# 한국어 감정 분류 모델 ONNX 변환 작업

작성일: 2025년 8월 8일  
작성자: Claude (51124 서버)

## 작업 배경

rb10508_micro의 감정 시스템이 균등 분포 임시 코드를 사용 중이어서 실제 감정 분류 모델 통합이 필요했음.

## 작업 과정

### 오후 12시 10분 - 감정 모델 조사

한국어 감정 분류 모델 후보군 조사:
1. **nlp04/korean_sentiment_analysis_kcelectra** - F1 70.72%, MIT 라이센스
2. **monologg/koelectra-base-v3-goemotions** - 28개 감정, 라이센스 불명확
3. **hun3359/klue-bert-base-sentiment** - 60개 감정, F1 29.10%
4. **tabularisai/multilingual-sentiment-analysis** - 5개 감정, 541MB

1순위로 nlp04/korean_sentiment_analysis_kcelectra 선정.

### 오후 12시 16분 - 모델 다운로드 및 ONNX 변환

```bash
cd /home/admin/ivada_project/onnx_models
mkdir -p korean-sentiment-kcelectra
```

모델 정보:
- **레이블 수**: 11개
- **감정 카테고리**:
  - 0: 기쁨(행복한)
  - 1: 고마운
  - 2: 설레는(기대하는)
  - 3: 사랑하는
  - 4: 즐거운(신나는)
  - 5: 일상적인
  - 6: 생각이 많은
  - 7: 슬픔(우울한)
  - 8: 힘듦(지침)
  - 9: 짜증남
  - 10: 걱정스러운(불안한)

ONNX 변환 완료:
- **모델 크기**: 488MB
- **토크나이저**: 저장 완료
- **최대 시퀀스 길이**: 512

### 오후 12시 20분 - skill-embedding 구조 확인

skill-embedding 서비스 분석 결과:
- `/app/embedder.py`: ONNXEmbedder 클래스 이미 구현됨
- `/app/http_embedding_function.py`: HTTPEmbeddingFunction 클래스 구현됨
- 포트 8515에서 실행 중

별도 유틸리티 파일 생성 불필요함을 확인.

### 오후 12시 30분 - 트러블슈팅 문서 수정

`250804_claude_ONNX임베딩경량화.md` 문서에서 잘못된 참조 수정:
- `onnx_embedder.py`, `chroma_onnx_function.py`는 별도 파일로 생성되지 않음
- 실제로는 skill-embedding 서비스에 직접 구현됨

## 준비된 모델 구조

```
/home/admin/ivada_project/onnx_models/
├── multilingual-MiniLM-L12-v2/     # 임베딩 모델 (기존)
│   ├── model.onnx (449MB)
│   └── tokenizer 파일들
└── korean-sentiment-kcelectra/     # 감정 모델 (신규)
    ├── model.onnx (488MB)
    ├── model_info.json
    └── tokenizer 파일들
```

## 다음 단계 (로컬 개발자 작업)

### 1. skill-embedding 서비스 수정

새 엔드포인트 추가 예시:
```python
# /app/emotion.py (신규)
class ONNXEmotionClassifier:
    def __init__(self, model_dir="/models/onnx/korean-sentiment-kcelectra"):
        # ONNX 세션 초기화
        # 토크나이저 로드
        pass
    
    def predict(self, text):
        # 11개 감정 분류
        pass
    
    def map_to_basic_emotions(self, text):
        # 11개 → 5개 기본 감정 매핑
        pass

# /app/main.py에 추가
@app.post("/emotion")
async def analyze_emotion(request: TextRequest):
    emotions = classifier.predict(request.text)
    return {"emotions": emotions}
```

### 2. rb10508_micro 수정

```python
# app/core/emotion/base.py
async def analyze_basic_emotions(text: str) -> List[float]:
    """skill-embedding 서비스 호출"""
    response = await http_client.post(
        "http://skill-embedding:8515/emotion",
        json={"text": text}
    )
    return response.json()["emotions"]
```

### 3. 11개 → 5개 감정 매핑 규칙

```python
mapping = {
    'joy': ['기쁨(행복한)', '고마운', '설레는(기대하는)', '사랑하는', '즐거운(신나는)'],
    'sadness': ['슬픔(우울한)', '힘듦(지침)'],
    'anger': ['짜증남'],
    'fear': ['걱정스러운(불안한)'],
    'neutral': ['일상적인', '생각이 많은']
}
```

## 교훈

1. **문서의 정확성**: 트러블슈팅 문서는 실제 구현과 일치해야 함
2. **기존 서비스 활용**: skill-embedding 서비스가 이미 ONNX 처리 기능을 갖추고 있어 재사용 가능
3. **모델 선정 기준**: 라이센스, 성능, 검증도, 크기를 종합적으로 고려
4. **ONNX 변환 이점**: PyTorch 의존성 제거로 경량화 달성

## 성과

- 한국어 감정 분류 모델 ONNX 변환 완료
- 11개 세밀한 감정 분류 가능
- skill-embedding 서비스와 통합 준비 완료
- rb10508_micro의 임시 균등 분포 코드 대체 가능