中文环境下使用 huggingface 模型替换 OpenAI的Embedding 接口

OpenAI的文本嵌入衡量文本字符串的相关性。嵌入通常用于：

• 搜索（其中结果按与查询字符串的相关性排名）
• 聚类（其中文本字符串按相似性分组）
• 推荐（推荐具有相关文本字符串的项目）
• 异常检测（识别出相关性不大的异常值）
• 多样性测量（分析相似性分布）
• 分类（其中文本字符串按其最相似的标签分类）

嵌入是浮点数的向量（列表）。两个向量之间的距离衡量它们的相关性。小距离表示高相关性，大距离表示低相关性。 但是OpenAI的文本嵌入接口对中文的支持并不好，社区经过实践，对中文支持比较好的模型是Hugging face上的 ganymedenil/text2vec-large-chinese。具体可以参见：https://huggingface.co/GanymedeNil/text2vec-large-chinese/discussions/3 ，作者采用的训练数据集是 中文STS-B数据集。它将句子映射到 768 维密集向量空间，可用于任务 如句子嵌入、文本匹配或语义搜索。

在Semantic Kernel 的Sample 下有一个 hugging-face-http-server：https://github.com/microsoft/semantic-kernel/tree/main/samples/apps/hugging-face-http-server ，通过这个示例项目，我们可以在本地运行Huggingface模型。

我们首先构建一个Docker，执行命令 docker image build -t hf_model_server . ，最新的构建会有问题，我把它独立成一个repo ：https://github.com/mlnethub/hugging-face-http-server。

运行容器

docker run -p 5000:5000 -d hf_model_server

访问http://localhost:5000

通过从0.14版本引入的 Nuget 包 Microsoft.SemanticKernel.Connectors.AI.HuggingFace：https://www.nuget.org/packages/Microsoft.SemanticKernel.Connectors.AI.HuggingFace/0.14.547.1-preview#versions-body-tab

具体用法参考单元测试代码HuggingFaceEmbeddingGenerationTests

using System; using System.Collections.Generic; using System.Linq; using System.Net; using System.Net.Http; using System.Threading.Tasks; using Microsoft.SemanticKernel.Connectors.AI.HuggingFace.TextEmbedding; using Xunit;

namespace SemanticKernel.Connectors.UnitTests.HuggingFace.TextEmbedding;

/// <summary> /// Unit tests for <see cref="HuggingFaceTextEmbeddingGeneration"/> class. /// </summary> public class HuggingFaceEmbeddingGenerationTests : IDisposable {      private const string Endpoint = "http://localhost:5000/embeddings";      private const string Model = @"GanymedeNil/text2vec-large-chinese";

    private readonly HttpResponseMessage _response = new()      {          StatusCode = HttpStatusCode.OK,      };

    /// <summary>      /// Verifies that <see cref="HuggingFaceTextEmbeddingGeneration.GenerateEmbeddingsAsync"/>      /// returns expected list of generated embeddings without errors.      /// </summary>      [Fact]      public async Task ItReturnsEmbeddingsCorrectlyAsync()      {          // Arrange          const int ExpectedEmbeddingCount = 1;          const int ExpectedVectorCount = 8;          List<string> data = new() { "test_string_1", "test_string_2", "test_string_3" };

        using var service = this.CreateService(HuggingFaceTestHelper.GetTestResponse("embeddings_test_response.json"));

        // Act          var embeddings = await service.GenerateEmbeddingsAsync(data);

        // Assert          Assert.NotNull(embeddings);          Assert.Equal(ExpectedEmbeddingCount, embeddings.Count);          Assert.Equal(ExpectedVectorCount, embeddings.First().Count);      }

    /// <summary>      /// Initializes <see cref="HuggingFaceTextEmbeddingGeneration"/> with mocked <see cref="HttpClientHandler"/>.      /// </summary>      /// <param name="testResponse">Test response for <see cref="HttpClientHandler"/> to return.</param>      private HuggingFaceTextEmbeddingGeneration CreateService(string testResponse)      {          this._response.Content = new StringContent(testResponse);

        var httpClientHandler = HuggingFaceTestHelper.GetHttpClientHandlerMock(this._response);

        return new HuggingFaceTextEmbeddingGeneration(new Uri(Endpoint), Model, httpClientHandler);      }

    public void Dispose()      {          this.Dispose(true);          GC.SuppressFinalize(this);      }

    protected virtual void Dispose(bool disposing)      {          if (disposing)          {              this._response.Dispose();          }      } }