Реализация суммаризации текста: экстрактивная и абстрактивная

Реализация суммаризации текста: экстрактивная и абстрактивная

При суммаризации новостного потока с объёмом 10 000 статей в день разработчики сталкиваются с дилеммой: экстракция не даёт связного текста, а абстракция грозит галлюцинациями. Какой подход выбрать и как автоматизировать этот процесс под ключ? Мы это решаем, комбинируя методы и настраивая их под ваши данные.

Проблемы, которые мы решаем

Первая проблема — галлюцинации в абстрактивных моделях. В юридических документах стоимость ошибки может достигать миллионов, поэтому мы предпочитаем гибрид: экстракция для безопасного выделения фактов + дообученная T5 для финального текста. Вторая — ограничение контекстного окна. Документы >128k токенов приходится чанковать с перекрытием 10% и использовать иерархическую суммаризацию: сначала по разделам, затем сводка. Третья — производительность: под нагрузкой 2000 req/s latency p99 не должна превышать 500 мс. Мы решаем это через vLLM, ONNX Runtime и квантование INT8.

Как мы это делаем: стек и кейс

На одном из проектов (агрегатор корпоративных новостей) мы настроили гибридную систему. Первый проход — экстрактивный отбор предложений через TextRank с порогом похожести 0.7. Второй — генерация итога из отобранных предложений с помощью IlyaGusev/rut5-base-absum, дообученной LoRA на новостях компании. Инференс ускорили через ONNX Runtime с dynamic quantization — FLOPS поднялись до 150 TFLOPS на одной A100. Результат: ROUGE-1 0.52, BERTScore 0.68, latency p99 — 320 мс. Это позволило сократить время чтения на 60%.

Почему абстрактивная суммаризация генерирует ошибки?

Модели вроде GPT-4o склонны к hallucination, когда контекст расплывчатый или содержит противоречия. Чтобы это минимизировать, мы используем few-shot промпты с примерами из вашего домена и добавляем constraint: "Не используй факты, отсутствующие в тексте". Для критичных сценариев эффективен chain-of-thought — модель сначала выделяет факты, а потом формулирует резюме. Важно также учитывать, что качество суммаризации напрямую зависит от репрезентативности обучающих данных: дообучение на 10 000 документов вашего домена может повысить BERTScore на 0.05. По нашим тестам, гибридная схема с дообученной T5 превосходит чистую экстракцию по ROUGE-1 в 1.3 раза.

Как выбрать между экстрактивной и абстрактивной суммаризацией?

Сравнение подходов по критериям

Процесс работы

1. Анализ требований: тип контента, объём токенов, метрики успеха (ROUGE, BERTScore, latency).
2. Выбор архитектуры: экстрактивная, абстрактивная или гибрид.
3. Тренировка/дообучение: LoRA fine-tuning для абстрактивной модели.
4. Интеграция: REST/gRPC API на базе Docker-образа.
5. Тестирование: ROUGE/BERTScore + A/B тест на живых данных.
6. Деплой: vLLM, ONNX, мониторинг через Weights & Biases.

Сроки ориентировочно

Базовая экстрактивная суммаризация настраивается за 3 рабочих дня. Абстрактивная с дообучением и production-ready интеграцией — от 2 до 4 недель. Стоимость рассчитывается индивидуально: свяжитесь с нами — оценим ваш проект.

Что входит в работу

• Архитектурная документация (model card, pipeline diagram).
• Код модели в Docker-образе с ONNX runtime.
• Интеграционный тест (образец вызова API).
• Доступ к мониторингу MLflow.
• Обучение команды (2 часа вебинар с разбором кейсов).
• Гарантия 3 месяца на сопровождение.

Как оптимизировать latency для production?

Оптимизированная на ONNX модель работает в 2-3 раза быстрее базового PyTorch. Для высоких нагрузок мы используем vLLM с непрерывным батчингом — это снижает latency p99 до 300 мс при 1000 req/s. Закажите пилотный проект — мы проведем A/B тест на ваших данных.

import requests
data = {"text": "...", "max_tokens": 150}
response = requests.post("https://your-api.com/summarize", json=data)
print(response.json()["summary"])

Наш опыт — 5+ проектов по суммаризации текстов, от новостных лент до юридических документов. Гарантируем результат, соответствующий вашим метрикам. Получите консультацию — пишите.

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.