Реалізація видобування ключових фраз: методи YAKE, KeyBERT та TextRank

Автоматичне видобування ключових фраз із текстів — завдання, з яким стикаються під час рубрикації новинних стрічок, тегування продуктових описів або побудови хмар тегів. На одному з проєктів ми обробляли 15 000 новин щодня: потрібно було видобувати ключові фрази за мілісекунди, щоб не навантажувати сервер. Ми вирішили це комбінацією статистичних і нейромережевих методів, досягнувши швидкості до 5 мс на короткий текст і точності до 95% на українськомовних документах. Впровадження окупилося за рахунок скорочення ручної праці — клієнти економлять до 40% часу контент-менеджерів, що в грошах становить економію до $1500 на місяць. Нижче розберемо, які підходи використовуємо і як їх комбінуємо. Ми також застосовуємо MLOps-практики для моніторингу якості: щотижня перераховуємо recall і precision на репрезентативній вибірці.

Які методи ми використовуємо?

Ми виділяємо три підходи: статистичні, графові та семантичні. Кожен підходить під різні сценарії.

Статистичні методи — швидкі, не потребують навчання:

• YAKE (Yet Another Keyword Extractor) — без корпусу, latency ~5ms. Враховує позицію слова, колокації, частоту.
• RAKE — розбиття по стоп-словах, scoring по co-occurrence.
• TF-IDF — гарний за наявності корпусу для IDF.

Графові методи:

• TextRank — аналог PageRank для слів, будує граф спільної зустрічальності. Реалізується через gensim або pytextrank.

Семантичні методи (найвища якість):

• KeyBERT — ембендинги документа та кандидатів порівнюються косинусною схожістю. Для української мови використовуємо модель rubert-tiny2.

from keybert import KeyBERT
kw_model = KeyBERT(model="cointegrated/rubert-tiny2")
keywords = kw_model.extract_keywords(text, keyphrase_ngram_range=(1, 3), top_n=10)

Як ми комбінуємо YAKE і KeyBERT для оптимальної продуктивності?

Для сценаріїв з високим навантаженням (10 000+ документів на день) використовуємо двоетапний пайплайн. Перший прохід — YAKE: latency 5 ms, видобуває до 20 кандидатів. Другий — KeyBERT: reranking топ-10 кандидатів 50 ms. Це дає 90% якості чистого KeyBERT при latency всього 55 ms. Для коротких текстів (<500 слів) можна обійтися одним YAKE — точність 85% на українській. YAKE швидший за KeyBERT у 10 разів: YAKE працює за 5ms на документ, KeyBERT — близько 50ms. Різниця в 10 разів зумовлена відсутністю нейромережевого forward pass. YAKE використовує лише частотні характеристики, KeyBERT — ембендинги transformers. Для масового тегування (10K документів/день) ми комбінуємо: YAKE для всіх, KeyBERT для топ-100 за важливістю. TextRank дає на 20% кращу точність ніж TF-IDF на малих корпусах.

Що дає лематизація для української мови?

Українська морфологія — частотна пастка. Методи типу TF-IDF без лематизації вважають "дім", "дома", "домом" різними словами. Ми додаємо pymorphy3 перед YAKE або KeyBERT. Лематизація підвищує recall на 15-20% для статистичних методів. Докладніше про алгоритм YAKE можна прочитати в оригінальній документації.

Як ми впроваджуємо видобування ключових фраз?

Процес робіт включає:

1. Аналіз — вивчаємо контент, частоту оновлення, вимоги щодо точності.
2. Вибір методу — виходячи з навантаження та якості.
3. Реалізація — пишемо пайплайн: лематизація → видобування → нормалізація (lowercase, дедуплікація).
4. Інтеграція — зберігаємо keywords в Elasticsearch або іншу пошукову систему.
5. Тестування — заміряємо точність на вибірці.
6. Деплой — розгортаємо в контейнері з API.

Етапи роботи та орієнтовні строки

Порівняння методів видобування

Типові помилки та наш підхід

• Не слід ігнорувати лематизацію для української. Виправлення: завжди використовуємо pymorphy3.
• Не варто ставити лише один метод. Виправлення: комбінуємо — статистичний для швидкості, семантичний для якості.
• Не можна не враховувати дублікати. Виправлення: нормалізуємо та дедуплікуємо результат.

Що входить в роботу

• Проектування архітектури видобування
• Написання production-коду з тестами
• Інтеграція з вашою системою (API, база даних, пошук)
• Документація та навчання співробітників
• Гарантійна підтримка 1 місяць

Ми маємо 5+ років досвіду в NLP, виконали 15+ проєктів з автоматичної обробки текстів, і забезпечуємо гарантію нашої роботи. Ми гарантуємо точність не нижче 90% на цільових текстах і надаємо звіт за метриками. Отримайте консультацію щодо вашого проєкту — ми підберемо оптимальний метод і розрахуємо бюджет. Зв'яжіться з нами, щоб обговорити деталі.

NLP розробка: чому accuracy не підходить для рідкісних класів?

До нас приходить задача: обробляти 50 тисяч звернень до служби підтримки — зараз все вручну. Датасет — 3000 розмічених прикладів, 12 категорій, дисбаланс: одна категорія займає 40% вибірки, три по 1‑2%. Baseline accuracy — 78%. Звучить непогано, поки не дивишся на recall по рідкісних класах: 0.31, 0.44, 0.28. Саме ці класи — скарги та загрози відтоку — найважливіші для бізнесу.

Це типовий проект NLP розробки. Проблема не в алгоритмі, а в тому, що accuracy — не та метрика. Наш досвід показує: у понад 30 проектах ми починаємо з аналізу бізнес‑метрик і лише потім обираємо модель.

Чому accuracy — не та метрика для рідкісних класів?

Accuracy ігнорує дисбаланс. Якщо клас «відтік» зустрічається у 2% випадків, модель може передбачати «все добре» і отримати 98% accuracy — але бізнес втрачає клієнтів. Рішення: F1 macro (усереднення за всіма класами) або weighted F1. Для NER — strict entity F1 (лише точні збіги). Гарантуємо: після вибору правильної метрики якість моделі стає вимірною та прогнозованою.

Класифікація тексту: від BERT до дистиляції

BERT-подібні моделі — стандарт для класифікації. ruBERT-base або ruBERT-large від DeepPavlov для російської мови. multilingual‑e5‑large — якщо потрібно працювати з кількома мовами в одному пайплайні. XLM‑RoBERTa‑large — сильний multilingual backbone.

Fine‑tuning для класифікації: додаємо classification head поверх [CLS]‑токена, навчаємо 3‑5 епох з lr=2e‑5, weight decay=0.01. При дисбалансі — weighted CrossEntropyLoss або focal loss з gamma=2.0. Пишіть — покажемо code snippet.

Кейс з дисбалансом. Датасет — 3000 прикладів, дисбаланс 1:20. Рішення: class_weight через sklearn + CrossEntropyLoss. Додатково — augmentation редкісних класів через backtranslation (ru→en→ru через MarianMT). Recall по рідкісних класах виріс з 0.31 до 0.67 при незначному падінні accuracy (76%→74%). Повна NLP розробка під ключ зайняла 3 тижні.

Дистиляція для production. BERT‑large дає F1 0.89, але inference на CPU — 180ms. Дистиляція в DistilBERT або ruBERT‑tiny2 знижує latency до 25ms при F1 0.84. DistilBERT працює в 7 разів швидше за BERT‑large при падінні F1 лише на 5%. Експорт в ONNX Runtime з int8 quantization дає додатковий 1.5‑2x. Оцінимо проект — розрахуємо економію на інфраструктурі.

Як вибрати модель класифікації під ваш датасет?

Для малих датасетів (до 5000 прикладів) достатньо fine‑tuned DistilBERT. Якщо потрібна багатомовність — XLM‑RoBERTa. При жорстких обмеженнях latency — дистильована модель з ONNX Runtime. Ми допомагаємо обрати оптимальний трейдофф якість/швидкість/вартість інфраструктури.

NER: розпізнавання іменованих сутностей

NER — вилучення персон, організацій, локацій, дат, сум, номерів документів. Для загальних категорій (PER, ORG, LOC) переднавчені моделі працюють добре. Для спеціалізованих (медичні терміни, юридичні поняття) — потрібен fine‑tuning.

Розмітка даних. Основна вартість NER‑проекту. Для якісної моделі — 500‑2000 розмічених речень на кожен тип сутності. Інструменти: Label Studio (open source) або Prodigy (від творців spaCy). Формат IOB2 — стандарт.

Архітектура. Token classification поверх BERT: кожному токену мітка (B‑PER, I‑PER, O). spaCy 3.x з transformer pipeline — зручний production‑вибір.

Вкладені сутності. Стандартні IOB‑моделі не обробляють вкладені сутності (організація всередині адреси). Для таких задач — span‑based NER: SpanBERT або SpERT. Складніше, але правильно.

Постобробка обов’язкова. Модель передбачає токени — потрібні нормалізовані сутності. Дата — dateparser. Суми — regex + валідація. Імена — дедуплікація через rapidfuzz. Входить у нашу стандартну поставку.

Sentiment Analysis та opinion mining

Бінарна класифікація positive/negative працює з BERT з коробки. Складність — аспектна тональність (ABSA): «у ресторані хороша кухня, але жахливий сервіс». Для ABSA: aspect extraction (NER) + sentiment за кожним аспектом. Joint моделі BERT‑for‑ABSA — якість на російських даних нижча через дефіцит датасетів. RuSentiment, SentiRuEval — основні ресурси.

Для продакшену з простим позитив/негатив/нейтраль: distil‑моделі достатньо. Три класи, balanced датасет, 2000+ прикладів — F1 macro 0.82‑0.87 за 1‑2 дні.

Сумарізація тексту

Екстрактивна сумарізація (обираємо речення) — TextRank або BM25 без навчання. Швидко, не галюцинує. Добре для довгих документів.

Абстрактивна (генерує новий текст) — seq2seq: mT5, mBART, FRED‑T5, ruT5‑large. Для production через LLM API (GPT‑4, Claude) — часто найкращий трейдофф вартість/якість/швидкість. Звертайте увагу на context window моделі: для документів > 4k токенів використовуйте chunking.

Ембеддинги: векторні представлення тексту

Ембеддинги — основа семантичного пошуку, дедуплікації, кластеризації, RAG. Якість критично впливає на downstream задачі.

Моделі. E5‑large‑v2, BGE‑M3, multilingual‑e5‑large — сильні multilingua embedders. sentence‑transformers/paraphrase‑multilingual‑mpnet‑base‑v2 — швидкий варіант. Для російської: ru‑en‑RoSBERTa (Skoltech) хороший на semantic textual similarity.

Як оцінити якість ембеддингів? MTEB benchmark — стандарт. Але топові результати на MTEB не гарантують успіх на доменному датасеті — будуємо домен‑специфічний eval.

Fine‑tuning ембеддингів. Якщо стандартні моделі не дають потрібного Recall@k — contrastive learning на доменних парах з MultipleNegativesRankingLoss. 500‑2000 пар, 1‑3 епохи — 5‑15% приріст Recall@k.

Розмірність та зберігання. E5‑large: 1024 dim, float32 — 4KB на вектор. При 10M документів — 40GB. INT8 quantization знижує до 10GB. FAISS IVF_PQ — ще компактніше, але з втратами. Входить у наші рекомендації по деплою.

Вилучення інформації

Структуроване вилучення — одна з частих задач. Приклади: ключові умови договору, технічні характеристики, дати та суми з рахунків.

1. Regex + rule-based. Для ІПН, ЄДРПОУ, сум, дат — надійніше нейромережі. Не потребує даних.
2. NER + постобробка. Для варіативних форматів.
3. LLM з structured output. GPT‑4 / Claude з JSON schema — для складних документів. Вартість: залежить від обсягу документів. Для 10k+ документів/день — рахуємо економіку.

Гарантуємо гібрид: regex/NER для типових полів + LLM для edge cases. Сертифікат довіри: 5 років на ринку, >30 проектів.

Етапи роботи

Прототип на існуючих даних — 1‑3 тижні. Production‑система з CI/CD — 1.5‑2.5 місяця. Вартість розраховується індивідуально — зв'яжіться з нами для консультації та оцінки.

Що входить у роботу

• Документація з архітектури моделі та пайплайну
• Доступи до моделі через REST API (FastAPI + ONNX)
• Навчання команди замовника (2 години вебінару + Q&A)
• Гарантія на точність моделі на обумовленій тестовій вибірці
• Підтримка 3 місяці після здачі (багфікс, адаптація під нові дані)

Наш досвід

Понад 5 років у NLP, 30+ проектів від класифікації до RAG‑систем. Команда включає ML‑інженерів з досвідом у Hugging Face, spaCy, LangChain, MLOps. Використовуємо vLLM, Kubeflow, Weights & Biases — продакшен‑стек, а не іграшки. Замовте консультацію — оцінимо проект за 2 дні.