DOCS/ideas/250807_로빙_감정_시스템_설계도.md

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.