# 로빙 감정 시스템 설계도 - 함수형 + 베이지안 적응형

**작성일**: 2025-08-07 (2025-08-08 개정)  
**작성자**: happybell80 & Claude  
**상태**: 감정 임베딩 통합, 하드코딩 완전 제거

## 1. 핵심 철학

### 설계 원칙
- **감정은 시공간의 엔트로피 변화다**: 감정 벡터의 엔트로피가 증가하는 방향이 시간, 벡터 차원이 공간
- **엔트로피 특이점을 포착한다**: 시간이 흘러도 무질서해지지 않는 감정이 중요한 기억
- **함수형 프로그래밍 100%**: 순수 함수와 I/O 분리, 불변 데이터 구조
- **베이지안으로 불확실성 관리**: 모든 파라미터는 확률 분포로 표현되고 학습됨

## 2. 감정 상태 구조

### 2.1 기본 구조
- **VAD 3차원**: Valence(쾌-불쾌), Arousal(활성화), Dominance(통제감)
- **감정 임베딩**: 768차원 벡터 (사전학습 모델 사용)
- **엔트로피 궤적**: 시간에 따른 엔트로피 변화 추적
- **베이지안 파라미터**: Beta, Gamma, Dirichlet 분포로 학습

### 2.2 감정 동역학
- 감정 변화율 = α(흡수율) × 평가 - δ(감쇠율) × 현재감정
- α와 δ는 Beta 분포에서 Thompson Sampling
- 사용자 피드백으로 사후분포 업데이트

## 3. 감정 임베딩 활용

### 3.1 임베딩 획득
- **사전학습 모델**: EmoRoBERTa, GoEmotions BERT 등 활용
- **도메인 파인튜닝**: 로빙 대화 로그로 continual learning
- **대조학습**: 유사 감정은 가깝게, 반대 감정은 멀게

### 3.2 ChromaDB 통합
- **저장 구조**: 
  - 감정 임베딩 벡터 (768차원)
  - VAD 값 (3차원)
  - 엔트로피 점수
  - 타임스탬프와 메타데이터

- **검색 전략**:
  1. 현재 감정 임베딩으로 top-k 코사인 유사도 검색
  2. 엔트로피 기반 중요도 필터링
  3. 시간 가중치 적용
  4. 베이지안 결합으로 최종 선택

### 3.3 임베딩 기반 클러스터링
- DBSCAN으로 감정 클러스터 발견
- 사용자별 감정 어트랙터 맵핑
- 클러스터별 공감 전략 사전 계산

## 4. 수학-임베딩-LLM 통합 파이프라인

### 4.1 처리 흐름
1. **엔트로피 이상 탐지**: 시공간 엔트로피 변화율 계산
2. **임베딩 유사도 계산**: ChromaDB에서 근접 감정 검색
3. **LLM 의미 분석**: 불확실성이 높을 때만 호출
4. **베이지안 증거 결합**: 세 가지 신호를 확률적으로 통합

### 4.2 중요도 결정 방식
- 잠재 중요도 z ∈ {0,1}
- 관측: m(엔트로피), e(임베딩 거리), l(LLM 점수)
- 베이지안 추론으로 P(z=1|m,e,l) 계산
- Thompson Sampling으로 저장/무시 결정

## 5. 베이지안 학습 시스템

### 5.1 파라미터 학습
- **윈도우 크기**: Poisson 분포, TD-Error 기반 적응
- **가중치**: Dirichlet 분포, 사용자 피드백으로 업데이트
- **임계값**: Beta 분포, 성능 지표로 조정

### 5.2 계층적 모델
- **조직 레벨**: 글로벌 사전분포
- **팀 레벨**: 팀별 특성 학습
- **개인 레벨**: 개인화된 사후분포

### 5.3 온라인 업데이트
- 실시간 사후분포 갱신
- 지연 피드백 처리 (backward update)
- 불확실성 기반 탐색-활용 균형

## 6. 감정-기억 통합

### 6.1 저장 결정
- 엔트로피 특이점 검사
- 임베딩 클러스터 거리
- 베이지안 중요도 추론
- Thompson Sampling으로 최종 결정

### 6.2 회상 메커니즘
- 임베딩 기반 빠른 검색 (ChromaDB)
- 엔트로피 가중 재순위화
- MMR로 다양성 보장
- 시간 감쇠 적용

## 7. 공감 시스템

### 7.1 전략 선택
- 감정 임베딩 거리 계산
- 전략별 효과성 (Beta 분포)
- Thompson Sampling으로 전략 선택
- 사용자 반응으로 업데이트

### 7.2 뉘앙스 감지
- 표면 텍스트 vs 행동 신호
- Hidden Markov Model로 잠재 감정 추론
- 신뢰도 기반 결정

## 8. 성능 지표

### 8.1 임베딩 품질
- **Triplet Accuracy**: 같은 감정이 임베딩 공간에서 가까운 비율
- **Retrieval NDCG@k**: 관련 기억 검색 정확도
- **클러스터 순도**: 감정 클러스터의 일관성

### 8.2 시스템 성능
- **엔트로피 감소율**: 중요 순간 포착 능력
- **베이지안 캘리브레이션**: 확률 예측의 정확도
- **적응 속도**: 사용자별 수렴 시간

## 9. 구현 우선순위

### Phase 1: 기초 구축
- 감정 임베딩 모델 선택 및 통합
- ChromaDB에 임베딩 저장 구조 구현
- 기본 엔트로피 계산기

### Phase 2: 통합 파이프라인
- 수학-임베딩-LLM 3중 구조
- 베이지안 증거 결합
- Thompson Sampling 구현

### Phase 3: 학습 시스템
- 온라인 사후분포 업데이트
- 계층적 베이지안 모델
- 사용자별 개인화

### Phase 4: 최적화
- 임베딩 차원 축소 (필요시)
- 추론 속도 개선
- 메모리 효율화

## 10. 기술 스택

- **임베딩 모델**: Hugging Face Transformers
- **벡터 DB**: ChromaDB (이미 사용 중)
- **베이지안 추론**: Pyro (경량) 또는 TFP (대규모)
- **함수형 구조**: 순수 함수 + I/O 분리 패턴

## 11. 주요 결정 사항

1. **임베딩 모델 선택**: 
   - 한국어 지원 여부
   - 모델 크기 vs 성능
   - 라이선스

2. **임베딩 차원**:
   - 768차원 그대로 vs PCA 축소
   - 저장 공간 vs 표현력

3. **업데이트 주기**:
   - 실시간 vs 배치
   - 리소스 vs 반응성

---

*이 설계는 함수형 프로그래밍 원칙을 지키면서 베이지안 추론과 감정 임베딩을 통합한 적응형 시스템입니다. 하드코딩 없이 데이터에서 학습하며, 엔트로피 특이점을 포착해 중요한 감정을 기억합니다.*