讀取 data 資料夾下的餐點 json 資料（範例資料來源：Foodpanda ）
測試以下兩個 model 的 embedding：
將向量資料寫入 Chroma，然後向量查詢 4 筆資料，計算精確率 precision、召回率 recall
寫入和查詢向量的方法都是按照該 model 在 Huggingface 頁面上寫明的方法，因為有點不同，所以各自有一個 class 都實作 get_embedding()、query_embedding()，用簡單工廠依照 model 名稱產生對應的 object
model intfloat/multilingual-e5-small 評估結果：
{
"好吃便當": {
"P_5": 0.6,
"recall_5": 0.6
},
"吃素": {
"P_5": 0.2,
"recall_5": 0.25
},
"鹹的但不吃雞肉": {
"P_5": 0.2,
"recall_5": 0.25
},
"下午茶": {
"P_5": 0.4,
"recall_5": 0.6666666666666666
},
"早餐": {
"P_5": 0.4,
"recall_5": 0.6666666666666666
},
"宵夜": {
"P_5": 0.2,
"recall_5": 0.5
},
"酸辣": {
"P_5": 0.4,
"recall_5": 1.0
}
}model Qwen/Qwen3-Embedding-0.6B 評估結果：
{
"好吃便當": {
"P_5": 0.4,
"recall_5": 0.4
},
"吃素": {
"P_5": 0.4,
"recall_5": 0.5
},
"鹹的但不吃雞肉": {
"P_5": 0.0,
"recall_5": 0.0
},
"下午茶": {
"P_5": 0.4,
"recall_5": 0.6666666666666666
},
"早餐": {
"P_5": 0.0,
"recall_5": 0.0
},
"宵夜": {
"P_5": 0.2,
"recall_5": 0.5
},
"酸辣": {
"P_5": 0.4,
"recall_5": 1.0
}
}