备。

7.根据权利要求1所述的计算机实现的方法，其中，确定第一产品图像的特定参数包括对第一产品图像执行图像分析。

8.根据权利要求1所述的计算机实现的方法，还包括：

获得显示在第一产品图像中的产品描述，

其中，确定第一产品图像的特定参数包括基于所述产品描述来确定第一产品图像的参数。

9.根据权利要求1所述的计算机实现的方法，其中，生成建议包括为所述用户设备的用户生成指导。

10.根据权利要求1所述的计算机实现的方法，其中，所述特定参数是第一多个参数，所述方法还包括：

获得针对与第一产品图像相同的产品的由所述用户设备捕获的第二产品图像；

确定第二产品图像的第二多个参数；

使用所述模型和第二多个参数来确定第二产品图像是否合适；以及

指导所述用户设备在所述用户设备上显示第二产品图像合适的指示。

11.根据权利要求1所述的计算机实现的方法，其中，指导所述用户设备自动调整所述用户设备上的设置包括指导所述用户设备自动调整所述用户设备上的相机设置。

12.一种系统，包括：

存储器，其要存储将产品图像的参数关联至所述产品图像的市场成功的模型；以及

处理器，其要在产品摄影期间提供反馈，其中，所述处理器要：

获得由用户设备捕获的第一产品图像，

获得指示所述用户设备的能力的数据，

确定第一产品图像的特定参数，这包括基于所述用户设备的能力来确定第一产品图像的参数，

使用所述模型和所述特定参数来生成用于用所述用户设备捕获另一产品图像的建议，所述另一产品图像相比于第一产品图像具有改善的预测市场成功，

指导所述用户设备当在所述用户设备上显示由所述用户设备捕获的后续产品图像时在所述用户设备上的取景器中显示所述建议的至少一部分，以及

基于所述建议指导所述用户设备自动调整所述用户设备上的设置；

其中：

第一产品图像不使用所述用户设备的相机的全部能力，因为与从所述用户设备的相机正常拍摄的图片相比，第一产品图像具有降低的分辨率；

指示所述用户设备的能力的数据包括所述用户设备的相机的真实分辨率的指示；以及

基于所述用户设备的能力确定第一产品图像的参数包括基于所述用户设备的相机的真实分辨率来确定第一产品图像的参数。

13.根据权利要求12所述的系统，其中：

所述模型包括包含期望参数的查找表，并且

所述建议是基于所述特定参数与所述期望参数的比较。

14.根据权利要求12所述的系统，其中：

所述模型是使用机器学习算法实现的，并且

所述处理器还要：

将所述特定参数输入到所述机器学习算法中；以及

使用所述机器学习算法来计算第一产品图像的市场成功预测，其中，所述建议与对第一产品图像的市场成功预测的改善相关联。

15.根据权利要求14所述的系统，其中：

所述机器学习算法包括神经网络，并且

所述处理器还要：

确定产生对第一产品图像的市场成功预测的改善的对所述神经网络的修改；以及

基于对所述神经网络的修改来生成所述建议。

16.根据权利要求12所述的系统，其中，所述处理器还要从所述用户设备接收第一产品图像。

17.根据权利要求12所述的系统，其中，所述处理器还要将所述建议传输到所述用户设备。

18.根据权利要求12所述的系统，其中，所述处理器还要对第一产品图像执行图像分析以确定所述特定参数。

19.根据权利要求12所述的系统，其中，所述处理器还要：

获得显示在第一产品图像中的产品描述，以及

基于所述产品描述来确定第一产品图像的参数。

20.根据权利要求12所述的系统，其中，所述建议包括针对所述用户设备的用户的指导。

21.根据权利要求12所述的系统，其中，所述特定参数是第一多个参数，并且所述处理器还要：

获得针对与第一产品图像相同的产品的由所述用户设备捕获的第二产品图像；

确定第二产品图像的第二多个参数；

使用所述模型和第二多个参数来确定第二产品图像是否合适；以及

指导所述用户设备在所述用户设备上显示第二产品图像合适的指示。

22.根据权利要求12所述的系统，其中，所述处理器还要指导所述用户设备自动调整所述用户设备上的相机设置。

Images