Um die Effizienz der Gewinnung von Open-Source-Luft- und Raumfahrtinformationen zu verbessern und Probleme wie die Länge der Inhalte, die begrenzte Menge, die geringe Robustheit gängiger Textklassifikationsmodelle sowie die mangelnde Anschaulichkeit der Textinformationen zu lösen, schlägt dieser Artikel eine auf überwachten kontrastiven Lernen basierende Methode zur Klassifikation von Luft- und Raumfahrtinformationen vor. Die Methode basiert auf einem bidirektionalen Langzeit-Kurzzeitgedächtnisnetzwerk (BiLSTM) mit Aufmerksamkeitsmechanismus (Attention), das kontrastives Lernen integriert, um geöffnet verfügbare Informationen zu verarbeiten und zu analysieren, um effizient Luft- und Raumfahrtinformationen herauszufiltern und mit dem unCLIP (un-Contrastive Language-Image Pre-Training) Modell entsprechende Bilder zu generieren. Experimentelle Ergebnisse zeigen, dass die Methode im Vergleich zu gängigen Textklassifikationsmethoden wie CNN, BiLSTM, Transformer und BiLSTM-Attention in Bezug auf Genauigkeit, Recall und F1-Score gut abschneidet, wobei der F1-Score 0,97 erreicht wird. Gleichzeitig werden die Informationen in Bildform präsentiert, was sie klarer und anschaulicher macht. Die Methode nutzt vollständig öffentliche Online-Datenressourcen, extrahiert effektiv Open-Source-Luft- und Raumfahrtdaten und generiert entsprechende Bilder, was für die Analyse und Forschung von Luft- und Raumfahrtinformationen von großer Bedeutung ist.

Überwachte Textklassifikation; kontrastives Lernen; Textbildgenerierung; Luft- und Raumfahrtinformationen