Разработка Relation Extraction для извлечения семантических связей

При разборе корпоративных новостей мы часто видим: «Сбербанк назначил Германа Грефа председателем». NER найдёт сущности, но связь «назначение» останется неявной. Relation Extraction (RE) решает это — превращает неструктурированный текст в тройки (субъект, отношение, объект). В одном проекте для юридического департамента мы обработали 100 000 судебных решений: ручная разметка заняла бы полгода, а fine-tuning BERT с Distant Supervision дал F1 78% за 3 недели. Наши инженеры реализовали 15+ проектов по RE для финансовых и юридических корпусов, включая построение графов знаний. Более 5 лет опыта в NLP — практика, которая гарантирует F1 не ниже 75% на стандартных бенчмарках. RE-системы уже сейчас экономят компаниям до 70% времени на анализ контрактов и судебных решений. Подход RE подробно описан в Wikipedia.

Как Relation Extraction извлекает семантические связи?

Named Entity Recognition (NER) только идентифицирует сущности, но не определяет тип связи между ними. Relation Extraction (RE) дополняет NER: на выходе получаются семантические тройки вида (Сбербанк, назначает, Герман Греф). Такие тройки — основа для построения графов знаний и автоматического анализа текстов. Мы используем открытые бенчмарки TACRED и DocRED для валидации — на них fine-tuned BERT стабильно даёт F1 75-80%.

Как fine-tuning BERT превосходит prompt-based LLM?

Prompt-based подход с LLM (например, GPT-4) позволяет запустить RE за день, но на большом объёме данных стоимость инференса высока — latency p99 может достигать 1 секунды на тройку. Fine-tuned BERT с entity-marker токенами ([E1]сущность[/E1]) даёт F1 на 10-15% выше при latency 10-50 мс. Сравнение подходов:

Fine-tuned BERT в 10 раз дешевле при инференсе и на 10-15% точнее — оптимальный выбор для high-load систем. Метрики считаются строго: правильным считается ответ только при полном совпадении сущностей, направления и типа отношения.

Как distant supervision снижает затраты на разметку?

Разметка данных для RE — дорогой этап. Distant Supervision автоматически создаёт выборку, сопоставляя тексты с базой знаний (например, Wikidata). Это даёт в 10 раз больше примеров за ту же стоимость, что и ручная разметка, при некотором снижении точности (на 5-8% F1). Для компенсации шума мы используем weighted loss и фильтрацию по уверенности.

Сравнение методов разметки:

Процесс внедрения RE

1. Аудит корпуса и схемы отношений — определяем список отношений и проверяем качество NER.
2. Выбор подхода — на основе объёма данных и требований к latency выбираем prompt-based, fine-tuning или REBEL.
3. Разметка — при нехватке размеченных данных применяем Distant Supervision.
4. Обучение и валидация — настраиваем гиперпараметры, контролируем F1 на отложенной выборке.
5. Деплой — упаковываем модель в Docker, API на FastAPI с метриками и логированием.
6. Сопровождение — обучаем вашу команду, поддерживаем 3 месяца.

Типичные ошибки и как их избежать

• Пропуск long-tail отношений: редкие типы зашумляют distant supervision. Решение — балансировать выборку и использовать weighted loss.
• Ошибки сущностей: если NER неточен, RE унаследует ошибки. Рекомендуем ставить каскад с промежуточной валидацией.
• Игнорирование контекста: одно и то же слово может означать разные отношения в разных доменах. Fine-tuning на целевом корпусе решает проблему.

Чтобы узнать, какой подход подходит вашему корпусу, свяжитесь с нами — мы проведём бесплатный аудит. Мы готовы обсудить детали. Получите консультацию по выбору подхода для вашего корпуса — это бесплатно.

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.