DOCS/plans/251016_ontology_coldmail_implementation.md

# 온톨로지 기반 Coldmail 필터 및 기억 시스템 구현 계획

**날짜**: 2025-10-16
**작성자**: Claude
**관련 문서**: 200_core_design/225_온톨로지_기반_지식_표현.md

---

## 목표

파인티처 메일 누락 같은 임베딩 한계(75% 정확도)를 온톨로지 추론으로 해결하고, 기억-감정-윤리 삼각형을 온톨로지로 구조화하여 로빙의 존재성 강화.

---

## Phase 1: Coldmail 온톨로지 파일럿 (2주)

### 개념 계층 구축
**파일**: rb8001/app/ontology/coldmail_schema.owl

```
메일
└── 외부메일
    └── 제안메일
        └── coldmail (투자제안)
            ├── IR자료
            ├── 피칭덱
            └── 사업계획서
```

### 관계 정의
- `발신자 -속한다→ 회사`
- `회사 -투자단계→ {시드, 시리즈A, ...}`
- `메일 -포함한다→ 첨부파일`

### 추론 규칙 (10개)
**파일**: rb8001/app/services/coldmail_ontology_reasoner.py

#### Coldmail 판정 규칙 (6개)
1. IF 제목 CONTAINS ["투자", "IR", "피칭", "사업계획"] AND 첨부 HAS PDF THEN coldmail (확률 0.9)
2. IF 첨부파일명 CONTAINS ["회사소개서", "IR_Deck", "Pitch", "사업계획서"] THEN coldmail (확률 0.85)
3. IF 제목 CONTAINS "검토요청" AND 첨부 EXISTS THEN coldmail (확률 0.8)
4. IF 발신자 NOT IN known_contacts AND 첨부 HAS PDF THEN coldmail (확률 0.7)
5. IF 본문 CONTAINS ["투자 유치", "펀딩", "시리즈", "밸류에이션"] THEN coldmail (확률 0.75)
6. IF 발신자.도메인 IN ["startup", "ventures", "capital"] THEN coldmail (확률 0.6)

#### Normal 판정 규칙 (4개)
7. IF 제목 CONTAINS ["행사", "초대", "안내", "세미나"] THEN normal (확률 0.9)
8. IF 제목 CONTAINS ["영수증", "발급", "세금계산서", "견적서"] THEN normal (확률 0.95)
9. IF 제목 CONTAINS ["회의", "공지", "보고", "업무"] THEN normal (확률 0.85)
10. IF 발신자 IN known_contacts AND NOT (규칙 1-6) THEN normal (확률 0.8)

#### 최종 판단 로직
- Coldmail 규칙 매칭: 가장 높은 확률 선택
- Normal 규칙 매칭: 가장 높은 확률 선택
- Coldmail 확률 > Normal 확률 → Coldmail
- Threshold: 0.7 이상 시 확정, 0.4-0.7은 LLM fallback

### 검증
- 파인티처 메일: coldmail 확률 0.9+ (현재 0.28)
- 기존 17건 재테스트: 정확도 90%+

---

## Phase 2: 기억 시스템 온톨로지 통합 (1개월)

### Neo4j 도입
**위치**: 51123 서버 (별도 컨테이너)

**스키마**:
```
(사건)-[:발생시각]->(시간)
(사건)-[:관련감정]->(감정)
(사건)-[:참여자]->(사용자)
(사건)-[:결과]->(결과)
```

### ChromaDB + Neo4j 하이브리드 알고리즘
**rb8001/app/services/memory_hybrid_retrieval.py**

#### 1단계: ChromaDB 벡터 검색 (빠른 필터링)
```python
# 입력: 사용자 쿼리 (예: "작년 프레젠테이션 때 어떻게 했지?")
# 1. 쿼리 임베딩: skill-embedding (8515) /embed 호출
# 2. ChromaDB 유사도 검색: top_k=20 (충분한 후보)
# 3. 출력: 20개 후보 대화 (벡터 점수 포함)
```

#### 2단계: Neo4j 그래프 추론 (의미적 연결)
```python
# 입력: ChromaDB 후보 20개
# Cypher 쿼리:
MATCH (event:사건)-[:관련감정]->(emotion)
MATCH (event)-[:결과]->(result)
WHERE event.id IN [후보 20개 ID]
RETURN event, emotion, result, event.시간
ORDER BY event.시간 DESC

# 우선순위:
# - [:결과]->(성공) 관계 있는 사건 우선 (가중치 1.5배)
# - [:관련감정]->(긴장) 매칭 시 가중치 1.3배
# - 시간적 근접성: 1년 전 > 2년 전 (거리 역수)
```

#### 3단계: 점수 통합 및 순위 결정
```python
최종점수 = (벡터점수 * 0.4) + (그래프점수 * 0.6)
# 그래프점수 = 관계가중치 * 시간가중치
# 출력: 상위 5개 사건 반환
```

### API 설계
**rb8001/app/router/memory_ontology.py**:
- POST /memory/event: 사건 저장 (자동 관계 추론)
- GET /memory/recall: 쿼리 기반 회상 (3단계 하이브리드)

---

## Phase 3: 감정-윤리 온톨로지 규칙화 (1개월)

### 감정-우도 온톨로지
**파일**: rb8001/app/ontology/emotion_likelihood.owl

```
불안 -조정→ 위험관련증거 (가중치 1.3)
흥분 -조정→ 긍정관련증거 (가중치 1.2)
슬픔 -조정→ 위로관련증거 (가중치 1.5)
```

### 윤리 제약 온톨로지
**파일**: rb8001/app/ontology/ethics_constraints.owl

```
정보수집 행동 -제약→ [개인정보보호, 투명성, 동의]
조언 행동 -제약→ [해악금지, 자율성존중]
```

### 추론 엔진 통합
**rb8001/app/services/ontology_explainer.py**

#### 추론 과정 추적 (Jena Rules)
```python
# 규칙 실행 시 추적 로그 생성
trace = []
for rule in matched_rules:
    trace.append({
        "rule_id": rule.id,
        "condition": rule.condition,  # "사용자.감정 = 불안"
        "action": rule.action,         # "위험관련증거.우도 *= 1.3"
        "matched_value": matched_value # "감정: 불안"
    })
```

#### 설명 템플릿 (자연어 생성)
```python
def generate_explanation(trace):
    explanation = []
    for step in trace:
        if step['rule_id'].startswith('emotion_'):
            template = "사용자의 {emotion} 감정 때문에 {evidence} 관련 증거의 중요도를 {weight}배 조정했습니다."
            explanation.append(template.format(...))
        elif step['rule_id'].startswith('ethics_'):
            template = "{action} 행동은 {constraint} 원칙에 위배되어 거부했습니다. 대안: {alternative}"
            explanation.append(template.format(...))
    return " ".join(explanation)
```

#### 윤리 충돌 해결 우선순위 (OWL Ontology)
```turtle
# ethics_constraints.owl
:해악금지 rdf:type :윤리원칙 ; :priority 1 .
:투명성 rdf:type :윤리원칙 ; :priority 2 .
:자율성존중 rdf:type :윤리원칙 ; :priority 3 .
:개인정보보호 rdf:type :윤리원칙 ; :priority 1 .

# 충돌 시 priority 높은 것 우선 (1 > 2 > 3)
```

#### HermiT 일관성 검사
- 규칙 간 모순 자동 탐지 (예: "불안 → 우도 증가" vs "불안 → 우도 감소")
- 배포 전 ontology validation 자동화

---

## 기술 스택

| 구분 | 도구 | 용도 |
|------|------|------|
| 온톨로지 편집 | Protégé | OWL 스키마 설계 |
| 그래프 DB | Neo4j | 사건-관계 저장 |
| 추론 엔진 | HermiT | 일관성 검사 |
| 벡터 DB | ChromaDB | 기존 유지 (하이브리드) |
| 표준 | RDF/OWL | 온톨로지 표현 |

---

## 마일스톤

| 날짜 | 단계 | 목표 |
|------|------|------|
| Week 1-2 | Phase 1 | Coldmail 정확도 90%+ |
| Week 3-6 | Phase 2 | 기억 회상 의미적 연결 |
| Week 7-10 | Phase 3 | 감정-윤리 규칙 투명화 |

---

## 체크리스트

Phase 1:
- [ ] Coldmail 온톨로지 스키마 설계 (Protégé)
- [ ] 추론 규칙 10개 구현 (Python OWL API)
- [ ] 파인티처 메일 재테스트 (0.9+)
- [ ] Slack 피드백 → 관계 가중치 베이지안 업데이트

Phase 2:
- [ ] Neo4j 컨테이너 배포 (51123 서버)
- [ ] ChromaDB + Neo4j 하이브리드 쿼리
- [ ] "1년 전 비슷한 상황" 회상 테스트

Phase 3:
- [ ] 감정-우도 온톨로지 7가지 감정
- [ ] 윤리 제약 온톨로지 사랑 기반 원칙
- [ ] HermiT 일관성 검사 자동화

---

## 참고

- 설계 원칙: 200_core_design/225_온톨로지_기반_지식_표현.md
- 문제 배경: troubleshooting/251014_claude_coldmail_filter_tokenization_issue.md
- 온톨로지 연구: research/ontology/