摘要
本发明公开了一种基于视觉强监督的通用阅读序构造方法，属于自然语言处理技术领域，其包括如下步骤：S1、数据收集：收集包含文本和对应视觉信息的大规模数据集；S2、数据预处理：对收集的文本信息和视觉信息进行预处理；S3、特征提取：对于文本，使用预训练的语言模型提取文本的特征向量，以捕捉文本的语义信息；S4、特征融合；S5、阅读序构造；S6、应用评估。本发明通过经过预训练的模型能够更全面地理解文档内容，从而提高阅读理解的准确性，这种结合不仅增强了对文本含义的把握，也使得模型能够更好地捕捉到图像中的关键元素，从而在多模态环境下提供更准确的理解，通过学习不同类型文档的结构特点，模型可以自动识别并处理复杂的文本结构。
