C.E.L_Slide_test2/tests/matching/phase22.py

"""Phase 22 — 정제 anchor keywords only (baseline)

공식: 점수 = 1.0 × 키워드 (IDF-weighted Jaccard)

데이터:
- keyword_base.yaml (Milestone 1.6 결과, 268 canonical + variants)
- analysis.md mirror (templates_v1.anchor_sets 기반, Milestone 2 결과)
- MDX 추출: keyword_base variants → canonical 정규화
          → direct canonical hit + Kiwi token hit union

목적: 정제 anchor keyword 만으로 4 TARGET 매칭이 어디까지 되는지 baseline.
"""
import sys
import pickle
from pathlib import Path

sys.path.insert(0, str(Path(__file__).parent))

from phase_common import (
    TARGET_UNITS, load_keyword_base, load_32_frames, compute_df_idf_tier,
    extract_mdx_keywords, keyword_score,
    load_target_units, load_frame_index,
)

HERE = Path(__file__).parent
PNG_REL = "../../data/figma_previews/"


def run():
    kb = load_keyword_base()
    frames = load_32_frames()
    df, idf, tier, N = compute_df_idf_tier(frames)
    vocab = set()
    for v in frames.values():
        vocab.update(v["keywords"])
    units_full, units_title = load_target_units()
    idx_data, frame_to_short = load_frame_index()

    reports = []
    hits = 0
    for uid, display, correct_sid, *_ in TARGET_UNITS:
        text = units_full[uid]
        mdx_kws = extract_mdx_keywords(text, vocab, keyword_base=kb)
        ranked = []
        for fid, v in frames.items():
            fig_kws = set(v["keywords"])
            k_s, inter = keyword_score(mdx_kws, fig_kws, idf, tier)
            ranked.append((fid, k_s, {"kw": k_s, "inter": sorted(inter)}))
        ranked.sort(key=lambda x: -x[1])
        top_sid = frame_to_short.get(ranked[0][0], "?")
        if top_sid == correct_sid:
            hits += 1
        top1_score = ranked[0][1]
        top2_score = ranked[1][1] if len(ranked) > 1 else 0
        margin = top1_score - top2_score
        reports.append({
            "uid": uid, "display": display, "correct_sid": correct_sid,
            "mdx_kws": sorted(mdx_kws), "top3": ranked[:3],
            "margin": margin,
        })
    return {
        "phase": 22, "desc": "키워드만 (baseline)",
        "formula": "1.0 × 키워드",
        "hits": hits, "reports": reports,
        "frame_to_short": frame_to_short, "idx_data": idx_data, "frames": frames,
    }


def write_md(r):
    lines = []
    lines.append(f"# Phase 22 — 정제 anchor keywords only (baseline)")
    lines.append("")
    lines.append(f"**공식**: `점수 = 1.0 × 키워드` (IDF-weighted Jaccard)")
    lines.append(f"**결과: {r['hits']}/4 정답**")
    lines.append("")
    lines.append("**데이터 기반**:")
    lines.append("- `keyword_base.yaml` (Milestone 1.6 결과, 268 canonical + variants)")
    lines.append("- 32 Figma frames 의 anchor keywords (analysis.md mirror — templates_v1.anchor_sets 기반)")
    lines.append("")
    lines.append("**MDX 키워드 추출**:")
    lines.append("1. keyword_base variants → canonical 정규화")
    lines.append("2. direct canonical substring hit (compound 보호: 설계Data, 공사비절감 등)")
    lines.append("3. Kiwi 형태소 분석 → Figma vocab 교집합")
    lines.append("4. direct hit ∪ Kiwi hit")
    lines.append("")

    # 요약 표
    lines.append("## 1. TARGET별 결과")
    lines.append("")
    lines.append("| MDX | 정답 | 1위 | 2위 | margin |")
    lines.append("|-----|------|-----|-----|--------|")
    for rep in r["reports"]:
        top1 = r["frame_to_short"].get(rep["top3"][0][0], "?")
        top2 = r["frame_to_short"].get(rep["top3"][1][0], "?")
        mark = "✓" if top1 == rep["correct_sid"] else "✗"
        lines.append(
            f"| {rep['display']} | {rep['correct_sid']} | {top1} ({rep['top3'][0][1]:.3f}) {mark} | "
            f"{top2} ({rep['top3'][1][1]:.3f}) | {rep['margin']:.3f} |"
        )
    lines.append("")

    # Top-3 이미지 매트릭스
    lines.append("## 2. Top-3 매트릭스")
    lines.append("")
    lines.append("| 콘텐츠 | 1순위 | 2순위 | 3순위 |")
    lines.append("|--------|-------|-------|-------|")
    for rep in r["reports"]:
        row = [f"**{rep['display']}**<br>정답 Frame **{rep['correct_sid']}**"]
        for rank_idx in range(3):
            fid, score, _ = rep["top3"][rank_idx]
            sid = r["frame_to_short"].get(fid, "?")
            info = r["idx_data"].get(sid, {})
            png = info.get("png", "")
            title = info.get("title_text", "").strip().replace("\n", " ")[:15] + "…"
            inner = f"![{sid}]({PNG_REL}{png})<br>**{sid}** ({score:.3f})<br>{title}"
            if sid == rep["correct_sid"]:
                cell = f"<div style='background:#fff3cd;border:3px solid #dc2626;padding:8px;border-radius:6px'>🎯 <b>정답</b><br>{inner}</div>"
            else:
                cell = inner
            row.append(cell)
        lines.append("| " + " | ".join(row) + " |")
    lines.append("")

    # 상세
    lines.append("## 3. 유닛별 세부")
    lines.append("")
    for rep in r["reports"]:
        lines.append(f"### {rep['display']} — 정답 Frame **{rep['correct_sid']}**")
        lines.append("")
        lines.append(f"**MDX 키워드 ({len(rep['mdx_kws'])}개)**: {', '.join(rep['mdx_kws'])}")
        lines.append("")
        for rank, (fid, score, bd) in enumerate(rep["top3"], 1):
            sid = r["frame_to_short"].get(fid, "?")
            info = r["idx_data"].get(sid, {})
            png = info.get("png", "")
            fig_content = r["frames"][fid].get("content", "")
            common = ", ".join(bd["inter"]) if bd["inter"] else "(없음)"
            is_correct = sid == rep["correct_sid"]
            prefix = "🎯 " if is_correct else ""
            lines.append(f"**{prefix}{rank}위 Frame {sid}** {'(정답)' if is_correct else ''}")
            lines.append("")
            lines.append(f"![{sid}]({PNG_REL}{png})")
            lines.append("")
            lines.append(f"- **매칭 내용**: {fig_content}")
            lines.append(f"- **매칭 키워드**: {common}")
            lines.append(f"- **점수**: **{score:.3f}**")
            lines.append("")

    # 한계
    lines.append("## 4. 한계")
    lines.append("")
    lines.append("- **정제 anchor 만으론 recall 한계**: Milestone 1.6 에서 구조어·weak·AI 요약어 49개 제외 후 anchor pool 이 좁아짐.")
    lines.append("  - 원래 analysis.md 후보 키워드 (수동 큐레이션, messy) 대비 recall 낮을 수 있음")
    lines.append("  - 대신 precision ↑ + evidence-based 방어 가능")
    lines.append("- **IDF Jaccard 만으론 의미 관계 포착 못함**: 같은 주제를 다른 canonical 로 표현 시 매칭 실패 가능")
    lines.append("- **구조적 호환성 무시**: 3열 병렬과 2열 비교를 구분 못 함")
    lines.append("- **다음 단계**: Phase 23 에서 MDX summary embedding 추가")
    lines.append("")

    out = HERE / "MATRIX_PHASE22.md"
    out.write_text("\n".join(lines), encoding="utf-8")
    print(f"완료: {out}")


def main():
    result = run()
    with open(HERE / "_phase22_results.pkl", "wb") as f:
        pickle.dump(result, f)
    write_md(result)
    print(f"Phase 22: {result['hits']}/4 정답")


if __name__ == "__main__":
    main()