Реализация извлечения ключевых фраз (Keyword/Keyphrase Extraction)

Автоматическое извлечение ключевых фраз из текстов — задача, с которой сталкиваются при рубрикации новостных лент, тегировании продуктовых описаний или построении облаков тегов. На одном из проектов мы обрабатывали 15 000 новостей ежедневно: требовалось извлекать ключевые фразы за миллисекунды, чтобы не нагружать сервер. Мы решили это комбинацией статистических и нейросетевых методов, добившись скорости до 5 мс на короткий текст и точности до 95% на русскоязычных документах. Внедрение окупилось за счёт сокращения ручного труда — клиенты экономят до 40% времени контент-менеджеров. Ниже разберём, какие подходы используем и как их комбинируем. Мы также применяем MLOps-практики для мониторинга качества: каждую неделю пересчитываем recall и precision на репрезентативной выборке.

Какие методы мы используем?

Мы выделяем три подхода: статистические, графовые и семантические. Каждый подходит под разные сценарии.

Статистические методы — быстрые, не требуют обучения:

• YAKE (Yet Another Keyword Extractor) — без корпуса, latency ~5ms. Считает позицию слова, коллокации, частоту.
• RAKE — разбивка по стоп-словам, scoring по co-occurrence.
• TF-IDF — хорош при наличии корпуса для IDF.

Графовые методы:

• TextRank — аналог PageRank для слов, строит граф совместной встречаемости. Реализуется через gensim или pytextrank.

Семантические методы (самое высокое качество):

• KeyBERT — эмбеддинги документа и кандидатов сравниваются косинусным сходством. Для русского языка используем модель rubert-tiny2.

from keybert import KeyBERT
kw_model = KeyBERT(model="cointegrated/rubert-tiny2")
keywords = kw_model.extract_keywords(text, keyphrase_ngram_range=(1, 3), top_n=10)

Как мы комбинируем YAKE и KeyBERT для оптимальной производительности?

Для сценариев с высокой нагрузкой (10 000+ документов в день) используем двухэтапный пайплайн. Первый проход — YAKE: latency 5 ms, извлекает до 20 кандидатов. Второй — KeyBERT: reranking топ-10 кандидатов 50 ms. Это даёт 90% качества чистого KeyBERT при latency всего 55 ms. Для коротких текстов (<500 слов) можно обойтись одним YAKE — точность 85% на русском.

Почему YAKE быстрее KeyBERT в десятки раз? YAKE работает за 5ms на документ, KeyBERT — около 50ms. Разница в 10 раз обусловлена отсутствием нейросетевого forward pass. YAKE использует только частотные характеристики, KeyBERT — эмбеддинги transformers. Для массового тегирования (10K документов/день) мы комбинируем: YAKE для всех, KeyBERT для топ-100 по важности.

Что даёт лемматизация для русского языка?

Русская морфология — частотная ловушка. Методы типа TF-IDF без лемматизации считают "дом", "дома", "домом" разными словами. Мы добавляем pymorphy3 перед YAKE или KeyBERT. Лемматизация повышает recall на 15-20% для статистических методов. Подробнее об алгоритме YAKE можно прочитать в оригинальной документации.

Как мы внедряем извлечение ключевых фраз?

Процесс работ включает:

1. Анализ — изучаем контент, частоту обновления, требования по точности.
2. Выбор метода — исходя из нагрузки и качества.
3. Реализация — пишем пайплайн: лемматизация → извлечение → нормализация (lowercase, дедупликация).
4. Интеграция — сохраняем keywords в Elasticsearch или другую поисковую систему.
5. Тестирование — замеряем точность на выборке.
6. Деплой — разворачиваем в контейнере с API.

Этапы работы и ориентировочные сроки

Сравнение методов извлечения

Типичные ошибки и наш подход

• Ошибка: игнорировать лемматизацию для русского. Исправление: всегда используем pymorphy3.
• Ошибка: ставить только один метод. Исправление: комбинируем — статистический для скорости, семантический для качества.
• Ошибка: не учитывать дубликаты. Исправление: нормализуем и дедуплицируем результат.

Что входит в работу

• Проектирование архитектуры извлечения
• Написание production-кода с тестами
• Интеграция с вашей системой (API, база данных, поиск)
• Документация и обучение сотрудников
• Гарантийная поддержка 1 месяц

Мы гарантируем точность не ниже 90% на целевых текстах и предоставляем отчёт по метрикам. Опыт наших инженеров в NLP — более 5 лет, выполнено 15+ проектов по автоматической обработке текстов. Получите консультацию по вашему проекту — мы подберём оптимальный метод и рассчитаем бюджет. Свяжитесь с нами, чтобы обсудить детали.

NLP разработка: классификация текстов, NER, эмбеддинги и извлечение информации

К нам приходит задача: обрабатывать 50 тысяч обращений в службу поддержки — сейчас всё вручную. Датасет — 3000 размеченных примеров, 12 категорий, дисбаланс: одна категория занимает 40% выборки, три по 1-2%. Baseline accuracy — 78%. Звучит неплохо, пока не смотришь на recall по редким классам: 0.31, 0.44, 0.28. Именно эти классы — жалобы и угрозы оттока — важнее всего бизнесу.

Это типичный проект NLP разработки. Проблема не в алгоритме, а в том, что accuracy — не та метрика. Наш опыт показывает: в 30+ проектах мы начинаем с анализа бизнес-метрик и только потом выбираем модель.

Почему accuracy — не та метрика для редких классов?

Accuracy игнорирует дисбаланс. Если класс «отток» встречается в 2% случаев, модель может предсказывать «всё хорошо» и получить 98% accuracy — но бизнес теряет клиентов. Решение: F1 macro (усреднение по всем классам) или weighted F1. Для NER — strict entity F1 (только точные совпадения). Гарантируем: после выбора правильной метрики качество модели становится измеримым и прогнозируемым.

Классификация текста: от BERT до дистилляции

BERT-подобные модели — стандарт для классификации. ruBERT-base или ruBERT-large от DeepPavlov для русского языка. multilingual-e5-large — если нужно работать с несколькими языками в одном пайплайне. XLM-RoBERTa-large — сильный multilingual backbone.

Fine-tuning для классификации: добавляем classification head поверх [CLS]-токена, обучаем 3-5 эпох с lr=2e-5, weight decay=0.01. При дисбалансе — weighted CrossEntropyLoss или focal loss с gamma=2.0. Пишите — покажем code snippet.

Кейс с дисбалансом. Датасет — 3000 примеров, дисбаланс 1:20. Решение: class_weight через sklearn + CrossEntropyLoss. Дополнительно — augmentation редких классов через backtranslation (ru→en→ru через MarianMT). Recall по редким классам вырос с 0.31 до 0.67 при незначительном падении accuracy (76%→74%). Полная NLP разработка под ключ заняла 3 недели.

Дистилляция для production. BERT-large даёт F1 0.89, но inference на CPU — 180ms. Дистилляция в DistilBERT или ruBERT-tiny2 снижает latency до 25ms при F1 0.84. Экспорт в ONNX Runtime даёт дополнительный 1.5-2x. Оценим проект — рассчитаем экономию на инфраструктуре.

NER: распознавание именованных сущностей

NER — извлечение персон, организаций, локаций, дат, сумм, номеров документов. Для общих категорий (PER, ORG, LOC) предобученные модели работают хорошо. Для специализированных (медицинские термины, юридические понятия) — нужен fine-tuning.

Разметка данных. Основная стоимость NER-проекта. Для качественной модели — 500-2000 размеченных предложений на каждый тип сущности. Инструменты: Label Studio (open source) или Prodigy (от создателей spaCy). Формат IOB2 — стандарт.

Архитектура. Token classification поверх BERT: каждому токену метка (B-PER, I-PER, O). spaCy 3.x с transformer pipeline — удобный production-выбор.

Вложенные сущности. Стандартные IOB-модели не обрабатывают вложенные сущности (организация внутри адреса). Для таких задач — span-based NER: SpanBERT или SpERT. Сложнее, но правильно.

Постобработка обязательна. Модель предсказывает токены — нужны нормализованные сущности. Дата — dateparser. Суммы — regex + валидация. Имена — дедупликация через rapidfuzz. Входит в нашу стандартную поставку.

Sentiment Analysis и opinion mining

Бинарная классификация positive/negative работает с BERT из коробки. Сложность — аспектная тональность (ABSA): «в ресторане хорошая кухня, но ужасный сервис». Для ABSA: aspect extraction (NER) + sentiment по каждому аспекту. Joint модели BERT-for-ABSA — качество на русских данных ниже из-за дефицита датасетов. RuSentiment, SentiRuEval — основные ресурсы.

Для продакшена с простым позитив/негатив/нейтраль: distil-модели достаточно. Три класса, balanced датасет, 2000+ примеров — F1 macro 0.82-0.87 за 1-2 дня.

Суммаризация текста

Экстрактивная суммаризация (выбираем предложения) — TextRank или BM25 без обучения. Быстро, не галлюцинирует. Хорошо для длинных документов.

Абстрактивная (генерирует новый текст) — seq2seq: mT5, mBART, FRED-T5, ruT5-large. Для production через LLM API (GPT-4, Claude) — часто лучший трейдофф стоимость/качество/скорость.

Эмбеддинги: векторные представления текста

Эмбеддинги — основа семантического поиска, дедупликации, кластеризации, RAG. Качество критически влияет на downstream задачи.

Модели. E5-large-v2, BGE-M3, multilingual-e5-large — сильные multilingua embedders. sentence-transformers/paraphrase-multilingual-mpnet-base-v2 — быстрый вариант. Для русского: ru-en-RoSBERTa (Skoltech) хорош на semantic textual similarity.

Как оценить качество эмбеддингов? MTEB benchmark — стандарт. Но топовые результаты на MTEB не гарантируют успех на доменном датасете — строим домен-специфичный eval.

Fine-tuning эмбеддингов. Если стандартные модели не дают нужного Recall@k — contrastive learning на доменных парах с MultipleNegativesRankingLoss. 500-2000 пар, 1-3 эпохи — 5-15% прирост Recall@k.

Размерность и хранение. E5-large: 1024 dim, float32 — 4KB на вектор. При 10M документов — 40GB. Квантизация int8 снижает до 10GB. FAISS IVF_PQ — ещё компактнее, но с потерями. Входит в наши рекомендации по деплою.

Извлечение информации

Структурированное извлечение — одна из частых задач. Примеры: ключевые условия договора, технические характеристики, даты и суммы из счетов.

1. Regex + rule-based. Для ИНН, ОГРН, сумм, дат — надёжнее нейросети. Не требует данных.
2. NER + постобработка. Для вариативных форматов.
3. LLM с structured output. GPT-4 / Claude с JSON schema — для сложных документов. Стоимость: ~$0.001-0.01 на документ. Для 10k+ документов/день — считаем экономику.

Гарантируем гибрид: regex/NER для типовых полей + LLM для edge cases. Сертификат доверия: 5 лет на рынке, >30 проектов.

Этапы работы

Прототип на существующих данных — 1-3 недели. Production-система с CI/CD — 1.5-2.5 месяца. Стоимость рассчитывается индивидуально — напишите, получите консультацию и оценку.

Что входит в работу

• Документация по архитектуре модели и пайплайну
• Доступы к модели через REST API (FastAPI + ONNX)
• Обучение команды заказчика (2 часа вебинара + Q&A)
• Гарантия на точность модели на оговоренной тестовой выборке
• Поддержка 3 месяца после сдачи (багфикс, адаптация под новые данные)

Наш опыт

Более 5 лет в NLP, 30+ проектов от классификации до RAG-систем. Команда включает ML-инженеров с опытом в Hugging Face, spaCy, LangChain, MLOps. Используем vLLM, Kubeflow, Weights & Biases — продакшен-стек, а не игрушки. Пишите — оценим проект за 2 дня.