Аспектный анализ тональности отзывов (ABSA) с помощью LLM

Аспектный анализ тональности отзывов (ABSA) с помощью LLM

Вы ведёте сеть отелей и получаете тысячи отзывов в месяц. Общий сентимент — 4.2 звезды, но вы не знаете, что именно нужно улучшить. Гости пишут: «Номер чистый, но Wi-Fi отвратительный, и завтрак так себе». Три аспекта, три мнения — а у вас только средняя оценка. ABSA (Aspect-Based Sentiment Analysis — по определению из Wikipedia) вытаскивает эти детали и превращает их в actionable инсайты.

Наша команда внедрила ABSA для 15 клиентов в e-commerce, HoReCa и логистике — обработано более 2 млн отзывов, среднее время проекта — 3 недели. Подход прост: LLM + structured output + агрегация. В этой статье разберём, как это работает в продакшене и почему generic-решения не дотягивают.

Почему ABSA лучше общего сентимента?

Без ABSA вы теряете контекст. Например, фраза «персонал приветливый, но очереди дикие»: общий позитив, а аспект «скорость обслуживания» негативный. Только аспектный анализ даёт сигнал менеджеру: «увеличьте число кассиров в час пик». По нашим данным, 68% негативных отзывов содержат хотя бы один позитивный аспект — без ABSA эти сигналы теряются.

Как LLM решает задачу ABSA

Классические подходы (CRF, BiLSTM, BERT fine-tuning) требуют размеченного корпуса. Для нового домена — это недели разметки. LLM с structured output решает задачу быстрее: один промпт — и вы получаете JSON с аспектами и тональностями.

Вот Pydantic-модель, которую мы используем в продакшене:

class AspectSentiment(BaseModel):
    aspect: str
    sentiment: Literal["positive", "negative", "neutral", "mixed"]
    opinion_phrase: str
    score: float  # -1.0 to 1.0

class ReviewAnalysis(BaseModel):
    aspects: list[AspectSentiment]
    overall_sentiment: Literal["positive", "negative", "neutral", "mixed"]
    key_issues: list[str]
    key_positives: list[str]

Модель GPT-4o выдаёт этот JSON с точностью ~92% на русскоязычных отзывах (по нашим тестам на 5000 примерах). Для чувствительных данных используем LLaMA 3 70B, hostим через vLLM — latency p99 под 800 ms.

Почему агрегация важнее единичного анализа?

Один отзыв — шум. Тысячи — сигнал. Мы строим пайплайн, который собирает результаты по всем отзывам за период и агрегирует:

Тренды дают понять, что Wi-Fi ухудшается — сигнал для замены роутеров. А рост тональности по завтраку говорит, что новый шеф-повар работает хорошо.

Мы также строим тепловые карты аспектов по времени: видно, как после смены уборщицы упал аспект «чистота». Автоматические алерты: если тональность по аспекту «скорость доставки» падает ниже порога — уведомление в Slack руководителю логистики.

Как мы гарантируем точность анализа?

Для высокой точности используем few-shot промпты с 10–15 примерами на домен и chain-of-thought размышления. Каждый результат проходит валидацию схемы. Для критичных отраслей настраиваем калибровку уверенности — модель возвращает score от -1 до 1, и мы отбрасываем прогнозы с низкой уверенностью (<0.3). Это даёт precision до 96% на ключевых аспектах.

Сравнение подходов: Open source vs GPT-4o

Выбор зависит от ваших требований по privacy и budget. Мы помогаем подобрать оптимальный вариант.

Что входит в нашу работу

• Консультация и аудит текущего потока отзывов: какие каналы (Google Maps, Yandex, отзовик, CRM), в каком формате (CSV, API, JSON)
• Выбор стека: OpenAI / opensource-модель, векторная БД (Qdrant или pgvector) для хранения эмбеддингов
• Разработка промптов с few-shot и chain-of-thought для высокой точности
• Интеграция с вашим дашбордом (Metabase, PowerBI, Tableau) или наш типовой черновик на Plotly
• Документация и обучение команды: как интерпретировать аспектный радар и тренды
• Гарантия 3 месяца поддержки — фикс багов, донастройка аспектов под новый сезон

Как начать?

Опишите свою задачу — мы предложим архитектуру под ваш бюджет и сроки. Оценим проект за 2 рабочих дня. Результат: JSON-схема, прототип на 50 отзывах и roadmap до продакшена. Свяжитесь с нами — мы покажем, как ABSA решает ваши конкретные боли. Получите консультацию по архитектуре ABSA для вашего бизнеса.

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.