Для повышения эффективности получения открытой космической информации и решения проблем с длиной контента открытокосмической информации, ограниченным количеством, низкой устойчивостью применяемых моделей классификации текста и недостаточной наглядностью текстовой информации, в данной работе предлагается метод классификации космической информации на основе контролируемого контрастивного обучения. Метод основан на двунаправленной сети с долговременной и кратковременной памятью (BiLSTM) с механизмом внимания (Attention), который интегрирует технологии контрастивного обучения для обработки и анализа открытой информации, эффективно отбирая космическую информацию, а также использует модель unCLIP (un-Contrastive Language-Image Pre-Training) для генерации изображений, соответствующих информации. Экспериментальные результаты показывают, что по точности, полноте и F1-мере данный метод превосходит распространённые методы классификации текста, такие как CNN, BiLSTM, Transformer и BiLSTM-Attention, достигая F1-меры 0.97, при этом информация представлена в виде изображений, что делает её более наглядной и понятной. Предложенный метод эффективно использует открытые сетевые ресурсы, извлекает открытые космические данные и генерирует соответствующие изображения, что имеет важное значение для анализа и исследования космической информации.

Контролируемая классификация текста; контрастивное обучение; генерация изображений из текста; космическая информация