1.一种基于多视角对比学习的文本检索方法，其特征在于：包括如下步骤：S1：对于一个有标签的语料库；

S11：通过BM25算法召回和查询相关的top-k文档，在剔除查询对应的地面真值文档后，构建BM25负样本；

S12：利用BM25负样本通过InfoNCE损失训练一个基于BERT的双编码器，然后使用训练好的双编码器在语料库中检索最相关的top-k文档，在剔除地面真值后构建神经负样本；

通过S12得到训练实例集T，T中的每个训练实例由一组文本对组成，qS2：构建和训练MvCR整体框架：包括Cross-type对比学习模块和Inner-type对比学习模块，其中Cross-type对比学习模块包括两个独立的稠密编码器E克隆BERT

对于BERT

c

c

其中sim(·)函数计算两个向量之间的点积，n为负样本的个数；

S21：Inner-type对比学习模块：采用一个额外的平均池化层对

对于查询对比学习模块BERT

对于文档对比学习模块BERT

在公式(7)和公式(8)中，N为批次的大小，sim(·)函数计算两个向量之间的点积；

S22：Cross-type对比学习模块：希望

其中，sim(·)函数计算两个向量之间的点积，n为负样本的个数；

S23：联合上述损失，采用线性组合定义最终的训练损失函数：将S1得到的训练实例集T中的训练实例输入MvCR整体框架，当损失LossS3：对于一个新查询，将该新查询输入训练好的MvCR整体框架，训练好的MvCR整体框架输出在语料库中检索的最相关的top-k’文档。

2.如权利要求1所述的一种基于多视角对比学习的文本检索方法，其特征在于：所述S2训练MvCR的整体框架时，考虑采用动态权重去组合Loss其中，α表示Cross_Loss