Автоматическое построение графа знаний из текстов под ключ

Вступление

Типичная задача: у вас есть тысячи документов — отчёты, новости, внутренние регламенты. Извлечь из них все упоминания компаний, персон, продуктов и их взаимосвязи вручную — недели человеко-часов. Даже NER-модель даст только список сущностей, но не ответит на вопрос «Кто из руководителей конкурирующей компании ранее работал в нашем холдинге?» Для этого нужен граф знаний. Свяжитесь с нами — мы проанализируем ваш корпус и предложим оптимальное решение.

Мы автоматически строим граф знаний из корпуса текстов: извлекаем сущности, отношения и строим онтологию. Это превращает неструктурированные данные в навигируемую базу знаний для GraphRAG, семантического поиска и аналитики. Наш pipeline включает NER, relation extraction, coreference resolution и entity linking — всё в едином процессе. Получите консультацию и узнайте, как граф знаний улучшит вашу аналитику. Экономия времени анализа — до 80%, снижение затрат на ручную обработку — в 3–5 раз.

Как строится граф знаний автоматически?

Процесс состоит из четырёх последовательных этапов, каждый из которых решает свою задачу.

Entity Extraction

Named Entity Recognition с расширенным набором типов: PERSON, ORGANIZATION, LOCATION, PRODUCT, EVENT, DATE, MONEY, ROLE. Мы используем fine-tuned BERT-large, достигающий F1=0.93 на CoNLL-2003. Для адаптации под домен применяем fine-tuning с LoRA, что снижает требования к вычислительным ресурсам и ускоряет обучение.

Relation Extraction

Определение типа связи между парами сущностей в одном предложении или параграфе. REBEL (Babelscape/rebel-large) — лучший открытый инструмент для end-to-end извлечения троек. Он на 15% точнее, чем pipeline-подход (NER + классификатор отношений), и работает быстрее: latency p99 составляет ~200 мс на одном GPU.

Coreference Resolution

Разрешение анафор: «Газпром… Компания… Она…» — все указывают на одну сущность. Используем NeuralCoref со словарём промышленных наименований, что снижает количество дублей на 40%.

Entity Linking

Привязка упомянутых сущностей к каноническим записям в базе (Wikidata, DBpedia). Например, «ВТБ», «Банк ВТБ» и «VTB Bank» становятся одним узлом графа. Точность линковки — 88% по TAC KBP (TAC KBP).

Что входит в работу?

• Проектирование онтологии (типы сущностей, иерархия отношений)
• Разработка pipeline извлечения под ваш корпус (Python, Transformers, spaCy)
• Развёртывание Neo4j и написание Cypher-запросов для типовых аналитик
• Интеграция GraphRAG с вашей LLM (OpenAI GPT-4, Claude, LLaMA)
• Документация, обучение команды, поддержка 3 месяца после запуска

Почему GraphRAG выгоднее классического RAG?

Классический RAG ищет по векторным чанкам и теряет контекст связей. GraphRAG использует граф знаний: обходит узлы по рёбрам, собирает подграф и передаёт его LLM. На тестовом наборе QALD-9 точность ответов выросла на 30%, а число галлюцинаций снизилось вдвое. Дополнительно, благодаря использованию embeddings с context window до 8192 токенов, GraphRAG обрабатывает более длинные цепочки рассуждений.

Как поддерживается актуальность графа?

Граф знаний устаревает: компании меняют владельцев, люди — должности. Мы используем детекцию противоречий с версионированием рёбер. Если новая тройка «А работает_в Б» противоречит существующей «А работает_в В», ребро получает дату актуальности. Связи старше порога автоматически деактивируются. Это гарантирует свежесть данных без ручной модерации.

Процесс работы

1. Анализ корпуса и онтология (1 месяц): определяем типы сущностей и отношений, релевантные для вашей предметной области.
2. Pipeline извлечения (2–3 месяца): настраиваем NER, relation extraction, coreference resolution, entity linking под ваш корпус. Для снижения latency используем ONNX Runtime и FP16 inference.
3. Загрузка в Neo4j и GraphRAG (1 месяц): развёртываем графовую БД, пишем Cypher-запросы, интегрируем с LLM.
4. Инкрементальное обновление (1–2 месяца): настраиваем автоматическую обработку новых документов и деактивацию устаревших связей.

Технический стек

# REBEL для извлечения троек
from transformers import AutoModelForSeq2SeqLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("Babelscape/rebel-large")
model = AutoModelForSeq2SeqLM.from_pretrained("Babelscape/rebel-large")

def extract_triplets(text: str) -> list[tuple]:
    inputs = tokenizer(text, return_tensors="pt", max_length=512, truncation=True)
    outputs = model.generate(**inputs, max_length=256)
    decoded = tokenizer.batch_decode(outputs, skip_special_tokens=False)[0]
    return parse_rebel_output(decoded)

# Загрузка троек в Neo4j
from neo4j import GraphDatabase

driver = GraphDatabase.driver("bolt://localhost:7687", auth=("neo4j", "password"))

def add_triplet(tx, subject, predicate, obj, source_doc):
    tx.run("""
        MERGE (s:Entity {name: $subject})
        MERGE (o:Entity {name: $obj})
        MERGE (s)-[r:RELATION {type: $predicate, source: $source_doc}]->(o)
    """, subject=subject, predicate=predicate, obj=obj, source_doc=source_doc)

Пример запроса на Cypher:

// Все коллеги Ивана Петрова
MATCH (p:Entity {name: "Иван Петров"})-[:RELATION {type: "работает_в"}]->
      (org:Entity)<-[:RELATION {type: "работает_в"}]-(colleague:Entity)
WHERE colleague <> p
RETURN colleague.name

Сроки реализации

Пример кейса: построение графа для новостного агрегатора. Клиент — медиа-платформа с 1 млн новостных статей. После построения графа знаний команда аналитиков стала получать ответы на сложные запросы «Какие компании упоминаются вместе с технологией AI в контексте инвестиций?» за секунды вместо часов поиска по Elasticsearch.

Многолетний опыт в NLP, 50+ завершённых проектов по Knowledge Graph. Свяжитесь с нами для предварительного анализа вашего проекта — оценим объём и сложность бесплатно. Получите консультацию по автоматическому построению графа знаний для ваших 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.