具体实施方式

计算机网络带宽是有限的资源，并且可以指代在各种计算设备之间传递数据的速率。例如，互联网可以是在一组计算机之间传输软件应用(“Apps”)和网站的数据的网络。在某些时候，经由计算机网络传输的数据量可能会占用大量可用网络带宽。并非立即将数据从一个设备传输到另一个设备，而是由于网络拥塞，数据可能会在一个设备上进行缓冲，这可能会降低网络及时将所请求的数据传输到请求设备的能力。该延迟可以被称为等待时间，并且可能会使最终用户的体验降级。

本文描述的技术可以提供用于经由计算机网络分发统一图像的网络和速度增强。在示例中，服务器系统可以托管可由最终用户客户端计算设备经由计算机网络访问的在线应用(例如，网站或app)。在示例中，在线应用可以是在线市场(例如，在线零售平台)的面向客户的网站，在此用户可以经由在线应用购买商品和/或服务。在某些情况下，在线市场可以允许卖方(例如，企业或用户)为出售的项目设置价格。项目可以指代具有特定特征集的产品。在一些示例中，在线市场可以实施在线拍卖，其中卖方可以以期望的价格提交项目的竞价。

在线应用可以提供可以在用户设备上呈现的图形用户界面，其中卖方可以生成卖方想要出售的一个或多个项目(例如，产品、服务等)的列表。作为生成列表的一部分，在一些示例中，在线应用可以：提示卖方上传待售项目的图像(例如照片)；输入项目说明、列表标题、项目通用产品代码(UPC)；提供销售价格或用于在线拍卖的起始竞价；包括项目的立即购买价格；或其任意组合。卖方可以利用在线应用列出待售的多个相同类型的项目或不同项目类型的各种项目(例如，不同类型的产品)。多个卖方还可以上传相同项目的列表或略有不同(例如，大小、颜色、年代等)的相似项目的列表。

买方可以利用其用户设备(例如，买方设备)访问在线应用并且浏览来自一个或多个卖方的可销售项目的不同列表。买方可以经由呈现由在线应用提供的图形用户界面的用户设备来输入描述用户可能希望购买的项目(例如，产品)的搜索查询。服务器系统可以处理该查询以识别与查询相对应的至少一个产品以及该产品的一个或多个卖方列表。服务器系统可以向买方设备发送包括要呈现给买方的项目的一个或多个列表的搜索结果页面。

当经由计算机网络向买方用户设备提供搜索结果时，网络流量条件提出了挑战。在某些情况下，每个搜索结果页面中包括的数据量可能基于搜索结果页面中列表的数量和每个列表中包括的数据量而变化。具体地，每个列表中包括的数据量可能根据列表而变化。每个搜索结果页面中包括的数据量也可能基于每个列表中的数据量和所包括的列表的数量而变化。特别地，常规系统可以包括卖方在生成列表时提供的一个或多个图像，并且每个列表中包括的图像的数据大小可以变化。此外，当生成相同或相似项目的列表时，卖方可能会上传非常不同的图像。发送列表或包括多个列表的搜索结果可能会消耗网络带宽，并且可能影响网络带宽利用率。另外，由于列表的图像具有不同的大小、具有对相同或相似项目的不同描绘，因此搜索结果页面可能包括大量数据，并且搜索结果页面的传输可能会影响网络利用率。此外，卖方在列表中包括的某些图片可能会无意间对卖方的以期望价格(例如，最高可能价格)出售项目的目标产生负面影响。

本文描述的技术可以提供用于经由计算机网络分发统一图像的网络和速度增强。服务器系统可以采用机器学习技术以通过在可销售项目(例如，产品)的列表中选择代表性图像(例如，统一图像)进行显示来高效地利用网络带宽。当创建列表时，服务器系统可以将列为待售的项目分类为特定产品的列表，并且可以接收被列为待售的项目的上传图像。在某些情况下，多个列表可映射到特定产品。在一些示例中，映射到产品的项目可以是该产品的完全相同的版本，或者这些项目可以以至少某种方式变化(例如，颜色)，但是仍然映射到同一产品。

服务器系统可以使用机器学习来监控买方行为以确定产品的哪些图像导致期望的结果，并且可以基于监控来选择产品的代表性图像(例如，统一图像)。期望的结果可以例如是买方进行购买的可能性增加、购买的商品总额(GMB)增加等。例如，机器学习可以基于为与产品的列表相关联的每个卖方上传图像生成的用户交互度量来确定产品的统一图像。在示例中，机器学习模型可以基于以下各项生成用户交互度量：准买方花费在查看图像上的时间量、准买方是否实际购买了被列为待售的项目、准买方是否放大或以其他方式操纵了图像、准买方选择查看了多少针对列表发布的图像、买方为所列项目支付的购买价格等或其任意组合。用户交互度量可以是分配给产品的每个列表的每个卖方上传图像的数值。

机器学习模型可以基于确定图像能够实现期望结果的程度(例如，与产品的其他列表的图像相比，快速地以更高的价格出售项目)为卖方上传图像生成用户交互度量。当生成用户交互度量时，机器学习模型可以归一化用户交互度量以解决列表之间的任何差异(例如，不同的颜色)。机器学习模型可以基于用户交互度量对产品可用的卖方上传图像进行排名(例如，按数字顺序排列)，并且选择产品的统一图像(例如，选择其用户交互度量具有最高数字得分的图像作为代表性图像)。机器学习模型还可以使用反馈循环，以便随时间变化迭代地更新所选的统一图像。例如，当网络利用条件有利时，服务器系统可以在搜索结果页面中包括来自列表的除了先前识别的统一图像之外的一个或多个图像来为每个图像生成用户交互度量，并且可以使用所生成的用户交互度量来确定是否保持或改变统一图像。

服务器系统还可以监控网络利用率，并且可以在提供搜索结果时智能地选择何时提供统一图像。当网络利用率低时，服务器系统可以提供包括由卖方上传的带有或不带有统一图像(例如，用于更新图像的用户交互度量)的图像的搜索结果页面。当网络利用率较高(例如，满足拥塞阈值)时，服务器系统可以提供包括统一图像而不是由卖方上传的一个或多个图像的搜索结果页面。

提供统一图像可以提高速度、带宽利用率、增强列表期望结果的可能性并且改善买方的用户体验。在卖方在生成列表时未上传图像的情况下，还可以为列表提供统一图像。此外，在一些示例中，服务器系统可以向买方设备提供用于包括多个列表的搜索结果页面的单个统一图像。在为用户检测到低带宽连接或网络受到带宽限制的情况下，提供单个统一图像可能是有益的，因为用户设备可以仅下载一个图像，而不是许多图像。统一图像识别还可以提高将搜索结果提供给买方设备的速度。

首先在服务器系统和数据处理的上下文中描述本公开的方面。然后在应用流程、网页和处理流程的上下文中描述本公开的方面。进一步地，由与用于经由计算机网络分发统一图像的网络和速度增强有关的设备图、系统图和流程图示出本公开的方面并且参考这些图来描述本公开的方面。

图1示出了根据本公开的各方面的支持用于经由计算机网络分发统一图像的网络和速度增强的系统100的示例。系统100包括云客户端105、用户设备110、云平台115和数据中心120。云平台115可以是公共或私有云网络的示例。云客户端105可以通过网络连接135访问云平台115。网络可以实现传输控制协议和互联网协议(TCP/IP)(例如，互联网)，或者可以实现其他网络协议。云客户端105可以是计算设备的示例，例如服务器(例如，云客户端105-a)、智能电话(例如，云客户端105-b)或膝上型计算机(例如，云客户端105-c)。在其他示例中，云客户端105可以是台式计算机、平板电脑、传感器或能够生成、分析、发送或接收通信的另一计算设备或系统。在一些示例中，云客户端105可以是企业、公司、非营利组织、初创企业或任何其他组织类型的一部分。

云客户端105可以便于数据中心120与一个或多个用户设备110之间的通信以实现在线市场。网络连接130可以包括云客户端105与用户设备110之间的通信、时机、购买、销售或任何其他交互。云客户端105可以访问云平台115以存储、管理和处理经由一个或多个网络连接130传递的数据。在某些情况下，云客户端105可以具有关联的安全性或权限级别。云客户端105可以基于该关联的安全性或权限级别访问云平台115内的某些应用、数据和数据库信息，并且可以不访问其他应用、数据和数据库信息。

用户设备110可以通过网络连接130与云客户端105交互。网络可以实现传输控制协议和互联网协议(TCP/IP)(例如，互联网)，或者可以实现其他网络协议。网络连接130可以便于经由计算机网络通过电子邮件、网站、文本消息、邮件或任何其他适当形式的电子交互(例如，网络连接130-a、130-b、130-c和130-d)传输数据。在示例中，用户设备110可以是诸如智能电话110-a、膝上型计算机110-b之类的计算设备，也可以是服务器110-c或传感器110-d。在其他情况下，用户设备110可以是另一计算系统。在某些情况下，用户设备110可以由用户或用户组来操作。该用户或用户组可以是与企业、制造商或任何其他适当组织相关联的客户。

云平台115可以向云客户端105提供按需数据库服务。在某些情况下，云平台115可以是多租户数据库系统的示例。在这种情况下，云平台115可以利用单个软件实例为多个云客户端105服务。但是，可以实现其他类型的系统，包括但不限于客户端服务器系统、移动设备系统和移动网络系统。在某些情况下，云平台115可以支持在线应用。这可以包括对以下内容的支持：操作用户设备110的买方与卖方之间的销售、服务、买方所发布产品的营销、买方与卖方之间的社群交互、诸如用户交互度量之类的分析数据、应用(例如，计算机视觉和机器学习)以及物联网。云平台115可以通过网络连接135从云客户端105接收与生成在线市场相关联的数据，并且可以存储和分析该数据。在某些情况下，云平台115可以直接从用户设备110和云客户端105接收数据。在某些情况下，云客户端105可以开发要在云平台115上运行的应用。可以使用远程服务器来实现云平台115。在某些情况下，远程服务器可以位于一个或多个数据中心120处。

数据中心120可以包括多个服务器。多个服务器可以用于数据存储、管理和处理。数据中心120可以经由连接140从云平台115接收数据，或者直接从云客户端105或经由用户设备110与云客户端105之间的网络连接130接收数据。数据中心120出于安全目的可以利用多个冗余。在某些情况下，数据中心120处存储的数据可以通过在不同的数据中心(未图示)处的数据副本来备份。

服务器系统125可以包括云客户端105、云平台115、图像机器学习分析组件145和数据中心120，可以与云平台115和数据中心120协作以实现在线市场。在某些情况下，数据处理可以在服务器系统125的任何组件处或在这些组件的组合处进行。在某些情况下，服务器可以执行数据处理。服务器可以是云客户端105或位于数据中心120处。

图像机器学习分析组件145可以经由连接155与云平台115通信，并且还可以经由连接150与数据中心120通信。图像机器学习分析组件145可以经由云客户端105以及经由云平台115或数据中心140从用户设备110接收信号和输入。

服务器系统125可以包括与如本文所述的操作相似的操作。如本文所述，服务器系统125的一个或多个组件(包括图像机器学习分析组件145)可以进行操作以确定要在产品的搜索结果页面中呈现图像集中的哪个图像。服务器系统125内的图像机器学习分析组件145可以经由卖方用户设备110和云平台115接收可能与产品相关联的项目集的图像集。服务器系统125和图像机器学习分析组件145可以基于图像集的每个图像的用户交互度量执行对图像集进行排名的图像排名以识别产品的图像集中的第一图像。服务器系统125和图像机器学习分析组件145可以从买方用户设备110(例如，任一用户设备110)接收可以映射到产品的搜索查询。然后，服务器系统125和图像机器学习分析组件145可以向用户设备(例如，任一用户设备110)发送包括项目集中的至少一个项目和统一图像的搜索结果页面。

本领域技术人员应理解，可以在系统100中实现本公开的一个或多个方面以附加地或可替代地解决上述问题之外的其他问题。此外，本公开的方面可以提供对如本文所述的“常规”系统或过程的技术改进。然而，本说明书和附图仅包括由于实现本公开的方面而产生的示例技术改进，因此不表示在权利要求范围内提供的所有技术改进。

图2示出了根据本公开的方面的支持用于经由计算机网络分发统一图像的网络和速度增强的应用流程200的示例。应用流程200的组件可以包括服务器系统的组件，例如用于实现在线市场的系统100的服务器系统125(如参考图1所述)或服务器系统125-b(如参考图5所述)。应用流程200的某些组件可以在数据中心(例如，数据中心120)或云平台(例如，云平台115)内或两者之内，或与数据中心或云平台或两者通信。应用流程200可以表示用于选择产品的图像集的统一图像的多个组件，以便高效地利用可用的网络带宽。

出售流程组件205可以与一个或多个用户交互以从一个或多个用户生成列表或从可能打算经由在线市场出售一个或多个项目(例如，产品)的“卖方”生成列表。卖方可以是操作用户设备的用户，例如关于图1和图5所述的用户设备110或用户设备505。与出售流程组件205的交互可以提示卖方输入描述要列出的待售项目的多个参数。在示例中，出售流程组件205可以使用户设备110呈现用于生成列表的图形用户界面。卖方可以生成待售项目(例如，产品)的列表(包括对产品的描述)，并且在某些情况下，可以将该项目的一个或多个图像上传到出售流程组件205。出售流程组件205可以基于由卖方提供的产品描述向卖方建议用于列表的产品。在某些情况下，出售流程组件205可以使卖方用户设备110显示菜单，以供卖方选择用于列表的建议产品。在示例中，卖方可以与出售流程组件205交互以生成针对平板计算机(例如，Apple iPad)的列表。卖方列出的特定Apple iPad可包括列表中包括的其他特征。例如，列表可以包括待售产品是具有Wi-Fi功能的Apple iPad Air 64GB。

出售流程组件205可以将列表分类为针对可经由在线市场购买的产品集中的特定产品。列表可以映射到其中列出的待售项目具有相同或相似特征的特定产品，但是可以允许项目之间存在某些差异，同时仍映射到同一产品。在某些情况下，生成列表的卖方可以选择或推荐该列表针对特定产品。可以通过出售流程组件205或机器学习训练组件220来更新或改变列表的用户推荐产品。

在一些示例中，出售流程组件205可以通过产品标识映射过程将一个或多个项目的集合分类为针对产品。产品标识映射过程可以包括卖方建议的初始产品的分析、基于标题、产品详细信息的对该选择的准确性的置信度分析、对一个或多个卖方上传图像的计算机视觉分析等。产品标识映射过程还可以使用诸如k个最近邻(KNN)算法之类的算法扩展到其他类似的产品集群。该产品标识过程可以由出售流程组件205或机器学习训练组件220执行。

在一些示例中，出售流程组件205或机器学习训练组件220可以执行计算机视觉机器学习算法以确认将项目分类为特定产品类别是适当的。计算机视觉机器学习算法的示例可以是卷积神经网络，例如残差网络(例如，ResNet-50，具有50层的残差网络)。在示例中，可以对为项目上传的一些或全部图像(例如，当创建或更新列表时)执行图像分类以验证该项目与用户建议的产品相关联。计算机视觉机器学习系统可以提取图像的一个或多个图像特征，并且为每个图像确定置信度匹配得分。置信度匹配得分可以指示计算机视觉机器学习算法对图像是特定产品(例如，eBay目录产品)的置信度。

为了生成置信度匹配得分，计算机视觉机器学习算法可以从一个或多个上传图像中提取一个或多个图像特征以匹配产品的代表性图片集的一个或多个代表性图像特征。该一个或多个图像特征可以例如包括所描绘项目的形状、所描绘项目的颜色、所描绘项目的一个或多个边缘等。计算机视觉机器学习算法可以基于所提取的一个或多个图像特征与一个或多个代表性图像特征匹配的程度来分配置信度匹配得分。在一些示例中，置信度匹配得分可以是数值。

计算机视觉机器学习算法可以使用卖方上传图像来生成相对于多个产品的置信度匹配得分，并且可以对置信度匹配得分进行排名以识别对于特定列表具有最佳匹配度(例如，最高置信度匹配得分)的产品。置信度匹配得分还可以用于确认卖方建议的产品列表是适当的，或者用于将卖方为列表建议的相关产品改变为与上传图像更好地匹配的其他产品。例如，如果计算机视觉机器学习算法确定上传图像与第一产品之间的置信度匹配得分较低，则计算机视觉机器学习算法可以确定卖方指示的第一产品不正确或将与列表相关联的产品改变为具有较高置信度匹配得分的其他产品。

跟踪服务组件210可以跟踪由一个或多个卖方上传的每个列表。跟踪服务组件210可以转发列表和相应的卖方上传图像，以存储在分布式文件系统组件215中。跟踪服务组件210可以在查看搜索结果页面中的一个或多个列表时监控买方的行为。还参考图3和图4讨论了包括可以被监控的列表的搜索结果页面的示例。跟踪服务组件210可以监控搜索结果页面中呈现的待购买列表以及监控用户与产品列表的交互并且将用户交互参数传递给分布式文件系统组件215。分布式文件系统组件215可以是HADOOP应用的示例。分布式文件系统组件215可以使用多个计算机的网络来分析大量数据。分布式文件系统组件215可以监控和分析整个在线应用中的销售以及基于由跟踪服务组件210检测到的用户交互参数分析销售。

机器学习训练组件220可以使用机器学习模型来对图像进行排名并且为产品选择统一图像。例如，在带宽有限并且可以通过提供一个统一图像来代表产品的列表集中的每个列表而非提供针对列表的一个或多个卖方上传图像来提高吞吐量的情况下，统一图像可以被包括在返回给准买方的搜索结果中。

机器学习训练组件220可以使用机器学习模型，该机器学习模型基于监控买方与搜索结果页面中呈现给其他买方的列表的交互来为产品选择统一图像。该机器学习模型可以是计算机算法。机器学习训练组件220可以将机器学习模型应用于为产品列表生成的一个或多个用户交互参数上以识别统一图像。在示例中，用户交互参数可以包括买方在购买或未能购买所列项目之前花费在查看特定图像上的时间长度。用户交互参数可以包括买方在查看图像之后是否实际上购买了列出的待售项目。用户交互参数可以包括买方在购买或未能购买所列项目之前放大或操纵(例如，扩大、旋转)了列表的哪些图像。用户交互参数可以包括买方在购买或未能购买所列项目之前是否点击了列表的多个图像。用户交互参数可以包括买方在购买或未能购买所列项目之前首先点击列表的哪个图像。用户交互参数可以包括买方是否选择了搜索结果页面中呈现的缩略图尺寸图像以在购买或未能购买所列项目之前查看缩略图尺寸图像的完整尺寸版本。用户交互参数可以包括买方在购买或未能购买所列项目之前选择查看了多少列表图像。用户交互参数可以包括买方为所列项目支付的购买价格。用户交互参数可以包括第一买方在查看第一图像之后为产品的所列项目支付的第一购买价格相对于第二买方在查看第二图像之后为产品的所列项目支付的第二购买价格。可以为一个或多个卖方上传图像以及列表中包括的其他图像生成一个或多个用户交互参数。在某些情况下，可以从产品的营销组织接收搜索结果页面中包括的图像，并且可以为这样的图像生成一个或多个用户交互参数。

跟踪服务组件210可以随时间变化观察买方与在买方用户设备(例如，用户设备110)的图形用户界面上呈现给买方的产品的一个或多个列表的一个或多个图像的交互以生成这些用户交互参数中的一个或多个。跟踪服务组件210可以将这些参数传递给机器学习训练组件220。机器学习训练组件220可以使用这些用户参数中的一个或多个或它们的组合来为产品的列表的每个图像生成用户交互度量。

机器学习训练组件220可以基于确定图像能够实现期望结果的程度(例如，与产品的其他列表的图像相比，快速地以更高的价格出售项目)为图像生成用户交互度量。用户交互度量可以将权重应用于一个或多个用户交互参数中的一些或全部，以确定可以指示图像能够实现期望结果的程度的数字得分。当生成用户交互度量时，机器学习训练组件220可以归一化用户交互度量以解决列表中的项目之间的任何差异。用户交互度量可以是分配给产品的每个列表的每个图像的数值。机器学习模型可以基于用户交互度量对产品可用的图像进行排名(例如，按数字顺序排列)，并且选择产品的统一图像(例如，选择其用户交互度量具有最高数字得分的图像作为代表性图像)。在某些情况下，可以为卖方上传图像以及例如由营销产品的组织提供的其他图像生成用户交互度量。统一图像可以是卖方上传图像之一或从另一来源获取的图像。当从同一买方或另一买方接收到对产品的后续搜索查询时，可以在搜索结果页面中呈现的产品列表中包括统一图像而不是产品的一个或多个卖方上传图像，或附加地包括产品的一个或多个卖方上传图像。

在一些示例中，机器学习训练组件220可以使用反馈循环，以便随时间变化迭代地更新所选的统一图像。例如，当网络利用条件有利时，搜索结果页面可以包括除了先前识别的统一图像之外的来自列表的一个或多个图像，以使跟踪服务组件210能够更新一个或多个用户交互参数。机器学习训练组件220可以使用一个或多个更新的用户交互参数来生成每个图像的更新的用户交互度量，并且可以使用更新的用户交互度量来确定是否保持或改变统一图像。因此，可以基于用户交互度量或计算机视觉机器学习系统或两者来确定每个产品的统一图像。

一旦为产品识别了统一图像，则机器学习训练组件220可以使用工作流管理平台(例如，Apache Airflow)将统一图像及其产品的标识转发给数据到缓存组件225。数据到缓存组件225可以是缓存层的示例，例如存储器缓存(例如，memcache)或非结构化查询语言(non-SQL或NOSQL)数据库。NOSQL数据库可以是Couchbase数据库的示例。数据到缓存组件225可以提供统一图像及其产品的标识，以存储在缓存230中。

当买方用户设备(例如，用户设备110)使用在线应用发送针对在在线市场上列出的待售项目的搜索查询时，表述性状态转移(REST)组件235可以执行REST服务以响应查询。REST组件235可以使用该搜索查询来查询缓存230以识别可用产品集中的特定产品和与搜索查询匹配的一个或多个列表。在某些情况下，缓存230可以返回对与搜索查询匹配的卖方上传图像和列表的标识符，以及产品和相应的统一图像的标识符。在某些情况下，缓存230可以指示卖方没有为特定列表上传图像。REST组件235可以使用标识符从分布式文件系统组件215中检索卖方上传图像(如果有)和统一图像。

REST组件235还可以监控或获取关于其自身与买方用户设备之间的计算机网络的当前网络条件的信息。网络条件可以包括当前的网络拥塞程度、经由计算机网络传输特定量的数据的当前费用、网络连接类型(例如，低带宽、高速等)等。REST组件235可以在生成包括一个或多个列表的搜索结果页面时使用关于当前网络条件的信息来与搜索项目和产品页面组件240进行协作。

在一些示例中，REST组件235可以确定指示网络拥塞的网络条件。当拥塞时，搜索项目和产品页面组件240可以生成少至仅包括每个产品列表的统一图像而不包括任何卖方上传图像的搜索结果页面。但是，搜索结果页面可以包括买方用户设备可以单独下载一个或多个卖方上传图像的链接。在其他示例中，当网络不拥塞时，搜索项目和产品页面组件240可以生成除了包括一个或多个卖方上传图像之外还包括每个返回列表的统一图像的搜索结果页面。然后，搜索项目和产品页面组件240可以向买方用户设备提供搜索结果页面以呈现给准买方(例如，经由图形用户界面)。

随着准买方与搜索结果页面进行交互，跟踪服务组件210可以与搜索项目和产品页面组件240协作来监控准买方的行为，从而更新存储在分布式文件系统组件215中的一个或多个用户交互参数(例如，用户对图像的操纵、用户在查看图像之后是否购买了所列项目等)。

例如，机器学习训练组件220可以实施集群计算框架(例如，pyspark作业)，该集群计算框架可以挖掘分布式文件系统组件215中的数据以确定统一图像是否导致了特定的期望结果(例如，购买可能性的增加或带宽使用效率的提高)。因此，应用流程200的组件可以随时间变化监控买方行为，以建立反馈循环来训练(例如，连续地训练)机器学习模型以用于选择产品的统一图像。跟踪服务组件210可以继续收集用户交互度量，并且机器学习训练组件220可以基于更新的用户交互度量来迭代地更新统一图像。机器学习训练组件220可以使用更新的一个或多个用户交互参数来更新一个或多个图像的用户交互度量，并且可以使用更新的交互度量来确定要保持还是改变产品的统一图像。

因此，显示产品的统一图像可以提高速度和网络带宽的使用，因为可以检索和下载一个图像以与产品的多个列表一起显示，而不是显示产品的多个图像。在一些示例中，当网络速度或带宽或两者受限时，显示多个图像可能是对网络速度或带宽的低效使用。

图3示出了根据本公开的方面的支持用于经由计算机网络分发统一图像的网络和速度增强的搜索结果网页300的示例。网页300可以是基于买方输入的搜索查询来显示搜索结果的页面的示例。网页300可以在计算机、智能电话或另一面向客户端的用户设备处的用户设备(例如，用户设备110)上被显示给准买方。

买方可以访问在线市场(例如，由搜索项目和产品页面组件240呈现)的在线应用(例如，网站或智能电话app)并且输入搜索查询。在示例中，买方可以输入用于购买平板计算机的搜索。在示例中，买方可以输入“Apple iPad Air 2 64GB Wi-Fi”作为搜索查询。该搜索查询可以导致在买方用户设备上显示包括一个或多个列表315的搜索结果305。

每个列表可以包括与列表相关联的图像310。搜索结果305可以包括与由买方输入的搜索查询有关的卖方(例如，利用用户设备110与出售流程组件205交互的用户)生成的一个或多个列表。示例列表315可以包括有关待售项目的信息(例如，平板计算机型号2，64GB，灰色外壳)、项目的当前竞价(如果项目正在通过拍卖出售)、项目的价格(例如，如果使用立即购买功能)、查看项目的其他卖方上传图像的选项等。在所描绘的示例中，搜索结果305包括列表315-a、315-b、315-c和315-d，并且每个列表都与同一产品相关联(例如，“平板计算机型号2，64GB”产品)。在某些情况下，列表315中引用的每个项目可能针对同一产品，但是其某些特征可能根据产品的其它列表而有所不同。例如，某些项目中的平板计算机的外壳颜色可能不同，但是每个平板计算机可能具有相同的型号(例如，型号2)并且具有相同的存储容量(例如，64GB)。

同一卖方或卖方集合可能生成了列表315-a、315-b、315-c和315-d。在生成列表315-a、315-b、315-c和315-d时，即使每个列表针对相同或相似的产品(例如，Apple iPadAir 2 64GB产品)，一个或多个卖方也可能为每个列表315上传了不同的图像集。例如，列表315-a可以针对平板计算机，具体是“Apple iPad Air 2 64GB Wi-Fi，9.7英寸，太空灰，A级”。卖方可能为列表315-a上传了图像，其可能是该平板计算机的一张或多张高分辨率库存照片。列表315-b可以是“Apple iPad Air 2 64GB Wi-Fi+蜂窝(无锁)9.7英寸，太空灰”。卖方可能为列表315-b上传了图像，其可能是卖方自己拍摄的连同附件(例如，该平板计算机的充电器)一起的一个或多个图像。列表315-c可以针对“Apple iPad Air 2 64GB Wi-Fi，9.7英寸，太空灰”。卖方可能为列表315-c上传了图像，其可能是该项目的一张或多张低分辨率或模糊的库存照片。列表315-d可以针对“Apple iPad Air 2 64GB Wi-Fi，二手”，卖方在生成列表315-d时可能未上传任何图像。

在所描绘的示例中，图像310与每个列表315一起被显示，并且示出了图像310-a、310-b、310-c和310-d。例如，图像310-a、310-b、310-c和310-d可以是图像的缩略图尺寸版本，买方可以选择显示同一图像的较大版本。本文描述的机器学习技术可以用于为该产品选择统一(例如，代表性)图像，并且该产品的列表315中的一些或全部可以显示相同的统一图像。例如，图像310-a、310-b、310-c和310-d各自可以是用于同一产品的同一统一图像。在某些情况下，卖方在生成列表315时可能未上传任何图像，并且搜索结果页面305可能包括该列表的统一图像。例如，列表315-d可能不具有任何卖方上传图像，而与列表315-d相对应的图像310-d可以是统一图像(而不是显示空框)。在一些示例中，搜索结果页面305可显示来自多个产品的列表315，第一列表子集(例如，列表315-a、315-b)可以各自显示多个产品中的第一产品的第一统一图像，并且第二列表子集(例如，列表315-c、315-d)可以显示多个产品中的第二产品的第二统一图像，其中第一统一图像与第二统一图像不同。

如本文所述的服务器系统125的跟踪服务组件210可以监控用户与搜索结果页面305中呈现的列表315和图像310各自的交互。在某些情况下，当网络条件不拥塞时，图像310-a、310-b、310-c和310-d中的至少一些可以彼此不同。跟踪服务组件210可以生成针对一个或多个用户交互参数的更新，以用于更新针对图像310-a、310-b、310-c和310-d中的一个或多个的用户交互度量。例如，用户可能花费更长的时间来查看列表315-b的图像310-b。用户可能放大列表315-a的图像310-a。机器学习组件220可以分析用户交互度量以确定是否要将先前识别的统一图像保持为产品的统一图像，或者可能改变为不同的统一图像。该不同的统一图像可以是卖方上传图像或由机器学习组件220选择的不同的图像。

在一些示例中，可以基于对图像310执行的机器学习分析以及列表315的销售结果对每个用户交互参数进行不同的排名和不同的分析。例如，在某些情况下，用户可能放大图像310-a并且可能最终购买了列表315-a中的产品。在这种情况下，缩放度量可以在确定统一图像时正向地提高图像310-a的得分。在另一种情况下，用户可能放大列表315-c中产品的图像310-c，但是买方可能最终购买了不同产品，或者可能没有购买。例如，图像310-c可能是低质量图像，这可能是用户放大图像的原因。在这种情况下，缩放参数在确定产品的统一图像时可能是负得分，并且图像310-c可能不太可能被选择为统一图像。可以以其他配置方式将统一图像呈现给准买方。

在另一示例中，列表315-a和315-c可以各自针对相同的第一产品，并且列表315-b和315-d可以针对相同的第二产品，但是第一产品和第二产品可以不同。因此，图像310-a和310-c可以相同，并且图像310-b和310-d可以相同，但是不同于图像310-a和310-c。因此，在该示例中，可以在网络上传输较少的数据(例如，两个图像而不是四个图像的数据)，这可能会导致传输搜索结果页面的带宽利用率较低，因为每列表315所下载的图像不到一个。在一些示例中，列表315-a和列表315-c可以各自针对相同的第一产品，列表310-b可以针对不同于第一产品的第二产品，并且列表310-d可以针对不同于第一产品和第二产品的第三产品。在该示例中，图像310-a和310-c可以相同，并且图像310-b和310-d于是可以彼此不同以及不同于图像310-a和310-c。在这种情况下，可以下载三个图像，而不是四个图像，这也可能导致较低的带宽利用率。

图4示出了根据本公开的方面的支持用于经由计算机网络分发统一图像的网络和速度增强的网页400的示例。网页400可以是基于买方输入的搜索查询来显示搜索结果的页面的示例。网页400可以在买方用户设备(例如，用户设备110)上被显示给用户，该买方用户设备可以是计算机、智能电话或另一面向客户端的用户设备。网页400可以是基于如本文所述的统一图像选择而显示给用户的网页的示例。在网络带宽低或可用于下载图像以显示给用户的数据有限的情况下，可以显示网页400。

在一些示例中，准买方可以输入搜索查询，可以将该搜索查询提供给服务器系统125。买方可以搜索与图3中提供的示例相似的平板计算机。服务器系统125可以将搜索查询映射到与搜索查询相关联的产品。服务器系统125可以使用本文描述的技术来确定产品的统一图像。在所描绘的示例中，网页400可以显示包括列表415-a、415-b、415-c和415-d的搜索结果405。搜索结果405可以包括作为产品的统一图像的单个图像410，而不是包括同一统一图像的多个实例。

例如，服务器系统125可以确定产品(例如，平板计算机产品)的统一图像410。服务器系统125还可以识别计算机网络正在发生拥塞。服务器系统125可以使用针对识别出的列表415-a、415-b、415-c和415-d的统一图像410来响应买方搜索查询，并且可以不包括任何卖方上传图像，以减少经由计算机网络传递给买方用户设备的搜索结果页面125中的数据量。在某些情况下，包括搜索结果页面125的数据传输可以包括以下指令：令买方用户设备仅显示与多个列表相关联的统一图像的单个实例(如图4所示)或显示统一图像的多个实例，其中在每个列表内显示统一列表的每个实例(如图3所示)。

因此，本文描述的技术可以允许托管在线市场的在线应用的服务器系统呈现产品的统一图像，以增强期望结果的可能性以及增强网络通信。当识别出低网络带宽连接、网络发生拥塞等时，可以应用这些技术，并且可以使用这些技术来提高搜索和图像下载的速度。服务器系统可以确定：通过提供产品的统一图像(例如，最佳代表性图像)同时也为多个列表415下载一个图像，而非下载卖方在生成每个产品列表415时选择的每个图像，该统一图像可以减少带宽、提高速度并且改善用户体验。

例如，当网络速度、网络带宽或两者都满足指示网络拥塞的拥塞阈值时，服务器系统125可以确定在搜索结果页面中包括统一图像410。如果或当网络速度或网络带宽或两者不再满足拥塞阈值从而指示网络当前未拥塞时，服务器系统125可以选择在搜索结果页面中与卖方上传图像一起显示每个产品列表，以例如允许使用机器学习技术更新统一图像。系统还可以基于其他标准来确定显示统一图像。例如，如果卖方生成多个产品列表而没有图像，或者如果多个产品列表的图像排名低于(基于阈值)所确定的统一图像。

图5示出了根据本公开的方面的支持用于经由计算机网络分发统一图像的网络和速度增强的处理流程500的示例。处理流程500可以包括服务器系统125-b、买方用户设备505-a和卖方用户设备505-b。服务器系统125-b可以是如参考图1所述的服务器系统125的示例。买方用户设备505-a和卖方用户设备505-b可以是如参考图1所述的用户设备110的示例。卖方用户设备505-b可以是卖方用来经由在线市场生成待售项目的列表的设备，并且可以具有在创建列表时上传项目的图像的选项。买方用户设备505-a可以是准买方可用来访问在线市场(例如，经由智能电话app或网站)、搜索列出的待售项目以及完成购买交易的设备。

在515处，服务器系统125-b可以接收可与产品相关联的项目集的图像集。例如，至少一个卖方用户设备505-b可以与服务器系统125-b进行交互以经由在线市场生成待售的至少一个项目的至少一个列表。对于每个列表，服务器系统125-b可以允许卖方用户设备505-b上传列表中列出的待售项目的一个或多个图像。可以随时间变化接收图像集，并且服务器系统125-b可以将列表映射到产品。

在一些示例中，服务器系统125-b可以接收项目集中的至少一个项目的列表和图像集中可能与该列表相关联的一个或多个图像，其中第一图像不同于可能与该列表相关联的一个或多个图像中的每个图像。在一些示例中，服务器系统125-b可以接收项目集中的至少一个项目的列表，其中该列表在图像集中不具有与该列表相关联的任何图像。

在520处，在一些示例中，服务器系统125-b可以基于从图像集中提取一个或多个图像特征对图像集执行图像分类，例如计算机视觉分析。在一些示例中，服务器系统125-b可以基于图像特征为项目集中的每个项目生成置信度匹配得分。在一些示例中，服务器系统125-b然后可以基于置信度匹配得分将项目集映射到产品。

在525处，服务器系统125-b可以基于图像集的每个图像的用户交互度量执行对图像集进行排名的图像排名，以识别产品的图像集中的第一图像。例如，服务器系统125-b可以经由一个或多个搜索结果页面监控用户与图像集的交互，以针对图像集中的每个图像生成用户交互度量，其中对图像集进行排名可以基于将机器学习模型应用于用户交互度量。监控用户与图像集的交互可以包括经由一个或多个搜索结果页面监控以下各项以生成用户交互度量：图像集中的一个或多个图像的用户查看时间、图像集中的一个或多个图像的用户图像缩放指示符、项目集中至少一个出售的子集中每个项目的项目销售价格或其任何组合。

在一些示例中，服务器系统125-b可以经由一个或多个搜索结果页面监控用户与第一图像的交互以生成第一图像的更新的用户交互度量。然后，服务器系统125-b可以基于更新的用户交互度量对图像集进行排名以识别产品的图像集中的第二图像。

在530处，服务器系统125-b可以从买方用户设备505-a接收可以映射到产品的搜索查询。服务器系统125-b可以将搜索查询映射到产品，其中输入到搜索查询中的文本与产品最匹配。服务器系统125-b可以从买方用户设备505-a或另一用户设备接收可以映射到产品的第二搜索查询。

在535处，服务器系统125-b可以基于第一图像的用户交互度量向买方用户设备505-a发送包括项目集中的至少一个项目和第一图像的搜索结果页面。在一些示例中，服务器系统125-b可以向买方用户设备505-a发送包括与项目集中的第一项目相关联的列表的统一图像和与项目集中的第二项目相关联的列表的统一图像的搜索结果页面。服务器系统125-b可以基于满足带宽阈值(例如，指示网络拥塞)的网络带宽测量向买方用户设备505-a发送包括统一图像的搜索结果页面。然后，服务器系统125-b可以向买方用户设备505-a或第二买方用户设备发送可以映射到产品的第二搜索结果页面。

在540处，服务器系统125-b可以监控买方与如本文所述的搜索结果页面的交互。服务器系统125-b可以基于用户与搜索结果页面的交互来更新一个或多个用户交互值，并且可以将机器学习应用于该一个或多个更新的用户交互值来为搜索结果页面中呈现的统一图像或其他卖家上传图像中的一个或多个生成更新的用户交互度量。

在545处，服务器系统125-b可以基于更新的用户交互度量执行对图像集进行排名的图像排名以识别产品的图像集中的第二统一图像(例如，第二图像)。在某些情况下，服务器系统125-b可以保持同一统一图像，或者可以基于图像排名改变为产品的不同的统一图像。

图6示出了根据本公开的方面的支持用于经由计算机网络分发统一图像的网络和速度增强的设备605的框图600。设备605可以包括输入模块610、图像机器学习分析组件615和输出模块640。设备605还可以包括处理器。这些组件中的每一个可以彼此通信(例如，经由一条或多条总线)。在某些情况下，设备605可以是服务器系统125的示例，并且可以例如包括用户终端、数据库服务器或包含多个计算设备的系统。

输入模块610可以管理设备605的输入信号。例如，输入模块610可以基于与调制解调器、键盘、鼠标、触摸屏或类似设备的交互来识别输入信号。这些输入信号可以与其他组件或设备上的用户输入或处理相关联。在某些情况下，输入模块610可以利用诸如

之类的操作系统或另一已知操作系统来处理输入信号。输入模块610可以将这些输入信号的方面发送给设备605的其他组件以进行处理。例如，输入模块610可以向图像机器学习分析组件615发送输入信号以支持用于经由计算机网络分发统一图像的网络和速度增强。在某些情况下，输入模块610可以是如参考图8所述的输入/输出(I/O)控制器815的组件。

图像机器学习分析组件615可以包括出售流程组件620、机器学习训练组件625、表述性状态转移组件630以及搜索项目和产品页面组件635。图像机器学习分析组件615可以是图像机器学习分析组件705或810(参考图7和图8所述)的方面的示例。

图像机器学习分析组件615和/或其各个子组件中的至少一些可以以硬件、由处理器执行的软件、固件或其任何组合来实现。如果以由处理器执行的软件实现，则图像机器学习分析组件615和/或其各个子组件中的至少一些的功能可以由被设计为执行本公开中所述的功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑设备、分立门或晶体管逻辑、分立硬件组件或其任何组合来执行。图像机器学习分析组件615和/或其各个子组件中的至少一些可以物理地位于各种位置处，包括分布为使得功能的部分由一个或多个物理设备在不同的物理位置处实现。在一些示例中，根据本公开的各方面，图像机器学习分析组件615和/或其各个子组件中的至少一些可以是单独且不同的组件。在其他示例中，根据本公开的各方面，图像机器学习分析组件615和/或其各个子组件中的至少一些可以与一个或多个其他硬件组件组合，包括但不限于I/O组件、收发器、网络服务器、另一计算设备、本公开中描述的一个或多个其他组件或其组合。

出售流程组件620可以接收与产品相关联的项目集的图像集。机器学习训练组件625可以基于图像集的每个图像的用户交互度量执行对图像集进行排名的图像排名，以识别产品的图像集中的第一图像。表述性状态转移组件630可以从用户设备接收映射到产品的搜索查询。搜索项目和产品页面组件635可以基于第一图像的用户交互度量向用户设备发送包括项目集中的至少一个项目和第一图像的搜索结果页面。

输出模块640可以管理设备605的输出信号。例如，输出模块640可以从设备605的其他组件(例如，图像机器学习分析组件615)接收信号，并且可以将这些信号发送给其他组件或设备。在一些特定示例中，输出模块640可以发送输出信号以用于在用户界面中显示、用于在数据库或数据存储器中存储、用于在服务器或服务器集群处进行进一步处理或用于在任何数量的设备或系统上的任何其他过程。在某些情况下，输出模块640可以是如参考图8所述的I/O控制器815的组件。

图7示出了根据本公开的方面的支持用于经由计算机网络分发统一图像的网络和速度增强的图像机器学习分析组件705的框图700。图像机器学习分析组件705可以是本文描述的图像机器学习分析组件615或图像机器学习分析组件810的方面的示例。图像机器学习分析组件705可以包括出售流程组件710、机器学习训练组件715、表述性状态转移组件720、搜索项目和产品页面组件725、跟踪服务组件730、分布式文件系统组件735以及数据到缓存组件740。这些模块中的每一个可以彼此直接或间接地通信(例如，经由一条或多条总线)。

出售流程组件710可以接收与产品相关联的项目集的图像集。在一些示例中，出售流程组件710可以接收项目集中的至少一个项目的列表和图像集中与该列表相关联的一个或多个图像，其中第一图像不同于与该列表相关联的一个或多个图像中的每个图像。在一些示例中，出售流程组件710可以接收项目集中的至少一个项目的列表，其中该列表在图像集中不具有与该列表相关联的任何图像。

机器学习训练组件715可以基于图像集的每个图像的用户交互度量执行对图像集进行排名的图像排名，以识别产品的图像集中的第一图像。在一些示例中，机器学习训练组件715可以基于从图像集中提取一个或多个图像特征对图像集执行图像分类。在一些示例中，机器学习训练组件715可以基于图像特征为项目集中的每个项目生成置信度匹配得分。

表述性状态转移组件720可以从用户设备接收映射到产品的搜索查询。在一些示例中，表述性状态转移组件720可以从用户设备或第二用户设备接收映射到产品的第二搜索查询。

搜索项目和产品页面组件725可以基于第一图像的用户交互度量向用户设备发送包括项目集中的至少一个项目和第一图像的搜索结果页面。在一些示例中，搜索项目和产品页面组件725可以向用户设备发送包括与项目集中的第一项目相关联的列表的第一图像和与项目集中的第二项目相关联的列表的第一图像的搜索结果页面。在一些示例中，搜索项目和产品页面组件725可以基于满足带宽阈值的网络带宽测量向用户设备发送包括第一图像的搜索结果页面。在一些示例中，搜索项目和产品页面组件725可以向用户设备或第二用户设备发送包括第二图像的第二搜索结果页面，该第二图像与第一图像相同或不同。

跟踪服务组件730和机器学习训练组件715可以进行协作，以经由一个或多个搜索结果页面监控用户与图像集的交互并且为图像集中的每个图像生成用户交互度量，其中对图像集进行排名基于将机器学习模型应用于用户交互度量。在一些示例中，跟踪服务组件730可以经由一个或多个搜索结果页面监控以下各项以生成用户交互度量：图像集中的一个或多个图像的用户查看时间、图像集中的一个或多个图像的用户图像缩放指示符、项目集中至少一个出售的子集中每个项目的项目销售价格或其任何组合。在一些示例中，跟踪服务组件730可以经由一个或多个搜索结果页面监控用户与第一图像的交互以生成第一图像的更新的用户交互度量。

机器学习训练组件715可以基于更新的用户交互度量对图像集进行排名，以识别产品的图像集中的第二图像。机器学习训练组件715还可以基于置信度匹配得分将项目集映射到产品。

分布式文件系统组件735可以存储列表和卖方上传图像。数据到缓存组件740可以缓存每个产品的统一图像。

图8示出了根据本公开的方面的包括支持用于经由计算机网络分发统一图像的网络和速度增强的设备805的系统800的图。设备805可以是如本文所述的服务器系统或设备605的示例或包括其组件。设备805可以包括用于双向数据通信的组件(包括用于发送和接收通信的组件)，包括图像机器学习分析组件810、I/O控制器815、数据库控制器820、存储器825、处理器830、数据库835以及图像机器学习分析组件855。这些组件可以经由一条或多条总线(例如，总线840)进行电子通信。

图像机器学习分析组件810可以是如本文所述的图像机器学习分析组件615或705的示例。例如，图像机器学习分析组件810可以执行以上参考图6和图7所述的任何方法或过程。在某些情况下，图像机器学习分析组件810可以以硬件、由处理器执行的软件、固件或其任何组合来实现。

I/O控制器815可以管理设备805的输入信号845和输出信号850。I/O控制器815还可以管理未集成到设备805中的外围设备。在某些情况下，I/O控制器815可以表示到外围设备的物理连接或端口。在某些情况下，I/O控制器815可以利用诸如 之类的操作系统或另一已知操作系统。在其他情况下，I/O控制器815可以表示调制解调器、键盘、鼠标、触摸屏或类似设备或与其进行交互。在某些情况下，I/O控制器815可以被实现为处理器的一部分。在某些情况下，用户可以经由I/O控制器815或经由I/O控制器815所控制的硬件组件与设备805进行交互。

数据库控制器820可以管理数据库835中的数据存储和处理。在某些情况下，用户可以与数据库控制器820交互。在其他情况下，数据库控制器820可以在没有用户交互的情况下自动操作。数据库835可以是单个数据库、分布式数据库、多个分布式数据库、数据存储器、数据湖或紧急备份数据库的示例。

存储器825可以包括随机存取存储器(RAM)和只读存储器(ROM)。存储器825可以存储包括指令的计算机可读、计算机可执行软件，该指令在被执行时使处理器执行本文所述的各种功能。在某些情况下，存储器825可以包含基本输入/输出系统(BIOS)等，其可以控制基本硬件或软件操作，例如与外围组件或设备的交互。

处理器830可以包括智能硬件设备(例如，通用处理器、DSP、中央处理单元(CPU)、微控制器、ASIC、FPGA、可编程逻辑设备、分立门或晶体管逻辑组件、分立硬件组件或其任何组合)。在某些情况下，处理器830可以被配置为使用存储器控制器来操作存储器阵列。在其他情况下，可以将存储器控制器集成到处理器830中。处理器830可以被配置为执行存储器825中存储的计算机可读指令以执行各种功能(例如，支持用于经由计算机网络分发统一图像的网络和速度增强的功能或任务)。

图像机器学习分析组件835可以经由总线840与I/O控制器815、图像机器学习分析组件810、数据库控制器820、数据库835、存储器825和处理器830各自交互，以操作用于确定要在产品的搜索结果页面中呈现图像集中的哪个图像的计算机实现的过程。该过程可以包括接收与产品相关联的项目集的图像集。可以基于输入845经由I/O控制器815来接收这些图像。该过程还可以包括至少部分地基于图像集的每个图像的用户交互度量执行对图像集进行排名的图像排名，以识别产品的图像集中的第一图像。该过程还可以包括经由输入845和I/O控制器815从用户设备接收映射到产品的搜索查询。该过程还可以包括至少部分地基于第一图像的用户交互度量经由输出850和I/O控制器815向用户设备发送包括项目集中的至少一个项目和第一图像的搜索结果页面。

图9示出了图示根据本公开的方面的支持用于经由计算机网络分发统一图像的网络和速度增强的方法900的流程图。方法900的操作可以由如本文所述的服务器系统或其组件来实现。例如，方法900的操作可以由图像机器学习分析组件执行，如参考图6至图8所述。在一些示例中，服务器系统可以执行指令集以控制服务器系统的功能元件来执行以下描述的功能。附加地或可替代地，服务器系统可以使用专用硬件来执行以下描述的功能方面。

在905处，服务器系统可以接收与产品相关联的项目集的图像集。905的操作可以根据本文所述的方法来执行。在一些示例中，可以由出售流程组件来执行905的操作的方面，如参考图6至图8所述。

在910处，服务器系统可以基于图像集的每个图像的用户交互度量执行对图像集进行排名的图像排名，以识别产品的图像集中的第一图像。910的操作可以根据本文所述的方法来执行。在一些示例中，可以由机器学习训练组件来执行910的操作的方面，如参考图6至图8所述。

在915处，服务器系统可以从用户设备接收映射到产品的搜索查询。915的操作可以根据本文所述的方法来执行。在一些示例中，可以由搜索项目和产品页面组件来执行915的操作的方面，如参考图6至图8所述。

在920处，服务器系统可以基于第一图像的用户交互度量向用户设备发送包括项目集中的至少一个项目和第一图像的搜索结果页面。920的操作可以根据本文所述的方法来执行。在一些示例中，可以由搜索项目和产品页面组件来执行920的操作的方面，如参考图6至图8所述。

图10示出了图示根据本公开的方面的支持用于经由计算机网络分发统一图像的网络和速度增强的方法1000的流程图。方法1000的操作可以由如本文所述的服务器系统或其组件来实现。例如，方法1000的操作可以由图像机器学习分析组件执行，如参考图6至图8所述。在一些示例中，服务器系统可以执行指令集以控制服务器系统的功能元件来执行以下描述的功能。附加地或可替代地，服务器系统可以使用专用硬件来执行以下描述的功能方面。

在1005处，服务器系统可以接收与产品相关联的项目集的图像集。1005的操作可以根据本文所述的方法来执行。在一些示例中，可以由出售流程组件来执行1005的操作的方面，如参考图6至图8所述。

在1010处，服务器系统可以基于图像集的每个图像的用户交互度量执行对图像集进行排名的图像排名，以识别产品的图像集中的第一图像。1010的操作可以根据本文所述的方法来执行。在一些示例中，可以由机器学习训练组件来执行1010的操作的方面，如参考图6至图8所述。

在1015处，服务器系统可以经由一个或多个搜索结果页面监控用户与图像集的交互以针对图像集的每个图像生成用户交互度量，其中对图像集进行排名基于将机器学习模型应用于用户交互度量。1015的操作可以根据本文所述的方法来执行。在一些示例中，可以由跟踪服务组件和/或机器学习训练组件来执行1015的操作的方面，如参考图6至图8所述。

在1020处，服务器系统可以从用户设备接收映射到产品的搜索查询。1020的操作可以根据本文所述的方法来执行。在一些示例中，可以由表述性状态转移组件来执行1020的操作的方面，如参考图6至图8所述。

在1025处，服务器系统可以基于第一图像的用户交互度量向用户设备发送包括项目集中的至少一个项目和第一图像的搜索结果页面。1025的操作可以根据本文所述的方法来执行。在一些示例中，可以由搜索项目和产品页面组件来执行1025的操作的方面，如参考图6至图8所述。

图11示出了图示根据本公开的方面的支持用于经由计算机网络分发统一图像的网络和速度增强的方法1100的流程图。方法1100的操作可以由如本文所述的服务器系统或其组件来实现。例如，方法1100的操作可以由图像机器学习分析组件执行，如参考图6至图8所述。在一些示例中，服务器系统可以执行指令集以控制服务器系统的功能元件来执行以下描述的功能。附加地或可替代地，服务器系统可以使用专用硬件来执行以下描述的功能方面。

在1105处，服务器系统可以接收与产品相关联的项目集的图像集。1105的操作可以根据本文所述的方法来执行。在一些示例中，可以由出售流程组件来执行1105的操作的方面，如参考图6至图8所述。

在1110处，服务器系统可以基于从图像集中提取一个或多个图像特征对图像集执行图像分类。1110的操作可以根据本文所述的方法来执行。在一些示例中，可以由机器学习训练组件来执行1110的操作的方面，如参考图6至图8所述。

在1115处，服务器系统可以基于图像特征为项目集中的每个项目生成置信度匹配得分。1115的操作可以根据本文所述的方法来执行。在一些示例中，可以由机器学习训练组件来执行1115的操作的方面，如参考图6至图8所述。

在1120处，服务器系统可以基于置信度匹配得分将项目集映射到产品。1120的操作可以根据本文所述的方法来执行。在一些示例中，可以由跟踪服务组件来执行1120的操作的方面，如参考图6至图8所述。

在1125处，服务器系统可以基于图像集的每个图像的用户交互度量执行对图像集进行排名的图像排名，以识别产品的图像集中的第一图像。1125的操作可以根据本文所述的方法来执行。在一些示例中，可以由机器学习训练组件来执行1125的操作的方面，如参考图6至图8所述。

在1130处，服务器系统可以从用户设备接收映射到产品的搜索查询。1130的操作可以根据本文所述的方法来执行。在一些示例中，可以由搜索项目和产品页面组件来执行1130的操作的方面，如参考图6至图8所述。

在1135处，服务器系统可以基于第一图像的用户交互度量向用户设备发送包括项目集中的至少一个项目和第一图像的搜索结果页面。1135的操作可以根据本文所述的方法来执行。在一些示例中，可以由搜索项目和产品页面组件来执行1135的操作的方面，如参考图6至图8所述。

应注意，上述方法描述了可能的实施方式，可以重新布置或以其他方式修改所述操作和步骤，并且其他实施方式也是可能的。此外，可以组合来自两种或更多种方法的方面。

本文中结合附图而阐明的描述描述了示例配置方式，并且不表示可以实现的或在权利要求的范围内的所有示例。本文使用的术语“示例性”意指“用作示例、实例或说明”，而不是“优选”或“优于其他示例”。为了提供对所描述的技术的理解，详细描述包括特定细节。然而，可以在没有这些特定细节的情况下实践这些技术。在一些实例中，以框图形式示出了公知的结构和设备，以避免使所描述的示例的概念不清楚。

在附图中，相似的组件或特征可以具有相同的附图标记。此外，可以通过在附图标记后加上破折号和区分相似组件的第二标记来区分同一类型的各个组件。如果说明书中仅使用了第一附图标记，则该描述适用于具有相同的第一附图标记的任一个相似组件，而与第二附图标记无关。

本文描述的信息和信号可以使用多种不同技术和工艺中的任一种来表示。例如，在以上整个说明书中可能引用的数据、指令、命令、信息、信号、位、符号和芯片可以由电压、电流、电磁波、磁场或磁粒子、光场或光粒子或其任何组合来表示。

结合本文的公开描述的各种说明性框和模块可以利用被设计为执行本文所述的功能的通用处理器、DSP、ASIC、FPGA或其他可编程逻辑设备、分立门或晶体管逻辑、分立硬件组件或其任何组合来实现或执行。通用处理器可以是微处理器，但是可替代地，处理器可以是任何常规处理器、控制器、微控制器或状态机。处理器还可以被实现为计算设备的组合(例如，DSP和微处理器的组合、多个微处理器、一个或多个微处理器与DSP核心结合或任何其他此类配置)。

本文描述的功能可以以硬件、由处理器执行的软件、固件或其任何组合来实现。如果以由处理器执行的软件实现，则所述功能可以作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质传输。其他示例和实施方式在本公开和所附权利要求的范围内。例如，由于软件的性质，可以使用由处理器执行的软件、硬件、固件、硬接线或这些中的任何组合来实现上述功能。实现功能的特征还可以物理地位于各种位置处，包括分布为使得功能的部分在不同的物理位置处实现。另外，如本文中(包括权利要求中)所使用的，在项目列表(例如，以诸如“其中至少一个”或“其中一个或多个”之类的短语开头的项目列表)中使用的“或”指示包含性列表，使得例如，A、B或C中的至少一个的列表意指A或B或C或AB或AC或BC或ABC(即，A和B和C)。而且，如本文中所使用的，短语“基于”不应被解释为对封闭条件集合的引用。例如，被描述为“基于条件A”的示例性步骤可以基于条件A和条件B两者，而不脱离本公开的范围。换句话说，如本文中所使用的，短语“基于”的解释方式应与短语“至少部分地基于”相同。

计算机可读介质包括非暂时性计算机存储介质以及包括便于将计算机程序从一处传输到另一处的任何介质的通信介质。非暂时性存储介质可以是可由通用或专用计算机访问的任何可用介质。作为示例而非限制，非暂时性计算机可读介质可以包括RAM、ROM、电可擦除可编程只读存储器(EEPROM)、光盘(CD)ROM或其他光盘存储器、磁盘存储器或其他磁性存储设备或任何其他可用于以指令或数据结构形式承载或存储所需程序代码装置并且可由通用或专用计算机或通用或专用处理器访问的非暂时性介质。而且，适当地将任何连接称为计算机可读介质。例如，如果使用同轴电缆、光纤电缆、双绞线、数字用户线(DSL)或诸如红外、无线电和微波之类的无线技术从网站、服务器或其他远程源传输软件，则该同轴电缆、光纤电缆、双绞线、DSL或诸如红外、无线电和微波之类的无线技术均被包括在介质的定义中。如本文中所使用的，磁盘和光盘包括CD、激光光盘、光盘、数字多功能光盘(DVD)、软盘和蓝光光盘，其中磁盘通常以磁性方式复制数据，而光盘则通过激光光学方式复制数据。上述各项的组合也被包括在计算机可读介质的范围内。

提供本文的描述以使本领域技术人员能够制造或使用本公开。对本公开的各种修改对于本领域技术人员而言将是显而易见的，并且可以在不脱离本公开的范围的情况下将本文中定义的一般原理应用于其他变型。因此，本公开不限于本文描述的示例和设计，而是应被赋予与本文公开的原理和新颖性特征一致的最广泛的范围。