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，q1表示第一个查询，表示第一个查询对应的正样本文档， 表示第一个查询对应的负样本文档，qn表示第n个查询， 表示第n个查询对应的正样本文档， 表示第n个查询对应的负样本文档；

S2：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EP(·)和EQ(·)，采用两个预训练好的BERTq和BERTp分别对应的初始化EP(·)和EQ(·)；

克隆BERTq为 克隆BERTp为 和 构成Inner‑type对比学习模块，中提供查询和文档的正样本表示的编码器；

对于BERTq将来自BERT最后一层的[CLS]向量对应的查询的整体表示cq，对于BERTp将来自BERT最后一层的[CLS]向量对应的文档的整体表示cp，并进行一次Cross类型的对比学习，其优化目标是让查询与正样本的距离更接近，与负样本的距离更远，形式上定义为Cross_Loss1：cq＝BERTq(query)[cls]       (2)cp＝BERTp(document)[cls]      (3)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：

和 在训练的时候被固定；

采用一个额外的平均池化层对 和 的最后一层输出取平均值生成查询和文档的正样本表示，同时采用In‑batch负样本以无监督的对比学习方式训练；

对于查询对比学习模块BERTq和 Inner‑type的优化定义为Inner Loss1：对于文档对比学习模块BERTp和 定义Inner Loss2为：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 与cq具有相同的正负文档样本，也就是 和 数量相同，优化目标为让嵌入空间中的 与 的距离更接近， 与 的距离更远，优化目标被形式化为Cross_Loss2： 与两者与原文档表示具有相同的查询，即cq，优化目标是让 与cq的距离更加接近，同时让与cq距离更远，优化目标被形式化为Cross_Loss3：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Losstotal不再变化时，得到训练好的MvCR整体框架；

S3：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Losstotal：其中，α表示Cross_Loss1的权重，β表示Cross_Loss2的权重，γ表示Cross_Loss3的权重，δ表示Inner Loss1的权重，ε表示Inner Loss2的权重。