# 감정 시스템 구현 계획 (rb8001)

**작성일**: 2025-09-20
**작성자**: Claude
**관련 서비스**: rb8001
**이슈**: 감정 분석 시스템 미구현

## 현재 상황

### rb8001 감정 시스템 현황
- **구조만 존재**: base.py, emotion_llm.py 등 파일은 있으나 임시 구현
- **실제 분석 없음**: 모든 감정에 균등 분포 (1/9) 반환
- **rb10508 부재**: 이식하려던 rb10508 디렉토리 자체가 없음

### 구현된 부분
```python
# /app/core/emotion/base.py
- EmotionState 클래스 정의
- 9개 감정: joy, sadness, anger, fear, disgust + anxiety, envy, embarrassment, ennui
- calculate_entropy() 함수
- Thompson Sampling 구조
```

### 미구현 부분
1. **모델 통합**: klue/bert-base 기반 7클래스 분류기
2. **ONNX 추론**: 모델 변환 및 최적화
3. **Temperature Scaling**: 확률 보정
4. **데이터베이스**: emotion_readings 테이블
5. **API 엔드포인트**: /v1/emotion/infer 등

## 구현 로드맵

### Phase 1: 기본 감정 분석 (1주)
1. **Day 1-2: 모델 준비**
   - klue/bert-base 기반 감정 분류 모델 준비
   - 7개 클래스: fear, surprise, anger, sadness, neutral, happiness, disgust
   - ONNX 변환 및 최적화

2. **Day 3-4: 추론 엔진 구현**
   ```python
   # /app/core/emotion/inference.py
   class EmotionInference:
       def __init__(self, model_path: str):
           self.session = onnxruntime.InferenceSession(model_path)
           self.tokenizer = AutoTokenizer.from_pretrained("klue/bert-base")
           self.temperature = 1.0

       def predict(self, text: str) -> Dict[str, float]:
           # 토크나이징
           inputs = self.tokenizer(text, max_length=128, truncation=True)
           # ONNX 추론
           logits = self.session.run(None, inputs)[0]
           # Temperature Scaling
           probs = softmax(logits / self.temperature)
           return dict(zip(EMOTION_LABELS, probs))
   ```

3. **Day 5: DB 스키마 구현**
   ```sql
   CREATE TABLE emotion_readings (
       id UUID PRIMARY KEY,
       user_id UUID REFERENCES "user"(id),
       text_hash VARCHAR(64),
       model_version VARCHAR(20),
       temperature FLOAT,
       logits JSONB,
       probs JSONB,
       top_label VARCHAR(20),
       top_p FLOAT,
       entropy FLOAT,
       meta JSONB,
       created_at TIMESTAMP DEFAULT NOW()
   );

   CREATE INDEX idx_emotion_user_time ON emotion_readings(user_id, created_at);
   ```

### Phase 2: API 및 통합 (1주)

1. **Day 6-7: API 엔드포인트**
   ```python
   # /app/api/emotion.py
   @router.post("/v1/emotion/infer")
   async def infer_emotion(text: str, user_id: str):
       # 감정 분석
       result = emotion_inference.predict(text)
       # DB 저장
       await save_emotion_reading(user_id, text, result)
       return result

   @router.get("/v1/emotion/timeseries")
   async def get_emotion_timeseries(user_id: str, start: datetime, end: datetime):
       # 시계열 데이터 조회
       readings = await get_readings(user_id, start, end)
       return aggregate_emotions(readings)
   ```

2. **Day 8-9: 기존 시스템 통합**
   - Router에서 감정 분석 호출
   - 메모리 저장 시 감정 메타데이터 추가
   - Slack 응답에 감정 정보 포함

3. **Day 10: 시각화**
   - 감정 그래프 생성 (matplotlib/plotly)
   - Slack 이미지 업로드

### Phase 3: 고도화 (선택적)

1. **Temperature Calibration**
   - 검증 데이터셋으로 최적 T 값 찾기
   - ECE (Expected Calibration Error) 최소화

2. **배치 처리 최적화**
   - 마이크로배칭
   - 비동기 처리 큐

3. **감정 공명 시스템**
   - 과거 감정과 현재 감정 결합
   - 사용자별 감정 패턴 학습

## 구현 우선순위

### 즉시 구현 가능 (Quick Win)
1. ✅ 감정 DB 테이블 생성
2. ✅ 간단한 규칙 기반 감정 분석 (키워드 매칭)
3. ✅ 감정 저장 및 조회 API

### 중기 목표 (1-2주)
1. ⏳ BERT 모델 통합
2. ⏳ ONNX 최적화
3. ⏳ Temperature Scaling

### 장기 목표 (1개월+)
1. 📅 사용자별 감정 패턴 학습
2. 📅 실시간 감정 모니터링 대시보드
3. 📅 감정 기반 응답 생성

## 리소스 요구사항

### 모델
- klue/bert-base (400MB)
- ONNX 변환 모델 (100MB)
- 추론 시간: CPU 40-80ms, GPU 10-20ms

### 인프라
- 추가 메모리: 500MB-1GB
- DB 스토리지: 사용자당 일 100KB
- 계산 리소스: CPU 2 cores 권장

## 주의사항

1. **프라이버시**
   - 원문 텍스트는 해시만 저장
   - 사용자 동의 필요
   - 삭제 권한 보장

2. **성능**
   - 캐싱 적극 활용
   - 배치 처리로 효율화
   - 비동기 처리 필수

3. **정확도**
   - 한국어 특화 모델 필요
   - 지속적인 모니터링
   - 사용자 피드백 수집

## 결론

"감정시스템 이식"이라는 작업은 실제로는 **새로운 구현**이 필요합니다:
- rb10508에 구현된 감정 시스템이 없음
- rb8001에 기본 구조만 있고 실제 기능 없음
- 처음부터 구현 필요

**권장 사항**:
1. 단계적 구현 (간단한 키워드 기반 → BERT 모델)
2. 우선순위: DB 스키마 → API → 모델 통합
3. 예상 소요 시간: 2-3주 (전체 구현)