Реалізація виявлення плагіату в тексті з семантичним пошуком

Уявіть: у вас корпус з 500 000 наукових статей, і потрібно перевірити нову роботу на плагіат. Пошук точних копій займе секунди, але що якщо текст перефразували? Стандартні алгоритми дають до 40% хибнонегативних результатів. Ми вирішуємо це завдання за допомогою семантичного порівняння та ANN-індексації. Наш досвід — понад сім років у NLP та Computer Vision, ми реалізували системи для трьох вишів і двох видавництв. Система виявлення плагіату будується на комбінації fingerprinting та семантичного пошуку з використанням ембеддінгів.

Чому точного збігу недостатньо?

Дослівне копіювання — лише 30% випадків. Решта плагіату — це перефразування, переклад з іншої мови або перестановка структури. Без семантичного аналізу такі запозичення не виявити. Ми комбінуємо кілька підходів:

Як ми масштабуємо перевірку на 1 млн+ документів?

Для великих корпусів точний попарний пошук неможливий. Використовуємо ANN-індекс (FAISS або Qdrant): індекс будується за O(N log N), пошук — за O(log N). Після знаходження кандидатів застосовуємо точні алгоритми. Це знижує затримку з годин до мілісекунд.

Приклад конфігурації FAISS:

import faiss
import numpy as np
from sentence_transformers import SentenceTransformer

model = SentenceTransformer('all-MiniLM-L6-v2')
docs = [...] # список документів
embeddings = model.encode(docs)
index = faiss.IndexFlatIP(embeddings.shape[1])
index.add(embeddings)
# Пошук: distances, indices = index.search(query_emb, k=10)

Як донавчання моделі підвищує точність для вашого домену?

Стандартні Sentence-BERT моделі (наприклад, all-MiniLM-L6-v2) навчені на загальних даних. Для корпусу наукових статей або юридичних документів точність семантичного порівняння можна підняти на 3–5% за допомогою fine-tuning. Використовуємо LoRA (Low-Rank Adaptation) — це потребує всього 2% параметрів моделі, знижує ризик перенавчання та прискорює донавчання. Приклад: на корпусі з 50 000 документів fine-tuning займає дві години на одній GPU V100. Після донавчання метрика recall@10 для перефразованого плагіату збільшується з 88% до 94%.

Для пошуку релевантних джерел у відкритому корпусі ми включаємо RAG-пайплайн: ембеддінги всіх документів індексуються, а запит перетворюється на вектор і шукає найближчих кандидатів, до яких потім застосовується точний семантичний матчинг.

Технічний стек та інтеграція

Fingerprinting — найшвидший для точного збігу:

def get_shingles(text: str, k: int = 5) -> set:
    words = text.lower().split()
    return {tuple(words[i:i+k]) for i in range(len(words)-k+1)}

def jaccard_similarity(s1: set, s2: set) -> float:
    return len(s1 & s2) / len(s1 | s2)

Семантичне порівняння (для перефразування):

• Сегментація на речення
• Sentence-BERT ембеддінги для кожного речення
• Косинусна близькість матриця між усіма парами речень
• Виявлення пар з similarity > 0.85

Інтеграція із зовнішніми сервісами: Для академічних робіт підключаємо API Antiplagiat.ru (російський стандарт для ВНЗ) та iThenticate. Якщо потрібна приватність або власний корпус — будуємо кастомну систему.

Згідно з Sentence-BERT paper, семантичне порівняння на ембеддінгах дає високу точність при мінімальних обчислювальних витратах.

Процес розробки

1. Аналітика: збір вимог, оцінка корпусу, вибір threshold.
2. Проєктування: архітектура пайплайну (індексація, пошук, звітність).
3. Реалізація: розробка модулів fingerprinting та семантичного порівняння, налаштування ANN-індексу, fine-tuning моделі.
4. Тестування: прогін на тестовому корпусі, замір precision/recall, оптимізація latency p99.
5. Деплой: розгортання на ваших потужностях або в хмарі (SageMaker, Vertex AI), інтеграція через REST API.

Що входить у результат

• Готовий пайплайн виявлення плагіату (fingerprinting + семантичне порівняння)
• ANN-індекс (FAISS або Qdrant) для швидкого пошуку
• Модель Sentence-BERT, донавчена (fine-tuned) на вашому корпусі (опціонально)
• REST API з ендпоінтами /check, /upload, /report
• Візуалізація збігів з підсвічуванням та посиланнями на джерела
• Документація та навчання команди (2–3 дні)
• Гарантія підтримки 1 рік

Порівняння з альтернативами

Sentence-BERT у 3 рази швидше отримання точних ембеддінгів через BERT-base, при цьому зниження якості менше 2%. ANN-індексація (HNSW) перевершує точний пошук у 100 разів при корпусі >10K документів. Додатково ми використовуємо few-shot промпти для аналізу складних випадків перефразування, що знижує частоту галюцинацій моделі.

Приклад порівняння продуктивності:

Типові помилки при реалізації

• Використання стоп-слів у шинглах (збільшує шум)
• Відсутність попередньої обробки: лематизація, приведення до нижнього регістру
• Вибір занадто малого k в n-грамах (пропуск збігів)
• Ігнорування багатомовності (якщо корпус різними мовами)

Якщо хочете оцінити свій кейс, зв'яжіться з нами — підготуємо демо-версію під ваш корпус. Замовте пілотний проект: протестуємо систему на 1 000 документах за 5 робочих днів. Отримайте консультацію з інтеграції прямо зараз — ми допоможемо налаштувати все під ваші завдання.

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.