用于互联网数据的小语种图文数据集构建方法、设备及介质

本发明涉及一种用于互联网数据的小语种图文数据集构建方法、设备及介质，包括：获取HTML网页文件，从中提取出包含小语种图文数据的多模态文档，根据多模态文档中图片对应的可替换文本筛选出图文相关对；将多模态文档中不含可替换文本的纯图片和去除图片后的文本信息、以及自定义提示词输入至第一多模态大模型，生成对应的图片描述信息和图文问答信息，将纯图片和图片描述信息组成图文描述对，将纯图片和图文问答信息组成视觉问答对；将多模态文档、图文相关对、图文描述对及视觉问答对输入至第二多模态大模型，输出图片场景标签；组合上述信息后得到小语种图文数据集。与现有技术相比，本发明可实现高质量、多样化且标准化的小语种图文数据集构建。