.NET如何实现向量语义分析
.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<long> 改为 DenseTensor<int>
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>
{
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;
}
/// <summary>
/// 编码并预处理:截断、填充、生成 Mask 和 Token Type IDs
/// </summary>
private (long\[\] InputIds, long\[\] AttentionMask, long\[\] TokenTypeIds) EncodeAndPreprocess(string text)
{
// 使用 BertTokenizer 编码
// EncodeToIds 返回 ReadOnlyMemory<int>
int\[\] 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