Добавлено описание.

app.py

@@ -15,7 +15,22 @@ os.system("python3 -m spacy download en")
 st.markdown("""### TL;DR: give me the keywords!
 Здесь вы можете получить отранжированный список ключевых слов по названию и аннотации статьи.
 
-Единственным поддерживаемым языком является английский.""")
+Единственным поддерживаемым языком является английский.
+
+*Примечание:* сервис использует трансформеры для получения эмбеддингов текста, а не для классификации напрямую.
+Этот подход имеет свои плюсы и минусы.
+
+Плюсы:
+- Возможность работы с любым текстом, для которого трансформер более-менее корректно генерирует эмбеддинги.
+- Ключевые слова берутся из самого текста, их набор не ограничен заранее заданным множеством классов.
+- Нет сильного перевеса в сторону одного ключевого слова, как это бывает у хорошо обученных классификаторов.
+
+Минусы:
+- Чем меньше текст, тем меньше вариантов для ключевых слов. Зачастую, только по названию можно получить не более одного ключевого слова.
+- Чем больше текст, тем больше мусорных слов будут попадать в список. Правда, обычно нейронная сеть даёт им маленький скор, отправляя вниз списка.
+
+*К сожалению, я не успел реализовать анализ тематики текстов (дополнительная функциональность, которую я тоже хотел сделать), так как для этого требуется загружать на spaces массивные файлы.
+Пример анализа тематики можно увидеть в приложенном блокноте.*""")
 
 st.markdown("<p style=\"text-align:center\"><img width=100% src='https://c.tenor.com/IKt-6tAk9CUAAAAd/thats-a-lot-of-words-lots-of-words.gif'></p>", unsafe_allow_html=True)
 
@@ -52,9 +67,9 @@ def get_nlp(nlp_name):
 # Вообще, стоит найти pipeline, заточенный под научный текст.
 # Но этим займёмся потом, если будет время.
 nlp_name = 'en_core_web_sm'
+st.markdown("*Загрузка языка...* (~1 с)")
 main_nlp = get_nlp(nlp_name)
 
-
 # Получение модели.
 
 #@st.cache(hash_funcs={transformers.tokenizers.Tokenizer: lambda _: None})
@@ -65,11 +80,13 @@ def get_model_and_tokenizer(model_name):
     return model, tokenizer
 
 model_name = "distilroberta-base"
+st.markdown("*Загрузка модели...* (~3 с)")
 main_model, main_tokenizer = get_model_and_tokenizer(model_name)
 
 
 # Обработка текста.
 
+st.markdown("*Обработка текста...* (~1 с)")
 text = preprocess([title + ". " + abstract])[0]
 
 if not text is None and len(text) > 0:
@@ -93,6 +110,7 @@ if not text is None and len(text) > 0:
         ax.set_title("95% самых важных ключевых слов")
         ax.grid(color='#000000', alpha=0.15, linestyle='-', linewidth=1, which='major')
         ax.grid(color='#000000', alpha=0.1, linestyle='-', linewidth=0.5, which='minor')
+        ax.set_ylim([-1, len(keywords)])
 
         bar_width = 0.75
         indexes = -np.arange(len(labels))