前一篇在進行 knn 搜尋的時候，發現了非常不合理的搜尋結果：

當搜尋『黑道家族勾心鬥角』時，最相似的電影居然是溫馨家庭喜劇；再加上前面幾筆內容不同但相似性分數都蠻相近的，做了兩個可能的問題假設：

1. 這個語言模型可能沒有針對中文進行訓練
2. description 的 token 數超過 model 的限制（sentence-transformers/all-MiniLM-L6-v2 的限制是 128 個）

在 hugging-face 的論壇貼文上，說明這個 model 一開始確實是以英文為主，後續才會轉換成其他語言（但目前沒有找到確實有支援其他語言的說明）。

因此找了另外一個確實說明有支援多語言的模型：intfloat/multilingual-e5-small 作為 word vector 翻譯器，使用一樣的 query 得到第一筆是

『精銳部隊』：巴西本土票房累積收益，突破千萬美金大關 。貪污腐敗的巴西，警察個個以權謀私，無法無天的毒販霸據整個貧民窟，導致黑白兩道利益輸送關係錯綜複雜。直到教宗即將造訪，精銳部隊隊長納西門圖奉命橫掃貧民窟毒梟。速戰速決以換取短暫的和平，取勝的捷徑，就是以暴制暴。(後略）

感覺合理很多。

但當我們繼續往下看，第二筆結果

『羅生門』：本片故事發生在戰亂、天災、疾病連綿不斷的平安朝代。某日，在都城附近大澤中發現武士金澤武弘被殺，被控殺害的盜賊多襄丸，武弘之妻真砂，召喚武弘靈魂的靈媒、目擊證人行腳僧及發現金澤屍體的樵夫殼等人以四個不同的時間，不同的方式各自說出供詞，片中幾位要角表現十分稱職，對白精湛，耐人尋味。主要關係者在劇中各懷不同之想法，觀眾在觀賞本片之餘，不妨仔細探究一番。(後略）

雖然是有一些燒殺擄掠，但完全不是黑幫，也沒有勾心鬥角啊 QQ

雖然 intfloat/multilingual-e5-small （後簡稱 e5-small）的結果顯著比 sentence-transformers/all-MiniLM-L6-v2 （後簡稱 L6-v2）好，但 e5-small 的 token 限制是 512，是 L6-v2 的 4 倍；所以究竟是模型對語言的支援程度問題還是 token 數問題，還是很難說。

KNN query 也可以搭配全文搜索來調整最終結果，下一篇會開始嘗試可以怎麼做結合。

補充資訊：

其實有針對這兩個模型做了一個簡單的測試想排除 token 長度的因素，但基於我對 word vector 知識的限制，還是很難判斷到底原因是什麼，所以就不放在正文內。

實驗的想法是這樣的：在英文和中文都挑選兩句完全不相關的短字句（排除 token 限制因素），分別用兩個模型轉換成各自的 word vector，若模型沒有提供對中文的支援，則應該會認為這兩句話很相近（因為沒有用這個語料訓練應該都看不懂）。

實驗的結果如下：

中文實驗語句：

1. 『溫馨感人家庭喜劇』
2. 『黑道幫派勾心鬥角』

sentence-transformers/all-MiniLM-L6-v2：a 距離自己是 0.9998，距離 b 是 0.7741

intfloat/multilingual-e5-small : a 距離自己是 0.9999，距離 b 是 0.9333

英文實驗語句：

c. 『Warm and touching family comedy**』**

d. 『Mafia gang intrigues**』**

sentence-transformers/all-MiniLM-L6-v2 : c 距離自己是 0.9999，距離 d 是 0.5882

intfloat/multilingual-e5-small : c 距離自己是 0.9999，距離 d 是 0.9111

基於這兩個模型是完全不同的東西，他們的 similarity 分數是不能比較的，所以也不知道該怎麼辦，如果有人看到這，歡迎給我一些除錯的建議。