2. Práctica 1a: PLN con SpaCy#

Borja Navarro Colorado y Eduardo Grande Ruiz

2.1. 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.

2.2. Herramientas#

  • Cuaderno en Google Colab para crear el código (Utilizar la cuenta GCloud).

  • Python: ya instalado en COLAB.

  • SpaCy: Está ya instalado en COLAB, solo hay que importarlo.

2.3. 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:

Dado que el corpus está en GitHub, se puede clonar el repo y abrir los ficheros directamente directamente desde COLAB. O se puede acceder al fichero “raw” directamente.

2.4. Documentación#

2.4.1. Por pasos#

  1. Crear un cuaderno vacío en Google Colab.

  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 (de al menos dos palabras) más frecuentes y mostrarlos en un gráfico de barras (ordenados de mayor a menor ocurrencia).

  7. Extraer las 10 entidades nombradas más frecuentes y mostrarlas en un gráfico de barras (ordenadas de mayor a menor ocurrencia).

  8. Crear un gráfico donde se muestren la cantidad de nombres, adjetivos, verbos y adverbios.

2.5. Amplicación 1 (obligatoria)#

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

Además, se debe:

  • Mostrar por pantalla las palabras cuyo número sea plural.

  • Mostrar por pantalla los verbos cuyo tiempo verbal sea pasado.

Documentación:

2.6. Amplicación 2 - Análisis semántico con WordNet y NLTK (obligatoria)#

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

Dado un fragmento del corpus lematizado, realizar lo siguient:

  • Extraer los cinco synset más frecuentes.

  • Analizar los resultados obtenidos, discutiendo por qué son esos los más frecuentes y si sería correcta la clasificación obtenida.

Documentación:

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

2.7. Entrega#

Una vez realizada la práctica, deberás de enviar enlace del cuaderno de Google Colab al profesor mediante la aplicación Evaluación de UACloud. Además, adjuntar una copia del cuaderno (En Google Colab, Archivo > Descargar .ipynb).

NOTA: El cuaderno de Google Colab deberá de estar ejecutado, no borres las salidas de las celdas.