根据用户上传的图片或短视频，如何匹配历史上已存在且契合内容的古诗？

用户上传一张或多张图片，或者一个短视频，系统要为这个输入匹配一首“历史上已经存在的、最契合的古诗”；算法方案怎么设计？可能有哪些重难点？