4. Práctica 1a: PLN con SpaCy.

Borja Navarro Colorado

4.1. Objeto

El objetivo de esta práctica es crear un script que procese un texto amplio con las aplicaciones comunes del PLN:

• lematización,

• PoS_tagger,

• parser de dependencias y

• detección de entidades nombradas.

Para ello, se utilizará el pipeline básico de la herramienta de PLN SpaCy.

4.2. Herramientas

• Cuaderno COLAB para crear el código: https://colab.research.google.com y cuenta gCloud.

• Python (ya instalado en COLAB)

• SpaCy: https://spacy.io/. Está ya instalado en COLAB, solo hay que importarlo.

4.3. Corpus

Para darle algo de interés a la práctica, vamos a utilizar el tipo de texto más complejo que exite: el texto literario. En concreto debéis analizar una novela del corpus ELTeC.

ELTeC es un corpus multilingüe de novelas publicada en Europa durante los siglos XIX y XX. Cada novela está anotada a tres niveles: básico, estándar y avanzado. Debéis seleccionar una novela del nivel estándar. A este nivel, cada novela está marcada en XML siguiendo el estándar TEI. Podéis utilizar el idioma que queráis (siempre que se encuentre en SpaCy, ver modelos disponibles). Por ejemplo:

• novelas en español: https://github.com/COST-ELTeC/ELTeC-spa/tree/master/level1

• novelas en inglés: https://github.com/COST-ELTeC/ELTeC-eng/tree/master/level1

• novelas en francés: https://github.com/COST-ELTeC/ELTeC-fra/tree/master/level1

• novelas en portugués: https://github.com/COST-ELTeC/ELTeC-por/tree/master/level1

• etc…

Dado que el corpus está en GitHub, se puede clonar el repo y abrir los ficheros directamente directamente desde COLAB.

4.4. Documentación

• Documentación básica SpaCy. Aquí está explicado todo lo necesario sobre PLN para realizar esta páctica: https://spacy.io/usage/spacy-101

• Más información sobre SpaCy:

  • Curso avanzado: https://course.spacy.io/es/

  • Documentación oficial: https://spacy.io/usage

4.4.1. Por pasos:

1. Crear un cuaderno COLAB vacío.

2. Importar SpaCy, descargar el módulo de idioma elegido e importar.

3. Clonar el corpus desde GitHub y abrir una única novela en la carpeta level1.

4. Procesar el XML y extraer los párrafos:

   • Los párrafos están marcados con la etiqueta “p”.

   • para procesar XML en python, se recomienda por su sencillez Beautiful Soup

5. Analizar el texto con el pipeline básico de SpaCy y extraer un CSV con “palabra | lema | categoria_gramatical | tipo de dependencia sintáctica | palabra de quien depende “.

6. Extraer los 10 grupos nominales más frecuentes (opcional: mostrar en un gráfico).

7. Extraer las 10 entidades nombradas más frecuentes (opcional: mostrar en un gráfico).

8. (Opcional) Crear un gráfico en COLAB donde se muestren la cantidad de nombres, adjetivos, verbos y adverbios.

9. Entrega: enviar enlace del cuaderno COLAB al profesor mediante la opción “Entrega de prácticas” de la UA-Nube (UA-Cloud).

4.5. Amplicación 1

Realizar análisis de dependencias del corpus con SpaCy y extraer en formato CONLL. Desde SpaCy se puede utilizar STANZA y UD-Pipe.

Documentación:

• https://spacy.io/universe/project/spacy-conll

• https://github.com/BramVanroy/spacy_conll

4.6. Amplicación 2 - Análisis semántico con WordNet y NLTK

Esta ampliación se debe realizar DESPUÉS de estudiar el Tema 5 del Bloque 1 Análisis semántico

Dado un fragmento del corpus lematizado, extraer el synset más frecuente.

Documentación:

• Acceso a Open Multilingual WordNet mediante NLTK: https://www.nltk.org/howto/wordnet.html

• (Opcional) Acceso a NLTK desde SpaCy: https://spacy.io/universe/project/spacy-wordnet

Truco: en WordNet, los sentidos de cada palabra están ordenados por frecuencia. Basta con extraer el primero para obtener el más frecuente.