/
ia.atom.xml
1604 lines (1281 loc) · 148 KB
/
ia.atom.xml
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
<?xml version="1.0" encoding="utf-8"?>
<feed xmlns="http://www.w3.org/2005/Atom"><title>Raul E. Lopez Briega - IA</title><link href="https://relopezbriega.github.io/" rel="alternate"></link><link href="/feeds/ia.atom.xml" rel="self"></link><id>https://relopezbriega.github.io/</id><updated>2017-09-23T00:00:00-03:00</updated><subtitle>Matemáticas, análisis de datos y python</subtitle><entry><title>Procesamiento del Lenguaje Natural con Python</title><link href="https://relopezbriega.github.io/blog/2017/09/23/procesamiento-del-lenguaje-natural-con-python/" rel="alternate"></link><published>2017-09-23T00:00:00-03:00</published><updated>2017-09-23T00:00:00-03:00</updated><author><name>Raul E. Lopez Briega</name></author><id>tag:relopezbriega.github.io,2017-09-23:/blog/2017/09/23/procesamiento-del-lenguaje-natural-con-python/</id><summary type="html"><div class="cell border-box-sizing text_cell rendered"><div class="prompt input_prompt">
</div><div class="inner_cell">
<div class="text_cell_render border-box-sizing rendered_html">
<p><img alt="NLP" title="NLP" src="https://relopezbriega.github.io/images/NLP.png" width="60%" height="60%"></p>
</div>
</div>
</div>
<div class="cell border-box-sizing text_cell rendered"><div class="prompt input_prompt">
</div><div class="inner_cell">
<div class="text_cell_render border-box-sizing rendered_html">
<blockquote><p>"El lenguaje sirve no sólo para expresar el pensamiento, sino para hacer posibles pensamientos que no podrían existir sin él."</p>
</blockquote>
<p><strong><a href="https://es.wikipedia.org/wiki/Bertrand_Russell">Bertrand Russell</a></strong></p>
</div>
</div>
</div>
<div class="cell border-box-sizing text_cell rendered"><div class="prompt input_prompt">
</div><div class="inner_cell">
<div class="text_cell_render border-box-sizing rendered_html">
<h2 id="Introducci&#243;n">Introducci&#243;n<a class="anchor-link" href="#Introducci&#243;n">&#182;</a></h2><p>El <a href="https://es.wikipedia.org/wiki/Lenguaje">lenguaje</a> es una de las herramientas centrales en nuestra vida social y profesional. Entre otras cosas, actúa como un medio para transmitir ideas, información, opiniones y …</p></div></div></div></summary><content type="html"><div class="cell border-box-sizing text_cell rendered"><div class="prompt input_prompt">
</div><div class="inner_cell">
<div class="text_cell_render border-box-sizing rendered_html">
<p><img alt="NLP" title="NLP" src="https://relopezbriega.github.io/images/NLP.png" width="60%" height="60%"></p>
</div>
</div>
</div>
<div class="cell border-box-sizing text_cell rendered"><div class="prompt input_prompt">
</div><div class="inner_cell">
<div class="text_cell_render border-box-sizing rendered_html">
<blockquote><p>"El lenguaje sirve no sólo para expresar el pensamiento, sino para hacer posibles pensamientos que no podrían existir sin él."</p>
</blockquote>
<p><strong><a href="https://es.wikipedia.org/wiki/Bertrand_Russell">Bertrand Russell</a></strong></p>
</div>
</div>
</div>
<div class="cell border-box-sizing text_cell rendered"><div class="prompt input_prompt">
</div><div class="inner_cell">
<div class="text_cell_render border-box-sizing rendered_html">
<h2 id="Introducci&#243;n">Introducci&#243;n<a class="anchor-link" href="#Introducci&#243;n">&#182;</a></h2><p>El <a href="https://es.wikipedia.org/wiki/Lenguaje">lenguaje</a> es una de las herramientas centrales en nuestra vida social y profesional. Entre otras cosas, actúa como un medio para transmitir ideas, información, opiniones y sentimientos; así como para persuadir, pedir información, o dar ordenes. Asimismo, el <a href="https://es.wikipedia.org/wiki/Lenguaje">lenguaje</a> humano es algo que esta en constante cambio y evolución; y que puede llegar a ser muy <em>ambiguo</em> y <em>variable</em>. Tomemos por ejemplo la frase <em>"comí una pizza con amigos"</em> comparada con <em>"comí una pizza con aceitunas"</em>; su estructura es la misma, pero su significado es totalmente distinto. De la misma manera, un mismo mensaje puede ser expresado de formas diferentes; <em>"comí una pizza con amigos"</em> puede también ser expresado como <em>"compartí una pizza con amigos"</em>.</p>
<p>Los seres humanos somos muy buenos a la hora de producir e interpretar el <a href="https://es.wikipedia.org/wiki/Lenguaje">lenguaje</a>, podemos expresar, percibir e interpretar significados muy elaborados en fracción de segundos casi sin dificultades; pero al mismo tiempo, somos también muy malos a la hora de entender y describir formalmente las reglas que lo gobiernan. Por este motivo, entender y producir el <a href="https://es.wikipedia.org/wiki/Lenguaje">lenguaje</a> por medio de una <em>computadora</em> es un problema muy difícil de resolver. Éste problema, es el campo de estudio de lo que en <a href="https://iaarbook.github.io/inteligencia-artificial/">inteligencia artificial</a> se conoce como <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">Procesamiento del Lenguaje Natural</a> o <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">NLP</a> por sus siglas en inglés.</p>
<h2 id="&#191;Qu&#233;-es-el-Procesamiento-del-Lenguaje-Natural?">&#191;Qu&#233; es el Procesamiento del Lenguaje Natural?<a class="anchor-link" href="#&#191;Qu&#233;-es-el-Procesamiento-del-Lenguaje-Natural?">&#182;</a></h2><p>El <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">Procesamiento del Lenguaje Natural</a> o <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">NLP</a> es una disciplina que se encuentra en la intersección de varias ciencias, tales como las <a href="https://es.wikipedia.org/wiki/Ciencias_de_la_computaci%C3%B3n">Ciencias de la Computación</a>, la <a href="https://iaarbook.github.io/">Inteligencia Artificial</a> y <a href="https://es.wikipedia.org/wiki/Psicolog%C3%ADa_cognitiva">Psicología Cognitiva</a>. Su idea central es la de darle a las máquinas la capacidad de leer y comprender los idiomas que hablamos los humanos. La investigación del <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">Procesamiento del Lenguaje Natural</a> tiene como objetivo responder a la pregunta de cómo las personas son capaces de comprender el significado de una oración oral / escrita y cómo las personas entienden lo que sucedió, cuándo y dónde sucedió; y las diferencias entre una suposición, una creencia o un hecho.</p>
<p>En general, en <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">Procesamiento del Lenguaje Natural</a> se utilizan seis niveles de comprensión con el objetivo de descubrir el significado del discurso. Estos niveles son:</p>
<ul>
<li><p><strong>Nivel fonético:</strong> Aquí se presta atención a la <a href="https://es.wikipedia.org/wiki/Fon%C3%A9tica">fonética</a>, la forma en que las palabras son pronunciadas. Este nivel es importante cuando procesamos la palabra hablada, no así cuando trabajamos con texto escrito.</p>
</li>
<li><p><strong>Nivel morfológico:</strong> Aquí nos interesa realizar un análisis <a href="https://es.wikipedia.org/wiki/Morfolog%C3%ADa_ling%C3%BC%C3%ADstica">morfológico</a> del discurso; estudiar la estructura de las palabras para delimitarlas y clasificarlas.</p>
</li>
<li><p><strong>Nivel sintáctico:</strong> Aquí se realiza un análisis de <a href="https://es.wikipedia.org/wiki/Sintaxis">sintaxis</a>, el cual incluye la acción de dividir una oración en cada uno de sus componentes.</p>
</li>
<li><p><strong>Nivel semántico:</strong> Este nivel es un complemente del anterior, en el análisis <a href="https://es.wikipedia.org/wiki/Sem%C3%A1ntica">semántico</a> se busca entender el significado de la oración. Las palabras pueden tener múltiples significados, la idea es identificar el significado apropiado por medio del contexto de la oración.</p>
</li>
<li><p><strong>Nivel discursivo:</strong> El nivel discursivo examina el significado de la oración en relación a otra oración en el texto o párrafo del mismo documento.</p>
</li>
<li><p><strong>Nivel pragmático:</strong> Este nivel se ocupa del análisis de oraciones y cómo se usan en diferentes situaciones. Además, también cómo su significado cambia dependiendo de la situación.</p>
</li>
</ul>
<p>Todos los niveles descritos aquí son inseparables y se complementan entre sí. El objetivo de los sistemas de <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">NLP</a> es incluir estas definiciones en una <em>computadora</em> y luego usarlas para crear una oración estructurada y sin ambigüedades con un significado bien definido.</p>
<h2 id="Aplicaciones-del-Procesamiento-del-Lenguaje-Natural">Aplicaciones del Procesamiento del Lenguaje Natural<a class="anchor-link" href="#Aplicaciones-del-Procesamiento-del-Lenguaje-Natural">&#182;</a></h2><p>Los algoritmos de <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">Procesamiento del Lenguaje Natural</a> suelen basarse en algoritmos de <a href="https://iaarbook.github.io/machine-learning/">aprendizaje automático</a>. En lugar de codificar manualmente grandes conjuntos de reglas, el <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">NLP</a> puede confiar en el <a href="https://iaarbook.github.io/machine-learning/">aprendizaje automático</a> para aprender estas reglas automáticamente analizando un conjunto de ejemplos y haciendo una <a href="https://es.wikipedia.org/wiki/Estad%C3%ADstica_inferencial">inferencia estadística</a>. En general, cuanto más datos analizados, más preciso será el modelo. Estos algoritmos pueden ser utilizados en algunas de las siguientes aplicaciones:</p>
<ul>
<li><p><strong>Resumir texto:</strong> Podemos utilizar los modelos de <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">NLP</a> para extraer las ideas más importantes y centrales mientras ignoramos la información irrelevante.</p>
</li>
<li><p><strong>Crear chatbots:</strong> Podemos utilizar las técnicas de <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">NLP</a> para crear <a href="https://iaarhub.github.io/capacitacion/2017/04/09/31-herramientas-que-te-ayudaran-a-crear-tu-propio-chatbot/">chatbots</a> que puedan interactuar con las personas.</p>
</li>
<li><p><strong>Generar automáticamente <a href="https://es.wikipedia.org/wiki/Etiquetado_gramatical">etiquetas de palabras clave</a></strong>: Con <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">NLP</a> también podemos realizar un análisis de contenido aprovechando el algoritmo de <a href="https://es.wikipedia.org/wiki/Latent_Dirichlet_Allocation">LDA</a> para asignar palabras claves a párrafos del texto.</p>
</li>
<li><p><strong><a href="https://es.wikipedia.org/wiki/Reconocimiento_de_entidades_nombradas">Reconocer entidades</a></strong>: Con <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">NLP</a> podemos identificar a las distintas entidades del texto como ser una persona, lugar u organización.</p>
</li>
<li><p><strong><a href="https://es.wikipedia.org/wiki/An%C3%A1lisis_de_sentimiento">Análisis de sentimiento</a></strong>: También podemos utilizar <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">NLP</a> para identificar el <em>sentimiento</em> de una cadena de texto, desde muy negativo a neutral y a muy positivo.</p>
</li>
</ul>
<h2 id="Librer&#237;as-de-Python-para-Procesamiento-del-Lenguaje-Natural">Librer&#237;as de Python para Procesamiento del Lenguaje Natural<a class="anchor-link" href="#Librer&#237;as-de-Python-para-Procesamiento-del-Lenguaje-Natural">&#182;</a></h2><p>Actualmente, <a href="https://www.python.org/">Python</a> es uno de los lenguajes más populares para trabajar en el campo la <a href="https://iaarbook.github.io/">Inteligencia Artificial</a>. Para abordar los problemas relacionados con el <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">Procesamiento del Lenguaje Natural</a> <a href="https://www.python.org/">Python</a> nos proporciona las siguientes librerías:</p>
<ul>
<li><strong><a href="https://www.nltk.org/">NLTK</a>:</strong> Es la librería líder para el <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">Procesamiento del Lenguaje Natural</a>. Proporciona interfaces fáciles de usar a más de <em><a href="https://nltk.org/nltk_data/">50 corpus</a></em> y recursos léxicos, junto con un conjunto de bibliotecas de procesamiento de texto para la clasificación, tokenización, el etiquetado, el análisis y el razonamiento semántico.</li>
</ul>
<ul>
<li><strong><a href="http://textblob.readthedocs.io/en/dev/">TextBlob</a>:</strong> <a href="http://textblob.readthedocs.io/en/dev/">TextBlob</a> simplifica el procesamiento de texto proporcionando una interfaz intuitiva a <a href="https://www.nltk.org/">NLTK</a>. Posee una suave curva de aprendizaje al mismo tiempo que cuenta con una sorprendente cantidad de funcionalidades.</li>
</ul>
<ul>
<li><strong><a href="https://stanfordnlp.github.io/CoreNLP/">Stanford CoreNLP</a>:</strong> Paquete desarrollado por la universidad de <a href="http://web.stanford.edu/class/cs224n/">Stanford</a>, para muchos constituye el estado del arte sobre las técnicas tradicionales de <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">Procesamiento del Lenguaje Natural</a>. Si bien esta escrita en Java, posee una <a href="https://github.com/stanfordnlp/python-stanford-corenlp">interface con Python</a>.</li>
</ul>
<ul>
<li><strong><a href="https://spacy.io/">Spacy</a>:</strong> Es una librería relativamente nueva que sobresale por su facilidad de uso y su velocidad a la hora de realizar el procesamiento de texto.</li>
</ul>
<ul>
<li><strong><a href="http://textacy.readthedocs.io/en/latest/">Textacy</a>:</strong> Esta es una librería de alto nivel diseñada sobre <a href="https://spacy.io/">Spacy</a> con la idea de facilitar aun más las tareas relacionadas con el <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">Procesamiento del Lenguaje Natural</a>.</li>
</ul>
<ul>
<li><strong><a href="https://radimrehurek.com/gensim/intro.html">Gensim</a>:</strong> Es una librería diseñada para extraer automáticamente los temas semánticos de los documentos de la forma más eficiente y con menos complicaciones posible.</li>
</ul>
<ul>
<li><strong><a href="https://pyldavis.readthedocs.io/en/latest/readme.html">pyLDAvis</a>:</strong> Esta librería está diseñado para ayudar a los usuarios a interpretar los temas que surgen de un análisis de tópicos. Nos permite visualizar en forma muy sencilla cada uno de los temas incluidos en el texto.</li>
</ul>
<p>Como veremos, el <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">NLP</a> también se está sumando a la popularidad del <a href="https://relopezbriega.github.io/blog/2017/06/13/introduccion-al-deep-learning/">Deep Learning</a>, por lo que muchos de los <a href="https://iaarbook.github.io/python/#frameworks-para-deep-learning">frameworks</a> que se utilizan en <a href="https://relopezbriega.github.io/blog/2017/06/13/introduccion-al-deep-learning/">Deep Learning</a> pueden ser aplicados para realizar modelos de <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">NLP</a>.</p>
<h2 id="Corpus-ling&#252;&#237;stico">Corpus ling&#252;&#237;stico<a class="anchor-link" href="#Corpus-ling&#252;&#237;stico">&#182;</a></h2><p>Hoy en día, es indispensable el uso de buenos recursos lingüísticos para el desarrollo de los sistemas de <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">NLP</a>. Estos recursos son esenciales para la creación de gramáticas, en el marco de aproximaciones simbólicas; o para llevar a cabo la formación de módulos basados en el <a href="https://iaarbook.github.io/machine-learning/">aprendizaje automático</a>.</p>
<p>Un <a href="https://es.wikipedia.org/wiki/Corpus_ling%C3%BC%C3%ADstico">corpus lingüístico</a> es un conjunto amplio y estructurado de ejemplos reales de uso de la lengua. Estos ejemplos pueden ser textos (los más comunes), o muestras orales (generalmente transcritas). Un <a href="https://es.wikipedia.org/wiki/Corpus_ling%C3%BC%C3%ADstico">corpus lingüístico</a> es un conjunto de textos relativamente grande, creado independientemente de sus posibles formas o usos. Es decir, en cuanto a su estructura, variedad y complejidad, un <a href="https://es.wikipedia.org/wiki/Corpus_ling%C3%BC%C3%ADstico">corpus</a> debe reflejar una lengua, o su modalidad, de la forma más exacta posible; en cuanto a su uso, preocuparse de que su representación sea real. La idea es que representen al lenguaje de la mejor forma posible para que los modelos de <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">NLP</a> puedan aprender los patrones necesarios para entender el <a href="https://es.wikipedia.org/wiki/Lenguaje">lenguaje</a>. Encontrar un buen <a href="https://es.wikipedia.org/wiki/Corpus_ling%C3%BC%C3%ADstico">corpus</a> sobre el cual trabajar no suele ser una tarea sencilla; un <a href="https://es.wikipedia.org/wiki/Corpus_ling%C3%BC%C3%ADstico">corpus</a> que se suele utilizar para entrenar modelos es el que incluye la información extraída de <a href="https://dumps.wikimedia.org/eswiki/latest/">wikipedia</a>.</p>
<h2 id="Procesamiento-del-Lenguaje-Natural-con-Python">Procesamiento del Lenguaje Natural con Python<a class="anchor-link" href="#Procesamiento-del-Lenguaje-Natural-con-Python">&#182;</a></h2><p>Hasta aquí la introducción, ahora llegó el momento de ensuciarse un poco las manos y comenzar a explorar algunos ejemplos de las herramientas que nos ofrece <a href="https://www.python.org/">Python</a> para trabajar con problemas de <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">Procesamiento del Lenguaje Natural</a>. Comencemos por ejemplo, descargando el <a href="https://es.wikipedia.org/wiki/Corpus_ling%C3%BC%C3%ADstico">corpus</a> de <a href="https://dumps.wikimedia.org/eswiki/latest/">wikipedia</a> en español. Esto lo podemos hacer fácilmente utilizando <a href="http://textacy.readthedocs.io/en/latest/">Textacy</a>.</p>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[1]:</div>
<div class="collapseheader inner_cell"><span style="font-weight: bold;">Ver Código</span>
<div class="input_area" style="display:none">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># Importando las librerías que vamos a utilizar</span>
<span class="kn">import</span> <span class="nn">pandas</span> <span class="k">as</span> <span class="nn">pd</span>
<span class="kn">import</span> <span class="nn">numpy</span> <span class="k">as</span> <span class="nn">np</span>
<span class="kn">import</span> <span class="nn">matplotlib.pyplot</span> <span class="k">as</span> <span class="nn">plt</span>
<span class="kn">import</span> <span class="nn">textacy</span>
<span class="kn">from</span> <span class="nn">textacy.datasets</span> <span class="kn">import</span> <span class="n">Wikipedia</span>
<span class="kn">from</span> <span class="nn">collections</span> <span class="kn">import</span> <span class="n">Counter</span><span class="p">,</span> <span class="n">defaultdict</span>
<span class="kn">import</span> <span class="nn">warnings</span><span class="p">;</span> <span class="n">warnings</span><span class="o">.</span><span class="n">simplefilter</span><span class="p">(</span><span class="s1">&#39;ignore&#39;</span><span class="p">)</span>
<span class="c1"># graficos incrustados</span>
<span class="o">%</span><span class="k">matplotlib</span> inline
<span class="c1"># función auxiliar</span>
<span class="k">def</span> <span class="nf">leer_texto</span><span class="p">(</span><span class="n">texto</span><span class="p">):</span>
<span class="sd">&quot;&quot;&quot;Funcion auxiliar para leer un archivo de texto&quot;&quot;&quot;</span>
<span class="k">with</span> <span class="nb">open</span><span class="p">(</span><span class="n">texto</span><span class="p">,</span> <span class="s1">&#39;r&#39;</span><span class="p">)</span> <span class="k">as</span> <span class="n">text</span><span class="p">:</span>
<span class="k">return</span> <span class="n">text</span><span class="o">.</span><span class="n">read</span><span class="p">()</span>
</pre></div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[2]:</div>
<div class="inner_cell">
<div class="input_area">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># Descargando copus de wikipedia</span>
<span class="n">wp</span> <span class="o">=</span> <span class="n">Wikipedia</span><span class="p">(</span><span class="n">data_dir</span><span class="o">=</span><span class="s1">&#39;/home/raul/Documents/data&#39;</span><span class="p">,</span> <span class="n">lang</span><span class="o">=</span><span class="s1">&#39;es&#39;</span><span class="p">,</span> <span class="n">version</span><span class="o">=</span><span class="s1">&#39;latest&#39;</span><span class="p">)</span>
<span class="n">wp</span><span class="o">.</span><span class="n">download</span><span class="p">()</span>
</pre></div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[3]:</div>
<div class="inner_cell">
<div class="input_area">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># Chequeando la información descargada</span>
<span class="n">wp</span><span class="o">.</span><span class="n">info</span>
</pre></div>
</div>
</div>
</div>
<div class="output_wrapper">
<div class="output">
<div class="output_area">
<div class="prompt output_prompt">Out[3]:</div>
<div class="output_text output_subarea output_execute_result">
<pre class="ipynb">{&#39;data_dir&#39;: &#39;/home/raul/Documents/data&#39;,
&#39;description&#39;: &#39;All articles for a given language- and version-specific Wikipedia site snapshot.&#39;,
&#39;name&#39;: &#39;wikipedia&#39;,
&#39;site_url&#39;: &#39;https://meta.wikimedia.org/wiki/Data_dumps&#39;}</pre>
</div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[4]:</div>
<div class="inner_cell">
<div class="input_area">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="k">for</span> <span class="n">text</span> <span class="ow">in</span> <span class="n">wp</span><span class="o">.</span><span class="n">texts</span><span class="p">(</span><span class="n">min_len</span><span class="o">=</span><span class="mi">1000</span><span class="p">,</span> <span class="n">limit</span><span class="o">=</span><span class="mi">2</span><span class="p">):</span>
<span class="nb">print</span><span class="p">(</span><span class="n">text</span><span class="p">[:</span><span class="mi">375</span><span class="p">],</span> <span class="s2">&quot;</span><span class="se">\n</span><span class="s2">&quot;</span><span class="p">)</span>
</pre></div>
</div>
</div>
</div>
<div class="output_wrapper">
<div class="output">
<div class="output_area">
<div class="prompt"></div>
<div class="output_subarea output_stream output_stdout output_text">
<pre class="ipynb">Andorra
Andorra, oficialmente Principado de Andorra , es un pequeño país soberano del suroeste de Europa. Constituido en Estado independiente, de derecho, democrático y social, cuya forma de gobierno es el coprincipado parlamentario. Su territorio está organizado en siete parroquias, con una población total en 2016 de 78.264 habitantes. Su capital es Andorra la Vieja.
Ti
Argentina
La República Argentina, conocida simplemente como Argentina, es un país soberano de América del Sur, ubicado en el extremo sur y sudeste de dicho subcontinente. Adopta la forma de gobierno republicana, representativa y federal.
El Estado argentino es un Estado federal descentralizado, integrado por un Estado nacional y veintitrés estados provinciales autónomos
</pre>
</div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing text_cell rendered"><div class="prompt input_prompt">
</div><div class="inner_cell">
<div class="text_cell_render border-box-sizing rendered_html">
<p>Como podemos ver, con la ayuda de <a href="http://textacy.readthedocs.io/en/latest/">Textacy</a> es muy fácil descargar la información de <a href="https://dumps.wikimedia.org/eswiki/latest/">wikipedia</a> para luego poder utilizarla de base para nuestro <a href="https://es.wikipedia.org/wiki/Corpus_ling%C3%BC%C3%ADstico">corpus</a>. Veamos otros problemas que también podemos resolver con la ayuda de <a href="http://textacy.readthedocs.io/en/latest/">Textacy</a>; como ser los casos de detectar el idioma o de procesar todo un texto y analizarlo.</p>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[5]:</div>
<div class="inner_cell">
<div class="input_area">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># Detectando el idioma con taxtacy</span>
<span class="n">saludos</span> <span class="o">=</span> <span class="p">[</span><span class="s2">&quot;Hola&quot;</span><span class="p">,</span> <span class="s2">&quot;Hello&quot;</span><span class="p">,</span> <span class="s2">&quot;Bonjour&quot;</span><span class="p">,</span> <span class="s2">&quot;Guten Tag&quot;</span><span class="p">,</span> <span class="s2">&quot;Buon giorno&quot;</span><span class="p">,</span> <span class="s2">&quot;Bom dia&quot;</span><span class="p">]</span>
<span class="k">for</span> <span class="n">saludo</span> <span class="ow">in</span> <span class="n">saludos</span><span class="p">:</span>
<span class="nb">print</span><span class="p">(</span><span class="n">textacy</span><span class="o">.</span><span class="n">text_utils</span><span class="o">.</span><span class="n">detect_language</span><span class="p">(</span><span class="n">saludo</span><span class="p">))</span>
</pre></div>
</div>
</div>
</div>
<div class="output_wrapper">
<div class="output">
<div class="output_area">
<div class="prompt"></div>
<div class="output_subarea output_stream output_stdout output_text">
<pre class="ipynb">es
en
fr
de
it
pt
</pre>
</div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[6]:</div>
<div class="inner_cell">
<div class="input_area">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># Cargando el modelo en español de spacy</span>
<span class="n">nlp</span> <span class="o">=</span> <span class="n">textacy</span><span class="o">.</span><span class="n">data</span><span class="o">.</span><span class="n">spacy</span><span class="o">.</span><span class="n">load</span><span class="p">(</span><span class="s1">&#39;es_core_web_md&#39;</span><span class="p">)</span>
</pre></div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[7]:</div>
<div class="inner_cell">
<div class="input_area">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># detalle de stop words</span>
<span class="c1"># las stop words son las palabras más comunes de un corpus que en general</span>
<span class="c1"># queremos eliminar porque no son significativas para un análisis.</span>
<span class="c1"># Ocurren muchas veces, pero aportan muy poca información</span>
<span class="n">stop</span> <span class="o">=</span> <span class="nb">list</span><span class="p">(</span><span class="n">textacy</span><span class="o">.</span><span class="n">data</span><span class="o">.</span><span class="n">spacy</span><span class="o">.</span><span class="n">es</span><span class="o">.</span><span class="n">STOP_WORDS</span><span class="p">)</span>
<span class="n">stop</span><span class="p">[:</span><span class="mi">15</span><span class="p">]</span>
</pre></div>
</div>
</div>
</div>
<div class="output_wrapper">
<div class="output">
<div class="output_area">
<div class="prompt output_prompt">Out[7]:</div>
<div class="output_text output_subarea output_execute_result">
<pre class="ipynb">[&#39;cuanto&#39;,
&#39;sera&#39;,
&#39;trabajo&#39;,
&#39;tan&#39;,
&#39;ya&#39;,
&#39;claro&#39;,
&#39;encuentra&#39;,
&#39;arriba&#39;,
&#39;despacio&#39;,
&#39;primero&#39;,
&#39;pocas&#39;,
&#39;tiempo&#39;,
&#39;aquéllos&#39;,
&#39;días&#39;,
&#39;enseguida&#39;]</pre>
</div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[8]:</div>
<div class="inner_cell">
<div class="input_area">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># Procesando un texto </span>
<span class="c1"># Procesando 1984 de George Orwell - mi novela favorita</span>
<span class="n">texto</span> <span class="o">=</span> <span class="n">leer_texto</span><span class="p">(</span><span class="s1">&#39;ORWELL_1984.txt&#39;</span><span class="p">)</span>
<span class="n">texto_procesado</span> <span class="o">=</span> <span class="n">nlp</span><span class="p">(</span><span class="n">texto</span><span class="p">)</span>
</pre></div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[9]:</div>
<div class="inner_cell">
<div class="input_area">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># Cuántas sentencias hay en el texto?</span>
<span class="n">sentencias</span> <span class="o">=</span> <span class="p">[</span><span class="n">s</span> <span class="k">for</span> <span class="n">s</span> <span class="ow">in</span> <span class="n">texto_procesado</span><span class="o">.</span><span class="n">sents</span><span class="p">]</span>
<span class="nb">print</span><span class="p">(</span><span class="nb">len</span><span class="p">(</span><span class="n">sentencias</span><span class="p">))</span>
</pre></div>
</div>
</div>
</div>
<div class="output_wrapper">
<div class="output">
<div class="output_area">
<div class="prompt"></div>
<div class="output_subarea output_stream output_stdout output_text">
<pre class="ipynb">8114
</pre>
</div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[10]:</div>
<div class="inner_cell">
<div class="input_area">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># imprimir las primeras 10 sentencias para verificar el texto</span>
<span class="nb">print</span><span class="p">(</span><span class="n">sentencias</span><span class="p">[</span><span class="mi">1</span><span class="p">:</span><span class="mi">11</span><span class="p">])</span>
</pre></div>
</div>
</div>
</div>
<div class="output_wrapper">
<div class="output">
<div class="output_area">
<div class="prompt"></div>
<div class="output_subarea output_stream output_stdout output_text">
<pre class="ipynb">[Winston Smith, con la barbilla clavada en el pecho en su esfuerzo por burlar el molestísimo viento, se deslizó rápidamente por entre las puertas de cristal de las Casas de la Victoria, aunque, no con la suficiente rapidez para evitar que una ráfaga polvorienta se colara con él.
, El vestíbulo olía a legumbres cocidas y a esteras viejas., Al fondo, un cartel de colores, demasiado grande para hallarse en un interior, estaba pegado a la pared., Representaba sólo un enorme rostro de más de un metro de anchura: la cara de un hombre de unos cuarenta y cinco años con un gran bigote negro y facciones hermosas y endurecidas., Winston se dirigió hacia las escaleras., Era inútil intentar subir en el ascensor., No funcionaba con frecuencia y en esta época la corriente se cortaba durante las horas de día., Esto era parte de las restricciones con que se preparaba la Semana del Odio., Winston tenía que subir a un séptimo piso.]
</pre>
</div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[11]:</div>
<div class="inner_cell">
<div class="input_area">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># sentencias con las que aparece el Gran Hermano</span>
<span class="p">[</span><span class="n">sent</span> <span class="k">for</span> <span class="n">sent</span> <span class="ow">in</span> <span class="n">texto_procesado</span><span class="o">.</span><span class="n">sents</span> <span class="k">if</span> <span class="s1">&#39;Gran Hermano&#39;</span> <span class="ow">in</span> <span class="n">sent</span><span class="o">.</span><span class="n">string</span><span class="p">][</span><span class="o">-</span><span class="mi">10</span><span class="p">:]</span>
</pre></div>
</div>
</div>
</div>
<div class="output_wrapper">
<div class="output">
<div class="output_area">
<div class="prompt output_prompt">Out[11]:</div>
<div class="output_text output_subarea output_execute_result">
<pre class="ipynb">[—¿Morirá el Gran Hermano?,
ael Gran Hermano.,
Pensó en el Gran Hermano.,
¿Cuáles eran sus verdaderos sentimientos hacia el Gran Hermano?,
Dime: ¿cuáles son los verdaderos sentimientos que te inspira el Gran Hermano?,
Tienes que amar ael Gran Hermano.,
l Gran Hermano.,
l Gran Hermano.,
Amaba ael Gran Hermano.
,
Hubiera sido posible, por ejemplo, decir el «Gran Hermano inbueno».]</pre>
</div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[12]:</div>
<div class="collapseheader inner_cell"><span style="font-weight: bold;">Ver Código</span>
<div class="input_area" style="display:none">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="k">def</span> <span class="nf">encontrar_personajes</span><span class="p">(</span><span class="n">doc</span><span class="p">):</span>
<span class="sd">&quot;&quot;&quot;</span>
<span class="sd"> Devuelve una lista de los personajes de un `doc` con su cantidad de</span>
<span class="sd"> ocurrencias</span>
<span class="sd"> </span>
<span class="sd"> :param doc: NLP documento parseado por Spacy</span>
<span class="sd"> :return: Lista de Tuplas con la forma</span>
<span class="sd"> [(&#39;winston&#39;, 686), (&quot;o&#39;brien&quot;, 135), (&#39;julia&#39;, 85),]</span>
<span class="sd"> &quot;&quot;&quot;</span>
<span class="n">personajes</span> <span class="o">=</span> <span class="n">Counter</span><span class="p">()</span>
<span class="k">for</span> <span class="n">ent</span> <span class="ow">in</span> <span class="n">doc</span><span class="o">.</span><span class="n">ents</span><span class="p">:</span>
<span class="k">if</span> <span class="n">ent</span><span class="o">.</span><span class="n">label_</span> <span class="o">==</span> <span class="s1">&#39;PERSON&#39;</span><span class="p">:</span>
<span class="n">personajes</span><span class="p">[</span><span class="n">ent</span><span class="o">.</span><span class="n">lemma_</span><span class="p">]</span> <span class="o">+=</span> <span class="mi">1</span>
<span class="k">return</span> <span class="n">personajes</span><span class="o">.</span><span class="n">most_common</span><span class="p">()</span>
</pre></div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[13]:</div>
<div class="inner_cell">
<div class="input_area">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># Extrayendo los personajes principales del texto y contando cuantas veces</span>
<span class="c1"># son nombrados.</span>
<span class="nb">print</span><span class="p">(</span><span class="n">encontrar_personajes</span><span class="p">(</span><span class="n">texto_procesado</span><span class="p">)[:</span><span class="mi">20</span><span class="p">])</span>
</pre></div>
</div>
</div>
</div>
<div class="output_wrapper">
<div class="output">
<div class="output_area">
<div class="prompt"></div>
<div class="output_subarea output_stream output_stdout output_text">
<pre class="ipynb">[(&#39;winston&#39;, 686), (&#34;o&#39;brien&#34;, 135), (&#39;julia&#39;, 85), (&#39;partido&#39;, 85), (&#39;parsons&#39;, 36), (&#39;syme&#39;, 29), (&#39;goldstein&#39;, 29), (&#39;pensamiento&#39;, 22), (&#39;odio&#39;, 13), (&#39;ministerio&#39;, 13), (&#39;&#39;, 11), (&#39;katharine&#39;, 11), (&#39;winston ?&#39;, 10), (&#39;rutherford&#39;, 9), (&#39;ogilvy&#39;, 8), (&#39;aaronson&#39;, 8), (&#39;charrington&#39;, 8), (&#39;—la&#39;, 7), (&#39;withers&#39;, 6), (&#39;ingsoc&#39;, 6)]
</pre>
</div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[14]:</div>
<div class="collapseheader inner_cell"><span style="font-weight: bold;">Ver Código</span>
<div class="input_area" style="display:none">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="k">def</span> <span class="nf">obtener_adj_pers</span><span class="p">(</span><span class="n">doc</span><span class="p">,</span> <span class="n">personaje</span><span class="p">):</span>
<span class="sd">&quot;&quot;&quot;</span>
<span class="sd"> Encontrar todos los adjetivos relacionados a un personaje en un `doc`</span>
<span class="sd"> </span>
<span class="sd"> :param doc: NLP documento parseado por Spacy</span>
<span class="sd"> :param personaje: un objeto String </span>
<span class="sd"> :return: lista de adjetivos relacionados a un `personaje`</span>
<span class="sd"> &quot;&quot;&quot;</span>
<span class="n">adjetivos</span> <span class="o">=</span> <span class="p">[]</span>
<span class="k">for</span> <span class="n">ent</span> <span class="ow">in</span> <span class="n">doc</span><span class="o">.</span><span class="n">ents</span><span class="p">:</span>
<span class="k">if</span> <span class="n">ent</span><span class="o">.</span><span class="n">lemma_</span> <span class="o">==</span> <span class="n">personaje</span><span class="p">:</span>
<span class="k">for</span> <span class="n">token</span> <span class="ow">in</span> <span class="n">ent</span><span class="o">.</span><span class="n">subtree</span><span class="p">:</span>
<span class="k">if</span> <span class="n">token</span><span class="o">.</span><span class="n">pos_</span> <span class="o">==</span> <span class="s1">&#39;ADJ&#39;</span><span class="p">:</span>
<span class="n">adjetivos</span><span class="o">.</span><span class="n">append</span><span class="p">(</span><span class="n">token</span><span class="o">.</span><span class="n">lemma_</span><span class="p">)</span>
<span class="k">for</span> <span class="n">ent</span> <span class="ow">in</span> <span class="n">doc</span><span class="o">.</span><span class="n">ents</span><span class="p">:</span>
<span class="k">if</span> <span class="n">ent</span><span class="o">.</span><span class="n">lemma_</span> <span class="o">==</span> <span class="n">personaje</span><span class="p">:</span>
<span class="k">if</span> <span class="n">ent</span><span class="o">.</span><span class="n">root</span><span class="o">.</span><span class="n">dep_</span> <span class="o">==</span> <span class="s1">&#39;nsubj&#39;</span><span class="p">:</span>
<span class="k">for</span> <span class="n">child</span> <span class="ow">in</span> <span class="n">ent</span><span class="o">.</span><span class="n">root</span><span class="o">.</span><span class="n">head</span><span class="o">.</span><span class="n">children</span><span class="p">:</span>
<span class="k">if</span> <span class="n">child</span><span class="o">.</span><span class="n">dep_</span> <span class="o">==</span> <span class="s1">&#39;acomp&#39;</span><span class="p">:</span>
<span class="n">adjetivos</span><span class="o">.</span><span class="n">append</span><span class="p">(</span><span class="n">child</span><span class="o">.</span><span class="n">lemma_</span><span class="p">)</span>
<span class="k">return</span> <span class="n">adjetivos</span>
</pre></div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[15]:</div>
<div class="inner_cell">
<div class="input_area">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># Encontrar adjetivos que describen a algún personaje.</span>
<span class="nb">print</span><span class="p">(</span><span class="n">obtener_adj_pers</span><span class="p">(</span><span class="n">texto_procesado</span><span class="p">,</span> <span class="s2">&quot;winston&quot;</span><span class="p">))</span>
</pre></div>
</div>
</div>
</div>
<div class="output_wrapper">
<div class="output">
<div class="output_area">
<div class="prompt"></div>
<div class="output_subarea output_stream output_stdout output_text">
<pre class="ipynb">[&#39;superior&#39;, &#39;separado&#39;, &#39;fuertes&#39;, &#39;abierto&#39;, &#39;oscura&#39;, &#39;dirigiéndose&#39;, &#39;negro&#39;, &#39;saltones&#39;, &#39;tristes&#39;, &#39;burlones&#39;, &#39;solo&#39;, &#39;humano&#39;, &#39;sostenemos&#39;, &#39;dubitativo&#39;, &#39;completa&#39;, &#39;definitiva&#39;, &#39;sobresaltado&#39;, &#39;fascinado&#39;, &#39;extraña&#39;, &#39;sobrado&#39;, &#39;propio&#39;, &#39;solos&#39;, &#39;joven&#39;, &#39;sorprendido&#39;, &#39;sorprendido&#39;, &#39;hermosa&#39;, &#39;breve&#39;, &#39;cortante&#39;, &#39;primera&#39;, &#39;junto&#39;, &#39;obediente&#39;, &#39;metafísico&#39;, &#39;blanca&#39;, &#39;sonriente&#39;, &#39;sentado&#39;, &#39;irresoluto&#39;, &#39;sumergido&#39;, &#39;feliz&#39;]
</pre>
</div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[16]:</div>
<div class="collapseheader inner_cell"><span style="font-weight: bold;">Ver Código</span>
<div class="input_area" style="display:none">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="k">def</span> <span class="nf">personaje_verbo</span><span class="p">(</span><span class="n">doc</span><span class="p">,</span> <span class="n">verbo</span><span class="p">):</span>
<span class="sd">&quot;&quot;&quot;</span>
<span class="sd"> Encontrar los personajes que utilizan determinado `verbo` en `doc`</span>
<span class="sd"> </span>
<span class="sd"> :param doc: NLP documento parseado por Spacy</span>
<span class="sd"> :param verbo: un objeto String </span>
<span class="sd"> :return: lista de personajes que utilizan `verbo`</span>
<span class="sd"> &quot;&quot;&quot;</span>
<span class="n">contar_verbo</span> <span class="o">=</span> <span class="n">Counter</span><span class="p">()</span>
<span class="k">for</span> <span class="n">ent</span> <span class="ow">in</span> <span class="n">doc</span><span class="o">.</span><span class="n">ents</span><span class="p">:</span>
<span class="k">if</span> <span class="n">ent</span><span class="o">.</span><span class="n">label_</span> <span class="o">==</span> <span class="s1">&#39;PERSON&#39;</span> <span class="ow">and</span> <span class="n">ent</span><span class="o">.</span><span class="n">root</span><span class="o">.</span><span class="n">head</span><span class="o">.</span><span class="n">lemma_</span> <span class="o">==</span> <span class="n">verbo</span><span class="p">:</span>
<span class="n">contar_verbo</span><span class="p">[</span><span class="n">ent</span><span class="o">.</span><span class="n">text</span><span class="p">]</span> <span class="o">+=</span> <span class="mi">1</span>
<span class="k">return</span> <span class="n">contar_verbo</span><span class="o">.</span><span class="n">most_common</span><span class="p">(</span><span class="mi">10</span><span class="p">)</span>
</pre></div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[17]:</div>
<div class="inner_cell">
<div class="input_area">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># Encontrar personajes que utilizan determinado verbo</span>
<span class="n">personaje_verbo</span><span class="p">(</span><span class="n">texto_procesado</span><span class="p">,</span> <span class="s2">&quot;dijo&quot;</span><span class="p">)</span>
</pre></div>
</div>
</div>
</div>
<div class="output_wrapper">
<div class="output">
<div class="output_area">
<div class="prompt output_prompt">Out[17]:</div>
<div class="output_text output_subarea output_execute_result">
<pre class="ipynb">[(&#39;Winston&#39;, 7),
(&#39;Julia&#39;, 4),
(&#39;Syme&#39;, 2),
(&#39;Julia—. Espera&#39;, 1),
(&#39;Parsons&#39;, 1),
(&#39;—le&#39;, 1)]</pre>
</div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[18]:</div>
<div class="inner_cell">
<div class="input_area">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># Trabajando con las entidades del texto</span>
<span class="c1"># Una entidad nombrada es cualquier objeto del mundo real como una persona,</span>
<span class="c1"># ubicación, organización o producto con un nombre propio.</span>
<span class="c1"># tipos de entidades del texto</span>
<span class="nb">set</span><span class="p">(</span><span class="n">ent</span><span class="o">.</span><span class="n">label_</span> <span class="k">for</span> <span class="n">ent</span> <span class="ow">in</span> <span class="n">texto_procesado</span><span class="o">.</span><span class="n">ents</span><span class="p">)</span>
</pre></div>
</div>
</div>
</div>
<div class="output_wrapper">
<div class="output">
<div class="output_area">
<div class="prompt output_prompt">Out[18]:</div>
<div class="output_text output_subarea output_execute_result">
<pre class="ipynb">{&#39;CARDINAL&#39;, &#39;LOC&#39;, &#39;MISC&#39;, &#39;ORDINAL&#39;, &#39;ORG&#39;, &#39;PERSON&#39;}</pre>
</div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[19]:</div>
<div class="inner_cell">
<div class="input_area">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># Entidades nombradas de tipo ORG</span>
<span class="p">[</span><span class="n">ent</span> <span class="k">for</span> <span class="n">ent</span> <span class="ow">in</span> <span class="n">texto_procesado</span><span class="o">.</span><span class="n">ents</span> <span class="k">if</span> <span class="n">ent</span><span class="o">.</span><span class="n">label_</span> <span class="o">==</span> <span class="s1">&#39;ORG&#39;</span><span class="p">][:</span><span class="mi">10</span><span class="p">]</span>
</pre></div>
</div>
</div>
</div>
<div class="output_wrapper">
<div class="output">
<div class="output_area">
<div class="prompt output_prompt">Out[19]:</div>
<div class="output_text output_subarea output_execute_result">
<pre class="ipynb">[INGSOC,
Partido:,
ES LA,
Departamento de Registro,
Dos Minutos de Odio,
Departamento de Novela,
Partido Interior,
Partido Interior,
Departamento de Registro,
Dos Minutos]</pre>
</div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[20]:</div>
<div class="inner_cell">
<div class="input_area">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># Partes de la oración (POS)</span>
<span class="c1"># En las partes de la oración se etiquetan las palabras de acuerdo a lo </span>
<span class="c1"># que significan segun su contexto. Algunas de estas etiquetas pueden</span>
<span class="c1"># ser: Adjetivos, verbos, adverbios, conjunciones, pronombres, sustantivos.</span>
<span class="c1"># Etiquetas del texto</span>
<span class="nb">set</span><span class="p">(</span><span class="n">token</span><span class="o">.</span><span class="n">pos_</span> <span class="k">for</span> <span class="n">token</span> <span class="ow">in</span> <span class="n">texto_procesado</span><span class="p">)</span>
</pre></div>
</div>
</div>
</div>
<div class="output_wrapper">
<div class="output">
<div class="output_area">
<div class="prompt output_prompt">Out[20]:</div>
<div class="output_text output_subarea output_execute_result">
<pre class="ipynb">{&#39;ADJ&#39;,
&#39;ADP&#39;,
&#39;ADV&#39;,
&#39;AUX&#39;,
&#39;CONJ&#39;,
&#39;DET&#39;,
&#39;INTJ&#39;,
&#39;NOUN&#39;,
&#39;NUM&#39;,
&#39;PART&#39;,
&#39;PRON&#39;,
&#39;PROPN&#39;,
&#39;PUNCT&#39;,
&#39;SCONJ&#39;,
&#39;SPACE&#39;,
&#39;SYM&#39;,
&#39;VERB&#39;}</pre>
</div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[21]:</div>
<div class="inner_cell">
<div class="input_area">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># Etiquetas de tipo ADJ</span>
<span class="p">[</span><span class="n">token</span><span class="o">.</span><span class="n">orth_</span> <span class="k">for</span> <span class="n">token</span> <span class="ow">in</span> <span class="n">texto_procesado</span> <span class="k">if</span> <span class="n">token</span><span class="o">.</span><span class="n">pos_</span> <span class="o">==</span> <span class="s1">&#39;ADJ&#39;</span><span class="p">][</span><span class="mi">1</span><span class="p">:</span><span class="mi">11</span><span class="p">]</span>
</pre></div>
</div>
</div>
</div>
<div class="output_wrapper">
<div class="output">
<div class="output_area">
<div class="prompt output_prompt">Out[21]:</div>
<div class="output_text output_subarea output_execute_result">
<pre class="ipynb">[&#39;frío&#39;,
&#39;clavada&#39;,
&#39;molestísimo&#39;,
&#39;suficiente&#39;,
&#39;polvorienta&#39;,
&#39;cocidas&#39;,
&#39;viejas&#39;,
&#39;grande&#39;,
&#39;pegado&#39;,
&#39;enorme&#39;]</pre>
</div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[22]:</div>
<div class="inner_cell">
<div class="input_area">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># Etiquetas de tipo PROPN</span>
<span class="p">[</span><span class="n">token</span><span class="o">.</span><span class="n">orth_</span> <span class="k">for</span> <span class="n">token</span> <span class="ow">in</span> <span class="n">texto_procesado</span> <span class="k">if</span> <span class="n">token</span><span class="o">.</span><span class="n">pos_</span> <span class="o">==</span> <span class="s1">&#39;PROPN&#39;</span><span class="p">][</span><span class="mi">1</span><span class="p">:</span><span class="mi">11</span><span class="p">]</span>
</pre></div>
</div>
</div>
</div>
<div class="output_wrapper">
<div class="output">
<div class="output_area">
<div class="prompt output_prompt">Out[22]:</div>
<div class="output_text output_subarea output_execute_result">
<pre class="ipynb">[&#39;GEORGE&#39;,
&#39;ORWELL&#39;,
&#39;PARTE&#39;,
&#39;CAPITULO&#39;,
&#39;Winston&#39;,
&#39;Smith&#39;,
&#39;Casas&#39;,
&#39;Victoria&#39;,
&#39;Winston&#39;,
&#39;Semana&#39;]</pre>
</div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing text_cell rendered"><div class="prompt input_prompt">
</div><div class="inner_cell">
<div class="text_cell_render border-box-sizing rendered_html">
<p>Como demuestran estos ejemplos <a href="http://textacy.readthedocs.io/en/latest/">Textacy</a> / <a href="https://spacy.io/">Spacy</a> son herramientas muy poderosas que nos pueden ayudar a analizar y obtener información valiosa de un texto en forma rápida y sencilla.</p>
<h2 id="Deep-Learning-y-Procesamiento-del-Lenguaje-Natural">Deep Learning y Procesamiento del Lenguaje Natural<a class="anchor-link" href="#Deep-Learning-y-Procesamiento-del-Lenguaje-Natural">&#182;</a></h2><p>Durante mucho tiempo, las técnicas principales de <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">Procesamiento del Lenguaje Natural</a> fueron dominadas por métodos de <a href="https://iaarbook.github.io/machine-learning/">aprendizaje automático</a> que utilizaron <a href="https://es.wikipedia.org/wiki/Modelo_lineal">modelos lineales</a> como las <a href="https://es.wikipedia.org/wiki/M%C3%A1quinas_de_vectores_de_soporte">máquinas de vectores de soporte</a> o la <a href="https://es.wikipedia.org/wiki/Regresi%C3%B3n_log%C3%ADstica">regresión logística</a>, entrenados sobre <a href="https://es.wikipedia.org/wiki/Vector">vectores</a> de características de muy alta dimensional pero muy escasos.
Recientemente, el campo ha tenido cierto éxito en el cambio hacia modelos de <a href="https://iaarbook.github.io/deeplearning/">deep learning</a> sobre entradas más densas.</p>
<p>Las <a href="https://relopezbriega.github.io/category/redes-neuronales.html">redes neuronales</a> proporcionan una poderosa maquina de aprendizaje que es muy atractiva para su uso en problemas de <em>lenguaje natural</em>. Un componente importante en las <a href="https://relopezbriega.github.io/category/redes-neuronales.html">redes neuronales</a> para el <a href="https://es.wikipedia.org/wiki/Lenguaje">lenguaje</a> es el uso de una capa de <a href="https://en.wikipedia.org/wiki/Word_embedding">word embedding</a>, una asignación de símbolos discretos a vectores continuos en un espacio dimensional relativamente bajo. Cuando se utiliza <a href="https://en.wikipedia.org/wiki/Word_embedding">word embedding</a>, se transforman los distintos símbolos en objetos matemáticos sobre los que se pueden realizar operaciones. En particular, la distancia entre vectores puede equipararse a la distancia entre palabras, facilitando la generalización del comportamiento de una palabra sobre otra.
Esta representación de palabras como vectores es aprendida por la red como parte del proceso de entrenamiento.
Subiendo en la jerarquía, la red también aprende a combinar los vectores de palabras de una manera que es útil para la predicción. Esta capacidad alivia en cierta medida los problemas de dispersión de los datos.
Hay dos tipos principales de arquitecturas de <a href="https://relopezbriega.github.io/category/redes-neuronales.html">redes neuronales</a> que resultan muy útiles en los problemas de <a href="https://es.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales">Procesamiento del Lenguaje Natural</a>: las <a href="https://es.wikipedia.org/wiki/Red_neuronal_prealimentada">Redes neuronales prealimentadas</a> y las <a href="https://en.wikipedia.org/wiki/Recurrent_neural_network">Redes neuronales recurrentes</a>.</p>
<p>Para ejemplificar, veamos como podemos utilizar <a href="https://en.wikipedia.org/wiki/Word_embedding">word embedding</a> utilizando el modelo <code>word2vec</code> de <a href="https://radimrehurek.com/gensim/intro.html">Gensim</a>.</p>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[23]:</div>
<div class="collapseheader inner_cell"><span style="font-weight: bold;">Ver Código</span>
<div class="input_area" style="display:none">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># importando gensim y TSNE para graficar</span>
<span class="kn">import</span> <span class="nn">gensim</span>
<span class="kn">from</span> <span class="nn">sklearn.manifold</span> <span class="kn">import</span> <span class="n">TSNE</span>
</pre></div>
</div>
</div>
</div>
<div class="output_wrapper">
<div class="output">
<div class="output_area">
<div class="prompt"></div>
<div class="output_subarea output_stream output_stderr output_text">
<pre class="ipynb">Using TensorFlow backend.
</pre>
</div>
</div>
</div>
</div>
</div>
<div class="cell border-box-sizing code_cell rendered">
<div class="input">
<div class="prompt input_prompt">In&nbsp;[24]:</div>
<div class="inner_cell">
<div class="input_area">
<div class="highlight-ipynb"><pre class="ipynb"><span></span><span class="c1"># transformando el texto para pasarlo al modelo de gensim</span>
<span class="n">texto</span> <span class="o">=</span> <span class="p">[[</span><span class="nb">str</span><span class="p">(</span><span class="n">palabra</span><span class="p">)</span><span class="o">.</span><span class="n">lower</span><span class="p">()</span> <span class="k">for</span> <span class="n">palabra</span> <span class="ow">in</span> <span class="n">sent</span> <span class="k">if</span> <span class="nb">str</span><span class="p">(</span><span class="n">palabra</span><span class="p">)</span> <span class="ow">not</span> <span class="ow">in</span> <span class="n">stop</span> <span class="p">]</span>
<span class="k">for</span> <span class="n">sent</span> <span class="ow">in</span> <span class="n">sentencias</span><span class="p">]</span>
<span class="c1"># generando el diccionario</span>
<span class="n">diccionario</span> <span class="o">=</span> <span class="n">gensim</span><span class="o">.</span><span class="n">corpora</span><span class="o">.</span><span class="n">Dictionary</span><span class="p">(</span><span class="n">texto</span><span class="p">)</span>
</pre></div>
</div>
</div>
</div>