Afin d'améliorer l'efficacité de l'obtention d'informations spatiales en source ouverte et de résoudre les problèmes liés à la longueur du contenu, au nombre limité, à la faible robustesse des modèles de classification de texte couramment utilisés et au manque d'intuition des informations textuelles, cet article propose une méthode de classification des informations spatiales basée sur l'apprentissage contrastif supervisé. Cette méthode repose sur un réseau à mémoire courte et longue bidirectionnel (BiLSTM) avec mécanisme d'attention, intégrant la technique d'apprentissage contrastif pour traiter et analyser les informations ouvertes, permettant ainsi de filtrer efficacement les informations spatiales. Elle utilise le modèle unCLIP (un-Contrastive Language-Image Pre-Training) pour générer des images correspondant aux informations. Les résultats expérimentaux montrent que cette méthode surpasse les méthodes classiques de classification de texte telles que CNN, BiLSTM, Transformer et BiLSTM-Attention en termes de précision, rappel et score F1, atteignant un score F1 de 0,97, tout en présentant les informations sous forme d'images, ce qui rend l'information plus claire et intuitive. Cette méthode exploite pleinement les ressources de données publiques du réseau, extrait efficacement les informations spatiales ouvertes et génère les images correspondantes, ce qui a une valeur importante pour l'analyse et la recherche des informations spatiales.

Classification de texte supervisée; apprentissage contrastif; génération d'images à partir de texte; informations spatiales