.NET如何实现向量语义分析
一、概述


这段时间一直在做插件平台,组件插件化,还有AI Agent组件插件,还扩展支持ai 知识库,向量语义分析,还研究了语言大模型、向量大模型,还有什么归一化,点积,余弦相似度等语义算法分析匹配,之前一直用llamasharp,然后用LLamaEmbedder 做向量语义分析,但是发现匹配不准确。后面查资料LLamaEmbedder 做中文短文本语义向量,本来就不准,尤其是:现在几点 / 当前时间 / 几点了 / 查时间生成模块代码 / 数据库表结构
它不准是天生缺陷。
二、LLamaEmbedder 为什么不准?(核心原因)
它是 LLM 大语言模型,不是向量模型,不是专门为语义向量训练的,向量质量远不如 Sentence-BERT、BGE、m3e 这类专业模型。
中文支持极差LlamaEmbedder 原生对中文短文本、口语化问句几乎不优化。
输出的向量没有归一化、没有对齐语义导致余弦相似度乱跳:
同义句分数低
无关句分数高
速度慢、占用高对比专业向量模型,完全不适合做匹配。
二、.net 真正准的语义向量方案(中文最强)
有两种向量模型方案:
方案 1:BGE 向量模型(国内最准)
方案 2:m3e 向量模型(轻量、超快、中文专门训练)
三、如何使用BGE 向量模型做向量语义分析
下载这个:bge-small-zh 中文向量模型
https://hf-mirror.com/Xenova/bge-small-zh-v1.5
或单独下载vocab.txt,model.onnx
https://hf-mirror.com/Xenova/bge-small-zh-v1.5/resolve/main/vocab.txt
https://hf-mirror.com/Xenova/bge-small-zh-v1.5/resolve/main/onnx/model.onnx
然后可以封装成以下代码:需要通过nuget引用下载Microsoft.ML.OnnxRuntime和Microsoft.ML.Tokenizers
public class OnnxBgeEmbeddingService : IDisposable { private readonly InferenceSession _session; private readonly BertTokenizer _tokenizer; // 使用 BertTokenizer // 模型输入名称(动态获取或硬编码) private readonly string _inputNameIds; private readonly string _inputNameMask; private readonly string _inputNameTokenType; // 新增:token_type_ids 名称 private readonly string _outputName; // BGE 模型配置 private const int MaxLength = 512; private const int PadTokenId = 0; private const int TokenTypeId = 0; // BGE/BERT 单句输入通常全为 0 public OnnxBgeEmbeddingService(string modelPath, string vocabPath) { // 1. 初始化 ONNX 会话 var sessionOptions = new SessionOptions(); sessionOptions.InterOpNumThreads = 4; sessionOptions.IntraOpNumThreads = 4; _session = new InferenceSession(modelPath, sessionOptions); // 2. 初始化分词器 _tokenizer = BertTokenizer.Create(vocabPath); // 3. 获取模型输入输出名称 var inputKeys = _session.InputMetadata.Keys.ToList(); _inputNameIds = inputKeys.FirstOrDefault(k => k.Contains("input_ids")) ?? "input_ids"; _inputNameMask = inputKeys.FirstOrDefault(k => k.Contains("attention_mask")) ?? "attention_mask"; // 关键修复:查找 token_type_ids 或 token_type_ids 类似的键 _inputNameTokenType = inputKeys.FirstOrDefault(k => k.Contains("token_type")) ?? "token_type_ids"; if (_session.OutputMetadata.Count == 0) throw new InvalidOperationException("Model has no outputs."); _outputName = _session.OutputMetadata.Keys.First(); } public float[] GenerateEmbedding(string text) { if (string.IsNullOrWhiteSpace(text)) throw new ArgumentException("Text cannot be null or empty"); // 1. 分词并预处理 (截断 + 填充) var (inputIds, attentionMask, tokenTypeIds) = EncodeAndPreprocess(text); // 2. 构建输入张量 // 注意:大多数 BGE ONNX 模型接受 int64 (long),部分优化模型接受 int32 (int) // 如果报错 Type Mismatch,请将 DenseTensor改为 DenseTensor var inputIdsTensor = new DenseTensor<long>(inputIds, new[] { 1, inputIds.Length }); var attentionMaskTensor = new DenseTensor<long>(attentionMask, new[] { 1, attentionMask.Length }); var tokenTypeIdsTensor = new DenseTensor<long>(tokenTypeIds, new[] { 1, tokenTypeIds.Length }); var inputs = new List{ NamedOnnxValue.CreateFromTensor(_inputNameIds, inputIdsTensor), NamedOnnxValue.CreateFromTensor(_inputNameMask, attentionMaskTensor), NamedOnnxValue.CreateFromTensor(_inputNameTokenType, tokenTypeIdsTensor) // 关键修复:添加此输入 }; // 3. 执行推理 using var results = _session.Run(inputs); // 4. 提取结果 var rawOutput = results.First().AsTensor<float>(); // 关键修复:正确获取维度 // rawOutput 形状通常为 [1, seq_len, hidden_size] // Dimensions 是一个 int[] 数组,例如 [1, 512, 384] if (rawOutput.Rank != 3) throw new InvalidOperationException($"Expected 3D output, got {rawOutput.Rank}D"); int seqLen = rawOutput.Dimensions.Length; // 序列长度 int hiddenSize = rawOutput.Dimensions.Length; // 向量维度 float[] embedding = new float[hiddenSize]; // 5. 平均池化 (Mean Pooling) int validTokenCount = 0; for (int i = 0; i < seqLen; i++) { // 只有当 attention mask 为 1 时才参与计算 if (attentionMask[i] == 1) { for (int j = 0; j < hiddenSize; j++) { // 累加每个维度的值 embedding[j] += rawOutput[0, i, j]; } validTokenCount++; } } // 求平均 if (validTokenCount > 0) { for (int i = 0; i < hiddenSize; i++) { embedding[i] /= validTokenCount; } } // 6. L2 归一化 Normalize(embedding); return embedding; } /// /// 编码并预处理:截断、填充、生成 Mask 和 Token Type IDs /// private (long[] InputIds, long[] AttentionMask, long[] TokenTypeIds) EncodeAndPreprocess(string text) { // 使用 BertTokenizer 编码 // EncodeToIds 返回 ReadOnlyMemoryint[] originalIds = _tokenizer.EncodeToIds(text).ToArray(); int currentLen = originalIds.Length; // 1. 截断 (Truncation) if (currentLen > MaxLength) { Array.Resize(ref originalIds, MaxLength); currentLen = MaxLength; } // 2. 填充 (Padding) if (currentLen < MaxLength) { int oldLen = originalIds.Length; Array.Resize(ref originalIds, MaxLength); // 将新增部分填充为 PadTokenId (0) for (int i = oldLen; i < MaxLength; i++) { originalIds[i] = PadTokenId; } } // 3. 生成 Attention Mask 和 Token Type IDs long[] attentionMask = new long[MaxLength]; long[] tokenTypeIds = new long[MaxLength]; for (int i = 0; i < MaxLength; i++) { // Mask: 非 Padding 位为 1,Padding 位为 0 attentionMask[i] = (originalIds[i] != PadTokenId) ? 1 : 0; // Token Type IDs: BGE 单句任务通常全为 0 tokenTypeIds[i] = TokenTypeId; } // 将 int[] 转换为 long[] 以匹配 ONNX 输入要求 long[] finalInputIds = Array.ConvertAll(originalIds, x => (long)x); return (finalInputIds, attentionMask, tokenTypeIds); } private void Normalize(float[] vector) { float sum = 0; foreach (var v in vector) { sum += v * v; } float norm = (float)Math.Sqrt(sum); if (norm > 0) { for (int i = 0; i < vector.Length; i++) { vector[i] /= norm; } } } public void Dispose() { _session?.Dispose(); } }
以下是调用:
var onnxBgeEmbeddingService = new OnnxBgeEmbeddingService("Models/model.onnx", "Models/vocab.txt") onnxBgeEmbeddingService .GenerateEmbedding("微服务是什么")
以下就是用向量语义分析检索出来的AI对话结果

原文地址: https://www.cveoy.top/t/topic/qGGG 著作权归作者所有。请勿转载和采集!