Кластеризація текстових документів: пайплайн, алгоритми та кейси

Зауважимо: коли в корпусі накопичуються десятки тисяч неструктурованих документів – звернення клієнтів, наукові статті, юридичні договори – ручна категоризація стає неможливою. Кластеризація групує документи за смисловою близькістю без єдиної мітки, використовуючи ембеддінги та алгоритми машинного навчання. Головна складність – прокляття розмірності: прямі 768-вимірні вектори з Sentence-BERT дають погані кластери без зниження розмірності. Ми реалізували пайплайн для трьох великих проєктів: від сегментації техпідтримки (50 тис. діалогів) до організації корпоративного архіву (200 тис. договорів). Стек: cointegrated/rubert-tiny2, UMAP, HDBSCAN. У статті розберемо кожен етап, порівняємо алгоритми та покажемо, як отримати Silhouette Score >0.4. Також розглянемо типові помилки: ігнорування стоп-слів, неправильний min_cluster_size та використання лише однієї метрики. Це дозволяє заощадити до 40% часу на ручному розмічуванні. Отримайте консультацію щодо вашого корпусу – ми оцінимо придатність кластеризації.

Пайплайн кластеризації

Канонічний pipeline, який ми використовуємо, виглядає так:

1. Очищення та нормалізація – видалення сміттєвих символів, лематизація (pymorphy2 або Mystem), фільтрація стоп-слів.
2. Ембеддінги – перетворення текстів у вектори фіксованої розмірності (Sentence-BERT, ruBERT).
3. Зниження розмірності – UMAP стискає 768-вимірні вектори до 10–50 вимірів, зберігаючи топологію.
4. Кластеризація – HDBSCAN або K-Means.
5. Інтерпретація – TF-IDF топ-слова або LLM-резюме.
6. Візуалізація – 2D-карта через t-SNE/UMAP, кольорове маркування кластерів.

import hdbscan
from umap import UMAP

reducer = UMAP(n_components=15, metric='cosine')
clusterer = hdbscan.HDBSCAN(min_cluster_size=10, min_samples=1)

Як обрати алгоритм кластеризації?

Вибір алгоритму – ключовий компроміс між швидкістю та гнучкістю.

Для типового проєкту з 10 тис. документів ми обираємо HDBSCAN – він дає робастні кластери та автоматично відсіює сміття. Якщо потрібна миттєва інтерпретація, підключаємо BERTopic.

Порівняння моделей ембеддінгів

Як ми це робимо: кейс сегментації звернень техпідтримки

Задача: 50 000 діалогів з клієнтами за останні 3 роки поділити на тематичні кластери. Розмітки немає.

Стек: cointegrated/rubert-tiny2 (компроміс якість/швидкість), UMAP -> HDBSCAN. Після кластеризації кожен кластер інтерпретували через TF-IDF топ-10 слів і додатково – через GPT-4o, передавши 10 випадкових діалогів з кластера. Результат: 23 теми, включаючи «проблеми оплати», «претензії до доставки», «запити документації». Точність розпізнавання теми за першим документом – 89%.

Критичний нюанс: без зниження розмірності UMAP метрики кластеризації падають на 20–30% через «прокляття розмірності». Ми налаштовуємо n_components=15, metric='cosine' – це збільшує Silhouette Score з 0.25 до 0.41.

Що входить в роботу

Ми пропонуємо повний цикл впровадження кластеризації під ключ за 2–3 тижні:

• Аудит корпусу: оцінка обсягу, якості, мовних особливостей.
• Підбір ембеддінгів та алгоритмів під вашу задачу (ми перебираємо 3–4 конфіги).
• Реалізація пайплайну на Python: pandas + scikit-learn + umap-learn + hdbscan/bertopic.
• Тестування на відкладеній вибірці: метрики + візуальний аналіз карти.
• Деплой у вигляді Docker-контейнера або REST API на FastAPI.
• Документація: інструкція з перенавчання, опис кластерів, дашборд (Grafana/Streamlit).

Ми гарантуємо прозорість – ви отримуєте відтворювані скрипти та опис моделі у форматі Model Card.

Оцінка якості без міток

Внутрішні метрики допомагають відсіяти провальні конфігурації:

• Silhouette Score – компактність і розділеність кластерів. Цільове значення >0.3.
• Davies-Bouldin Index – чим нижче, тим краще.
• Coherence (UMass/Word2Vec) – семантична зв'язність топ-слів кластера. Для українського тексту використовуємо натреновані fastText-вектори від RusVectōrēs.

Додатково проводимо експертну валідацію: випадкова вибірка 100 документів, розмітка 3 аналітиками. Розбіжності вирішуємо голосуванням – це дає ground truth для ручного підрахунку точності.

Типові помилки при кластеризації текстів

• Ігнорування стоп-слів та лематизації: ембеддінги «забиваються» частотним сміттям, кластери втрачають сенс.
• Занадто низький min_cluster_size в HDBSCAN (менше 5): отримуємо сотні мікрокластерів, які статистично незначущі.
• Пряма кластеризація 768-вимірних векторів без UMAP: прокляття розмірності знищує метрики.
• Використання лише однієї метрики якості: Silhouette хороший для K-Means, але для HDBSCAN краще комбінувати з Davies-Bouldin.

Чому варто працювати з нами?

Наш досвід в NLP – 5+ років, понад 50 реалізованих проєктів з обробки текстів, включаючи кластеризацію, RAG-системи та fine-tuning LLM. Ми розуміємо, як навчити модель на вашому корпусі, щоб результат був стабільним у продакшені. Вартість розраховується індивідуально.

Для оцінки вашого корпусу та підбору оптимального пайплайну зв'яжіться з нами – ми підготуємо рішення під ключ за 2–3 тижні. Замовте пілотний проєкт, щоб побачити результат на своїх даних.

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.