Sentence Transformers怎么用？从文本向量生成到语义相似度计算的入门指南

先明确要完成的任务

用户输入“密码忘记了，怎样重新设置？”，程序从几条帮助中心问题中找出语义最接近的条目。Sentence Transformers负责将文本编码为固定维度的向量，再由本地代码计算相似度、排列候选问题。这个最小示例只需要模型和内存中的向量，不需要向量数据库。

安装依赖并核对模型

建议在独立的Python虚拟环境中执行安装命令：

python -m pip install -U sentence-transformers numpy

安装会带入所需依赖，包括PyTorch。若遇到Python版本不兼容或依赖安装失败，应根据安装报错和当前包的环境要求处理。

本例使用sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2。其模型卡列出包括中文在内的多语言支持，输出向量维度为384，Sentence Transformers配置的最大输入长度为128个token，许可证为Apache-2.0。这里的token不等于汉字数，超出长度的输入会被截断。

• 中文支持：核对模型卡明确列出的语言，并用自己的中文问题验证效果。
• 输入长度：检查模型配置，长文可先按段落切分，避免关键信息被截掉。
• 许可证：部署前确认所选模型的许可证及附带要求。
• 输入格式：本例模型直接编码文本；换成要求query:、passage:等前缀的模型时，必须按模型卡区分查询和候选文本。

批量生成向量并排序

将下面各行依次保存为match.py。代码使用CPU，便于明确运行设备；这不代表对运行速度或内存占用的承诺。

from sentence_transformers import SentenceTransformer

import numpy as np

model = SentenceTransformer('sentence-transformers/paraphrase-multilingual-MiniLM-L12-v2', device='cpu')

questions = ['忘记登录密码后如何重置？', '已经登录，如何修改当前密码？', '收不到密码重置邮件怎么办？', '如何修改发票抬头？']

query = '密码忘记了，怎样重新设置？'

vectors = model.encode(questions, batch_size=4, convert_to_numpy=True, normalize_embeddings=True)

query_vector = model.encode([query], convert_to_numpy=True, normalize_embeddings=True)

print('候选向量形状：', vectors.shape, '查询向量形状：', query_vector.shape)

assert vectors.shape == (len(questions), 384)

assert query_vector.shape == (1, 384)

scores = vectors @ query_vector[0]

order = np.argsort(-scores)

print('\n'.join(f'{scores[i]:.4f} {questions[i]}' for i in order))

运行python match.py。首次加载时，程序需要联网下载模型权重、分词器和配置文件，并写入本机缓存；后续加载可复用缓存。下载完成后，编码计算在本机执行。需要离线运行时，可提前准备完整模型目录，将模型名称替换为本地路径。

候选向量形状应为(4, 384)，查询向量形状应为(1, 384)：每条文本对应一个384维向量。这里传入的是文本列表，因此即使只有一个查询，也保留了二维形状。batch_size控制每批处理的文本数量，不改变每条向量的维度。

为什么可以用点积计算相似度

余弦相似度是两个向量的点积除以它们长度的乘积，衡量的是方向接近程度。代码设置normalize_embeddings=True，将每个向量做L2归一化，使其长度约为1，因此点积与余弦相似度在浮点误差范围内相等。

如果没有归一化，点积还会受到向量长度影响，不能直接当作余弦相似度。示例中的@执行矩阵与向量的乘法，一次得到所有候选问题的得分，再按分数从高到低排序。

用正例和易混淆反例检查结果

对于当前查询，“忘记登录密码后如何重置？”是应重点检查的正例；“已经登录，如何修改当前密码？”共享密码相关词汇，但操作前提不同；“收不到密码重置邮件怎么办？”涉及同一流程，却对应后续故障；发票问题则作为无关对照。运行后检查这些条目的相对顺序，不预设具体分数。

继续加入“忘记密码且旧邮箱无法使用”“想改密码但仍能登录”等真实表达，逐条确认首位结果是否满足需求。相似度分数不等于答案正确的概率，也没有适用于所有模型和业务的统一阈值。若需要自动答复，应使用带标注的业务样本验证阈值和拒答规则；更换模型或切分方式后，还应重新检查。