Кластеризация текстовых документов: пайплайн, алгоритмы и кейсы

Отметим: когда в корпусе накапливаются десятки тысяч неструктурированных документов – обращения клиентов, научные статьи, юридические договоры – ручная категоризация становится невозможной. Кластеризация группирует документы по смысловой близости без единой метки, используя эмбеддинги и алгоритмы машинного обучения. Главная сложность – проклятие размерности: прямые 768-мерные векторы из Sentence-BERT дают плохие кластеры без снижения размерности. Мы реализовали пайплайн для трёх крупных проектов: от сегментации техподдержки (50 тыс. диалогов) до организации корпоративного архива (200 тыс. договоров). Стек: cointegrated/rubert-tiny2, UMAP, HDBSCAN. В статье разберём каждый этап, сравним алгоритмы и покажем, как получить Silhouette Score >0.4. Также рассмотрим типичные ошибки: игнорирование стоп-слов, неправильный min_cluster_size и использование только одной метрики. Это позволяет сэкономить до 40% времени на ручной разметке. Получите консультацию по вашему корпусу – мы оценим применимость кластеризации.

Пайплайн кластеризации

Каноничный pipeline, который мы используем, выглядит так:

1. Очистка и нормализация – удаление мусорных символов, лемматизация (pymorphy2 или Mystem), фильтрация стоп-слов.
2. Эмбеддинги – преобразование текстов в векторы фиксированной размерности (Sentence-BERT, ruBERT).
3. Снижение размерности – UMAP сжимает 768-мерные векторы до 10–50 измерений, сохраняя топологию.
4. Кластеризация – HDBSCAN или K-Means.
5. Интерпретация – TF-IDF топ-слова или LLM-резюме.
6. Визуализация – 2D-карта через t-SNE/UMAP, цветовая маркировка кластеров.

import hdbscan
from umap import UMAP

reducer = UMAP(n_components=15, metric='cosine')
clusterer = hdbscan.HDBSCAN(min_cluster_size=10, min_samples=1)

Как выбрать алгоритм кластеризации?

Выбор алгоритма – ключевой компромисс между скоростью и гибкостью.

Для типичного проекта с 10 тыс. документов мы выбираем HDBSCAN – он даёт робастные кластеры и автоматически отсеивает мусор. Если нужна мгновенная интерпретация, подключаем BERTopic.

Сравнение моделей эмбеддингов

Как мы это делаем: кейс сегментации обращений техподдержки

Задача: 50 000 диалогов с клиентами за последние 3 года разделить на тематические кластеры. Разметки нет.

Стек: cointegrated/rubert-tiny2 (компромисс качество/скорость), UMAP -> HDBSCAN. После кластеризации каждый кластер интерпретировали через TF-IDF топ-10 слов и дополнительно – через GPT-4o, передав 10 случайных диалогов из кластера. Результат: 23 темы, включая «проблемы оплаты», «претензии к доставке», «запросы документации». Точность распознавания темы по первому документу – 89%.

Критический нюанс: без снижения размерности UMAP метрики кластеризации падают на 20–30% из-за «проклятия размерности». Мы настраиваем n_components=15, metric='cosine' – это увеличивает Silhouette Score с 0.25 до 0.41.

Что входит в работу

Мы предлагаем полный цикл внедрения кластеризации под ключ за 2–3 недели:

• Аудит корпуса: оценка объёма, качества, языковых особенностей.
• Подбор эмбеддингов и алгоритмов под вашу задачу (мы перебираем 3–4 конфига).
• Реализация пайплайна на Python: pandas + scikit-learn + umap-learn + hdbscan/bertopic.
• Тестирование на отложенной выборке: метрики + визуальный анализ карты.
• Деплой в виде Docker-контейнера или REST API на FastAPI.
• Документация: инструкция по переобучению, описание кластеров, дашборд (Grafana/Streamlit).

Мы гарантируем прозрачность – вы получаете воспроизводимые скрипты и описание модели в формате Model Card.

Оценка качества без меток

Внутренние метрики помогают отсеять провальные конфигурации:

• Silhouette Score – компактность и разделённость кластеров. Целевое значение >0.3.
• Davies-Bouldin Index – чем ниже, тем лучше.
• Coherence (UMass/Word2Vec) – семантическая связность топ-слов кластера. Для русского текста используем натренированные fastText-векторы от RusVectōrēs.

Дополнительно проводим экспертную валидацию: случайная выборка 100 документов, разметка 3 аналитиками. Разногласия разрешаем голосованием – это даёт ground truth для ручного подсчёта точности.

Типичные ошибки при кластеризации текстов

• Игнорирование стоп-слов и лемматизации: эмбеддинги «забиваются» частотным мусором, кластеры теряют смысл.
• Слишком низкий min_cluster_size в HDBSCAN (меньше 5): получаем сотни микрокластеров, которые статистически незначимы.
• Прямая кластеризация 768-мерных векторов без UMAP: проклятие размерности уничтожает метрики.
• Использование только одной метрики качества: Silhouette хорош для K-Means, но для HDBSCAN лучше комбинировать с Davies-Bouldin.

Почему стоит работать с нами?

Наш опыт в NLP – 5+ лет, более 50 реализованных проектов по обработке текстов, включая кластеризацию, RAG-системы и fine-tuning LLM. Мы понимаем, как обучить модель на вашем корпусе, чтобы результат был стабилен в продакшене. Стоимость рассчитывается индивидуально.

Для оценки вашего корпуса и подбора оптимального пайплайна свяжитесь с нами – мы подготовим решение под ключ за 2–3 недели. Закажите пилотный проект, чтобы увидеть результат на своих данных.

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.