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.