一种数据处理方法、装置、电子设备及存储介质

本公开关于一种数据处理方法、装置、电子设备及存储介质，该方法通过对视觉内容和问题文本分别进行特征表示以得到视觉特征和文本特征，并根据视觉特征确定视觉模态的视觉基向量，根据文本特征确定文本模态的文本基向量，进而基于视觉基向量对文本特征进行视觉模态映射处理以得到第一模态特征，并基于文本基向量对视觉特征进行文本模态映射处理以得到第二模态特征，基于该第一模态特征和第二模态特征进行文本预测得到输出文本，从而能够更加有效的理解多模态内容中的细粒度信息，使得在高层次的多模态任务如细粒度感知任务、认知任务与情感任务上的准确性大大提高。