En este artículo se explicarán los procesos que realizan las funciones:
acep_postag()
acep_upos()
acep_svo()
acep_postag()Esta función realiza etiquetado POS, lematización, tokenización, extracción de entidades y georreferenciación. Para llevar a cabo estas tareas acep_postag envuelve y articula funciones de tres librerías: spacyr, rsyntax y tidygeocoder.
En primer lugar, cargamos la librería ACEP. Luego, cargamos un vector de titulares de portales noticiosos sobre notas referidas a conflictos. Con esta selección de titulares haremos la prueba. También agregamos una última oración unimembre como ejemplo extremo de oración no procesable con la función acep_svo().
library(ACEP)
titulares <- c(acep_bases$titulares, "Hola mundo.")
titulares#> [1] "Sindicatos y estudiantes marchan por las principales ciudades de México para exigir un cambio en la política económica del Gobierno.\n Los gremios convocan a un paro docente contra 'la presencialidad de Larreta' en Ciudad de Buenos Aires."
#> [2] "Los gremios docentes rechazan volver a las aulas sin garantías sanitarias."
#> [3] "Los estatales rechazaron la oferta salarial que les hizo el gobierno en Chubut."
#> [4] "La CGT presiona para que los 1700 empleados cobren la doble indemnización."
#> [5] "Las dos CTA y la Izquierda rechazaron el acuerdo de la CGT para rebajar salarios."
#> [6] "Un gremio aéreo levantó el paro en Tucumán. Los judiciales ratificaron un paro.\n La CGT marchó con críticas por la economía y evalúa si llama a un paro."
#> [7] "Ctera convocó a un paro de 72 horas en todo el país."
#> [8] "Conciliación obligatoria en el conflicto del neumático."
#> [9] "Hola mundo."Ejecutamos la función acep_postag() para los titulares contenidos en el vector.
¿Cuál es el resultado?
La función acep_postag toma el vector de textos y realiza diferentes acciones:
Verifica que el objeto entregado sea un vector de tipo caracter (de lo contrario imprime un mensaje de advertencia)
Verifica que el parámetro ‘core’ sean un modelo válido (de lo contrario devuelve un mensaje de advertencia)
Verifica que los parámetros ‘bajar_core’, ‘inst_spacy’, ‘inst_miniconda’, ‘inst_reticulate’ ingresados sean valores booleanos (de lo contrario envía un mensaje de advertencia)
Crea una lista de seis objetos de tipo data frame:
texto_tag: es un objeto de clases ‘tokenIndex’ que sirve como input para la función acep_svo(). Contiene 20 variables que reúnen información de los procesos de tokenización, lematización, etiquetado pos, etiquetado de relaciones de dependencia, etiquetado NER y morfológico.
texto_tag_entity: es un objeto de clase ‘spacyr_parsed’ con una columna que identifica los distintos tipos de entidades.
texto_only_entity: es un ‘data.frame’ con 4 variables que contiene solo las entidades identificadas.
texto_only_entity_loc: es un ‘data.frame’ de 7 variables que permite la georreferenciación de las entidades identificadas como tipo ‘LOC’.
texto_nounphrase: es un objeto de clase ‘spacyr_parsed’ con una columna que identifica las distintas frases compuestas por sustantivos (nounphrase).
texto_only_nounphrase: es un ‘data.frame’ con tres variables que identifica y filtra los sustantivos que forman frases: ‘las_principales_ciudades’.
Cabe mencionar que los textos ingresados son tokenizados, es decir, cada palabra es un token.
titulares_tags <- acep_postag(
texto = titulares,
core = "es_core_news_lg", # valor por defecto
bajar_core = FALSE, # el valor por defecto es TRUE
inst_spacy = FALSE, # valor por defecto
inst_miniconda = FALSE, # valor por defecto
inst_reticulate = FALSE # valor por defecto
)
str(titulares_tags)#> List of 6
#> $ texto_tag :Classes 'tokenIndex', 'data.table' and 'data.frame': 15 obs. of 20 variables:
#> ..$ doc_id : int [1:15] 1 1 1 1 1 1 1 1 1 1 ...
#> ..$ sentence : int [1:15] 1 1 1 1 1 1 1 1 1 1 ...
#> ..$ token_id : num [1:15] 1 2 3 4 5 6 7 8 9 10 ...
#> ..$ token : chr [1:15] "En" "Mar" "del" "Plata" ...
#> ..$ lemma : chr [1:15] "en" "Mar" "del" "Plata" ...
#> ..$ pos : chr [1:15] "ADP" "PROPN" "ADP" "PROPN" ...
#> ..$ parent : num [1:15] 2 7 4 2 6 7 NA 9 7 13 ...
#> ..$ relation : chr [1:15] "case" "obl" "case" "flat" ...
#> .. ..- attr(*, "levels")= chr "ROOT"
#> ..$ entity : chr [1:15] "" "LOC_B" "LOC_I" "LOC_I" ...
#> ..$ nounphrase : chr [1:15] "" "beg_root" "mid" "end" ...
#> ..$ whitespace : logi [1:15] TRUE TRUE TRUE TRUE TRUE TRUE ...
#> ..$ is_upper : logi [1:15] FALSE FALSE FALSE FALSE FALSE TRUE ...
#> ..$ is_title : logi [1:15] TRUE TRUE FALSE TRUE FALSE FALSE ...
#> ..$ is_quote : logi [1:15] FALSE FALSE FALSE FALSE FALSE FALSE ...
#> ..$ ent_iob_ : chr [1:15] "O" "B" "I" "I" ...
#> ..$ ent_iob : int [1:15] 2 3 1 1 2 3 2 2 2 2 ...
#> ..$ is_left_punct : logi [1:15] FALSE FALSE FALSE FALSE FALSE FALSE ...
#> ..$ is_right_punct: logi [1:15] FALSE FALSE FALSE FALSE FALSE FALSE ...
#> ..$ morph : chr [1:15] "AdpType=Prep" "" "AdpType=Preppron" "" ...
#> ..$ sent : chr [1:15] "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." ...
#> ..- attr(*, ".internal.selfref")=<externalptr>
#> ..- attr(*, "sorted")= chr [1:3] "doc_id" "sentence" "token_id"
#> $ texto_tag_entity :Classes 'tokenIndex', 'data.table' and 'data.frame': 4 obs. of 20 variables:
#> ..$ doc_id : int [1:4] 1 1 1 1
#> ..$ sentence : int [1:4] 1 1 1 1
#> ..$ token_id : num [1:4] 2 3 4 6
#> ..$ token : chr [1:4] "Mar" "del" "Plata" "SOIP"
#> ..$ lemma : chr [1:4] "Mar" "del" "Plata" "SOIP"
#> ..$ pos : chr [1:4] "PROPN" "ADP" "PROPN" "PROPN"
#> ..$ parent : num [1:4] 7 4 2 7
#> ..$ relation : chr [1:4] "obl" "case" "flat" "nsubj"
#> ..$ entity : chr [1:4] "LOC_B" "LOC_I" "LOC_I" "ORG_B"
#> ..$ nounphrase : chr [1:4] "beg_root" "mid" "end" "end_root"
#> ..$ whitespace : logi [1:4] TRUE TRUE TRUE TRUE
#> ..$ is_upper : logi [1:4] FALSE FALSE FALSE TRUE
#> ..$ is_title : logi [1:4] TRUE FALSE TRUE FALSE
#> ..$ is_quote : logi [1:4] FALSE FALSE FALSE FALSE
#> ..$ ent_iob_ : chr [1:4] "B" "I" "I" "B"
#> ..$ ent_iob : int [1:4] 3 1 1 3
#> ..$ is_left_punct : logi [1:4] FALSE FALSE FALSE FALSE
#> ..$ is_right_punct: logi [1:4] FALSE FALSE FALSE FALSE
#> ..$ morph : chr [1:4] "" "AdpType=Preppron" "" ""
#> ..$ sent : chr [1:4] "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial."
#> $ texto_only_entity :'data.frame': 4 obs. of 4 variables:
#> ..$ entity : chr [1:4] "Mar" "del" "Plata" "SOIP"
#> ..$ entity_type: chr [1:4] "LOC" "LOC" "LOC" "ORG"
#> ..$ doc_id : int [1:4] 1 1 1 1
#> ..$ sentence : int [1:4] 1 1 1 1
#> $ texto_only_entity_loc:'data.frame': 1 obs. of 7 variables:
#> ..$ entity_ : chr "Mar del Plata"
#> ..$ doc_id : int 1
#> ..$ sentence : int 1
#> ..$ entity : chr "Mar_del_Plata"
#> ..$ entity_type: chr "LOC"
#> ..$ lat : num -38
#> ..$ long : num -57.5
#> $ texto_nounphrase :Classes 'tokenIndex', 'data.table' and 'data.frame': 15 obs. of 20 variables:
#> ..$ doc_id : int [1:15] 1 1 1 1 1 1 1 1 1 1 ...
#> ..$ sentence : int [1:15] 1 1 1 1 1 1 1 1 1 1 ...
#> ..$ token_id : num [1:15] 1 2 3 4 5 6 7 8 9 10 ...
#> ..$ token : chr [1:15] "En" "Mar" "del" "Plata" ...
#> ..$ lemma : chr [1:15] "en" "Mar" "del" "Plata" ...
#> ..$ pos : chr [1:15] "ADP" "PROPN" "ADP" "PROPN" ...
#> ..$ parent : num [1:15] 2 7 4 2 6 7 NA 9 7 13 ...
#> ..$ relation : chr [1:15] "case" "obl" "case" "flat" ...
#> .. ..- attr(*, "levels")= chr "ROOT"
#> ..$ entity : chr [1:15] "" "LOC_B" "LOC_I" "LOC_I" ...
#> ..$ nounphrase : chr [1:15] "" "beg_root" "mid" "end" ...
#> ..$ whitespace : logi [1:15] TRUE TRUE TRUE TRUE TRUE TRUE ...
#> ..$ is_upper : logi [1:15] FALSE FALSE FALSE FALSE FALSE TRUE ...
#> ..$ is_title : logi [1:15] TRUE TRUE FALSE TRUE FALSE FALSE ...
#> ..$ is_quote : logi [1:15] FALSE FALSE FALSE FALSE FALSE FALSE ...
#> ..$ ent_iob_ : chr [1:15] "O" "B" "I" "I" ...
#> ..$ ent_iob : int [1:15] 2 3 1 1 2 3 2 2 2 2 ...
#> ..$ is_left_punct : logi [1:15] FALSE FALSE FALSE FALSE FALSE FALSE ...
#> ..$ is_right_punct: logi [1:15] FALSE FALSE FALSE FALSE FALSE FALSE ...
#> ..$ morph : chr [1:15] "AdpType=Prep" "" "AdpType=Preppron" "" ...
#> ..$ sent : chr [1:15] "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." ...
#> ..- attr(*, ".internal.selfref")=<externalptr>
#> ..- attr(*, "sorted")= chr [1:3] "doc_id" "sentence" "token_id"
#> $ texto_only_nounphrase:Classes 'tokenIndex', 'data.table' and 'data.frame': 9 obs. of 20 variables:
#> ..$ doc_id : int [1:9] 1 1 1 1 1 1 1 1 1
#> ..$ sentence : int [1:9] 1 1 1 1 1 1 1 1 1
#> ..$ token_id : num [1:9] 2 3 4 5 6 8 9 11 13
#> ..$ token : chr [1:9] "Mar" "del" "Plata" "el" ...
#> ..$ lemma : chr [1:9] "Mar" "del" "Plata" "el" ...
#> ..$ pos : chr [1:9] "PROPN" "ADP" "PROPN" "DET" ...
#> ..$ parent : num [1:9] 7 4 2 6 7 9 7 10 9
#> ..$ relation : chr [1:9] "obl" "case" "flat" "det" ...
#> ..$ entity : chr [1:9] "LOC_B" "LOC_I" "LOC_I" "" ...
#> ..$ nounphrase : chr [1:9] "beg_root" "mid" "end" "beg" ...
#> ..$ whitespace : logi [1:9] TRUE TRUE TRUE TRUE TRUE TRUE ...
#> ..$ is_upper : logi [1:9] FALSE FALSE FALSE FALSE TRUE FALSE ...
#> ..$ is_title : logi [1:9] TRUE FALSE TRUE FALSE FALSE FALSE ...
#> ..$ is_quote : logi [1:9] FALSE FALSE FALSE FALSE FALSE FALSE ...
#> ..$ ent_iob_ : chr [1:9] "B" "I" "I" "O" ...
#> ..$ ent_iob : int [1:9] 3 1 1 2 3 2 2 2 2
#> ..$ is_left_punct : logi [1:9] FALSE FALSE FALSE FALSE FALSE FALSE ...
#> ..$ is_right_punct: logi [1:9] FALSE FALSE FALSE FALSE FALSE FALSE ...
#> ..$ morph : chr [1:9] "" "AdpType=Preppron" "" "Definite=Def|Gender=Masc|Number=Sing|PronType=Art" ...
#> ..$ sent : chr [1:9] "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." ...En este resultado podemos ver cómo la función crea los seis marcos de datos con información relevante sobre el contenido y la forma de los textos ingresados. En nuestro caso, textos referidos a conflictos.
Veamos con un poco más de detalle cada uno de los marcos de datos creados con la función acep_postag():
Como adelantamos, el primer objeto de la lista es un marco de datos estructurado para servir de input de la función acep_svo().
head(titulares_tags$texto_tag, n = 12)#> doc_id sentence token_id token lemma pos parent relation entity
#> 1 1 1 1 En en ADP 2 case
#> 2 1 1 2 Mar Mar PROPN 7 obl LOC_B
#> 3 1 1 3 del del ADP 4 case LOC_I
#> 4 1 1 4 Plata Plata PROPN 2 flat LOC_I
#> 5 1 1 5 el el DET 6 det
#> 6 1 1 6 SOIP SOIP PROPN 7 nsubj ORG_B
#> 7 1 1 7 declara declarar VERB NA ROOT
#> 8 1 1 8 la el DET 9 det
#> 9 1 1 9 huelga huelga NOUN 7 obj
#> 10 1 1 10 en en ADP 13 case
#> 11 1 1 11 demanda demanda NOUN 10 fixed
#> 12 1 1 12 de de ADP 10 fixed
#> nounphrase whitespace is_upper is_title is_quote ent_iob_ ent_iob
#> 1 TRUE FALSE TRUE FALSE O 2
#> 2 beg_root TRUE FALSE TRUE FALSE B 3
#> 3 mid TRUE FALSE FALSE FALSE I 1
#> 4 end TRUE FALSE TRUE FALSE I 1
#> 5 beg TRUE FALSE FALSE FALSE O 2
#> 6 end_root TRUE TRUE FALSE FALSE B 3
#> 7 TRUE FALSE FALSE FALSE O 2
#> 8 beg TRUE FALSE FALSE FALSE O 2
#> 9 end_root TRUE FALSE FALSE FALSE O 2
#> 10 TRUE FALSE FALSE FALSE O 2
#> 11 beg_root TRUE FALSE FALSE FALSE O 2
#> 12 TRUE FALSE FALSE FALSE O 2
#> is_left_punct is_right_punct
#> 1 FALSE FALSE
#> 2 FALSE FALSE
#> 3 FALSE FALSE
#> 4 FALSE FALSE
#> 5 FALSE FALSE
#> 6 FALSE FALSE
#> 7 FALSE FALSE
#> 8 FALSE FALSE
#> 9 FALSE FALSE
#> 10 FALSE FALSE
#> 11 FALSE FALSE
#> 12 FALSE FALSE
#> morph
#> 1 AdpType=Prep
#> 2
#> 3 AdpType=Preppron
#> 4
#> 5 Definite=Def|Gender=Masc|Number=Sing|PronType=Art
#> 6
#> 7 Mood=Ind|Number=Sing|Person=3|Tense=Pres|VerbForm=Fin
#> 8 Definite=Def|Gender=Fem|Number=Sing|PronType=Art
#> 9 Gender=Fem|Number=Sing
#> 10 AdpType=Prep
#> 11
#> 12 AdpType=Prep
#> sent
#> 1 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 2 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 3 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 4 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 5 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 6 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 7 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 8 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 9 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 10 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 11 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 12 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.El segundo objeto de la lista es un marco de datos que reescribe la columna ‘pos’ con la etiqueta ‘ENTITY’ e identifica el tipo de entidad en la columna ‘entity_type’. Si la entidad detectada está compuesta por más de un token, la función colapsa todos los tokens referidos a esa entidad en una sola celda de la columna token. Ejemplo: ‘Ciudad_de_Buenos_Aires’.
head(titulares_tags$texto_tag_entity, n = 14)#> doc_id sentence token_id token lemma pos parent relation entity nounphrase
#> 2 1 1 2 Mar Mar PROPN 7 obl LOC_B beg_root
#> 3 1 1 3 del del ADP 4 case LOC_I mid
#> 4 1 1 4 Plata Plata PROPN 2 flat LOC_I end
#> 6 1 1 6 SOIP SOIP PROPN 7 nsubj ORG_B end_root
#> whitespace is_upper is_title is_quote ent_iob_ ent_iob is_left_punct
#> 2 TRUE FALSE TRUE FALSE B 3 FALSE
#> 3 TRUE FALSE FALSE FALSE I 1 FALSE
#> 4 TRUE FALSE TRUE FALSE I 1 FALSE
#> 6 TRUE TRUE FALSE FALSE B 3 FALSE
#> is_right_punct morph
#> 2 FALSE
#> 3 FALSE AdpType=Preppron
#> 4 FALSE
#> 6 FALSE
#> sent
#> 2 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 3 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 4 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 6 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.El tercer objeto de la lista es el marco de datos ‘texto_tag_entity’ filtrado por el valor ‘ENTITY’ de la columna ‘pos’.
head(titulares_tags$texto_only_entity, n = 10)#> entity entity_type doc_id sentence
#> 1 Mar LOC 1 1
#> 2 del LOC 1 1
#> 3 Plata LOC 1 1
#> 4 SOIP ORG 1 1El cuarto objeto de la lista es el marco de datos ‘texto_only_entity’ filtrado por el valor ‘LOC’ de la columna ‘entity_type’ y procesado con la función ‘geo()’ del paquete tidygeocoder.
head(titulares_tags$texto_only_entity_loc[ , c(1:3, 6:7)], n = 4)#> entity_ doc_id sentence lat long
#> 1 Mar del Plata 1 1 -38.0055 -57.5426El quinto objeto de la lista es un marco de datos que reescribe la columna ‘pos’ con la etiqueta ‘nounphrase’. Si el sustantivo detectado está compuesto por más de un token, la función colapsa todos los tokens referidos a ese sustantivo en una sola celda de la columna token. Ejemplo: ‘las_principales_ciudades’.
head(titulares_tags$texto_nounphrase[ , c(1:2, 4, 6)], n = 10)#> doc_id sentence token pos
#> 1 1 1 En ADP
#> 2 1 1 Mar PROPN
#> 3 1 1 del ADP
#> 4 1 1 Plata PROPN
#> 5 1 1 el DET
#> 6 1 1 SOIP PROPN
#> 7 1 1 declara VERB
#> 8 1 1 la DET
#> 9 1 1 huelga NOUN
#> 10 1 1 en ADPEl sexto objeto de la lista es el marco de datos ‘texto_nounphrase’ filtrado por el valor ‘nounphrase’ de la columna ‘pos’.
head(titulares_tags$texto_only_nounphrase, n = 10)#> doc_id sentence token_id token lemma pos parent relation entity
#> 2 1 1 2 Mar Mar PROPN 7 obl LOC_B
#> 3 1 1 3 del del ADP 4 case LOC_I
#> 4 1 1 4 Plata Plata PROPN 2 flat LOC_I
#> 5 1 1 5 el el DET 6 det
#> 6 1 1 6 SOIP SOIP PROPN 7 nsubj ORG_B
#> 8 1 1 8 la el DET 9 det
#> 9 1 1 9 huelga huelga NOUN 7 obj
#> 11 1 1 11 demanda demanda NOUN 10 fixed
#> 13 1 1 13 aumento aumento NOUN 9 nmod
#> nounphrase whitespace is_upper is_title is_quote ent_iob_ ent_iob
#> 2 beg_root TRUE FALSE TRUE FALSE B 3
#> 3 mid TRUE FALSE FALSE FALSE I 1
#> 4 end TRUE FALSE TRUE FALSE I 1
#> 5 beg TRUE FALSE FALSE FALSE O 2
#> 6 end_root TRUE TRUE FALSE FALSE B 3
#> 8 beg TRUE FALSE FALSE FALSE O 2
#> 9 end_root TRUE FALSE FALSE FALSE O 2
#> 11 beg_root TRUE FALSE FALSE FALSE O 2
#> 13 beg_root TRUE FALSE FALSE FALSE O 2
#> is_left_punct is_right_punct
#> 2 FALSE FALSE
#> 3 FALSE FALSE
#> 4 FALSE FALSE
#> 5 FALSE FALSE
#> 6 FALSE FALSE
#> 8 FALSE FALSE
#> 9 FALSE FALSE
#> 11 FALSE FALSE
#> 13 FALSE FALSE
#> morph
#> 2
#> 3 AdpType=Preppron
#> 4
#> 5 Definite=Def|Gender=Masc|Number=Sing|PronType=Art
#> 6
#> 8 Definite=Def|Gender=Fem|Number=Sing|PronType=Art
#> 9 Gender=Fem|Number=Sing
#> 11
#> 13 Gender=Masc|Number=Sing
#> sent
#> 2 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 3 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 4 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 5 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 6 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 8 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 9 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 11 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 13 En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.acep_upos()Esta función realiza etiquetado POS, lematización, tokenización, pero no realiza extracción de entidades y, por ende, no puede hacer georreferenciación. Para llevar a cabo estas tareas acep_upos envuelve la función udpipe() de la librería homonimia.
Advertencia: ponemos esta alternativa a acep_postag porque la instalación de reticulate, anaconda y las librerías de Python necesarias para el funcionamiento de spacyr pueden traer más de un problema.
Repetimos el proceso realizado con la función acep_postag: activamos la librería ACEP, luego, cargamos un vector de titulares de portales noticiosos sobre notas referidas a conflictos para su prueba, y agregamos una última oración unimembre como ejemplo extremo de oración no procesable con la función acep_svo().
library(ACEP)
titulares <- c(acep_bases$titulares, "Hola mundo.")
titulares#> [1] "Sindicatos y estudiantes marchan por las principales ciudades de México para exigir un cambio en la política económica del Gobierno.\n Los gremios convocan a un paro docente contra 'la presencialidad de Larreta' en Ciudad de Buenos Aires."
#> [2] "Los gremios docentes rechazan volver a las aulas sin garantías sanitarias."
#> [3] "Los estatales rechazaron la oferta salarial que les hizo el gobierno en Chubut."
#> [4] "La CGT presiona para que los 1700 empleados cobren la doble indemnización."
#> [5] "Las dos CTA y la Izquierda rechazaron el acuerdo de la CGT para rebajar salarios."
#> [6] "Un gremio aéreo levantó el paro en Tucumán. Los judiciales ratificaron un paro.\n La CGT marchó con críticas por la economía y evalúa si llama a un paro."
#> [7] "Ctera convocó a un paro de 72 horas en todo el país."
#> [8] "Conciliación obligatoria en el conflicto del neumático."
#> [9] "Hola mundo."Ejecutamos la función acep_upos() para los titulares contenidos en el vector.
¿Cuál es el resultado?
La función acep_upos toma el vector de textos y realiza diferentes acciones:
Verifica que el objeto entregado sea un vector de tipo caracter (de lo contrario imprime un mensaje de advertencia)
Verifica que el parámetro ‘modelo’ sean un modelo válido (de lo contrario devuelve un mensaje de advertencia)
Crea un objeto de clases ‘tokenIndex’ que sirve como input para la función acep_svo(). Contiene 17 variables que reúnen información de los procesos de tokenización, lematización, etiquetado pos, etiquetado de relaciones de dependencia y morfológico.
Cabe mencionar que, al igual que acep_postag, los textos ingresados son tokenizados, es decir, cada palabra es un token.
titulares_utags <- acep_upos(
texto = titulares,
modelo = "spanish" # valor por defecto
)
str(titulares_utags)#> Classes 'tokenIndex', 'data.table' and 'data.frame': 15 obs. of 20 variables:
#> $ doc_id : int 1 1 1 1 1 1 1 1 1 1 ...
#> $ sentence : int 1 1 1 1 1 1 1 1 1 1 ...
#> $ token_id : num 1 2 3 4 5 6 7 8 9 10 ...
#> $ token : chr "En" "Mar" "del" "Plata" ...
#> $ lemma : chr "en" "Mar" "del" "Plata" ...
#> $ pos : chr "ADP" "PROPN" "ADP" "PROPN" ...
#> $ parent : num 2 7 4 2 6 7 NA 9 7 13 ...
#> $ relation : chr "case" "obl" "case" "flat" ...
#> ..- attr(*, "levels")= chr "ROOT"
#> $ entity : chr "" "LOC_B" "LOC_I" "LOC_I" ...
#> $ nounphrase : chr "" "beg_root" "mid" "end" ...
#> $ whitespace : logi TRUE TRUE TRUE TRUE TRUE TRUE ...
#> $ is_upper : logi FALSE FALSE FALSE FALSE FALSE TRUE ...
#> $ is_title : logi TRUE TRUE FALSE TRUE FALSE FALSE ...
#> $ is_quote : logi FALSE FALSE FALSE FALSE FALSE FALSE ...
#> $ ent_iob_ : chr "O" "B" "I" "I" ...
#> $ ent_iob : int 2 3 1 1 2 3 2 2 2 2 ...
#> $ is_left_punct : logi FALSE FALSE FALSE FALSE FALSE FALSE ...
#> $ is_right_punct: logi FALSE FALSE FALSE FALSE FALSE FALSE ...
#> $ morph : chr "AdpType=Prep" "" "AdpType=Preppron" "" ...
#> $ sent : chr "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." ...
#> - attr(*, ".internal.selfref")=<externalptr>
#> - attr(*, "sorted")= chr [1:3] "doc_id" "sentence" "token_id"En este resultado podemos ver cómo la función crea el input para usar con acep_svo(). Hay que tener en cuenta que udpipe y spacyr usan modelos distintos para el etiquetado pos y las relaciones de dependencia, así como para parsear el texto en oraciones. Por ende, el resultado obtenido de la función acep_svo puede ser ligeramente diferente si usamos uno u otro modelo de etiquetado. En el ejemplo que sigue usaremos el output de la función acep_upos.
acep_svo()Una vez que tenemos la lista, con 6 marcos de datos, creada a partir de la función acep_upos(), podemos utilizar la función acep_svo() para obtener un listado nuevo, con otros 6 marcos de datos, que nos proveerá la siguiente información:
acep_annotate_svo: es un marco de datos con 22 variables. Mantiene la estructura del objeto ingresado a la función (titulares_utags) y agrega 5 nuevas variables (‘s_v_o’, ‘s_v_o_id’, ‘s_v_o_fill’, ‘s_p’, ‘conjugaciones’).
acep_pro_svo: es un marco de datos con 13 variables (‘doc_id’, ‘oracion_id’, ‘eventos’, ‘sujeto_svo’, ‘root’, ‘objeto’, ‘sujeto’, ‘predicado’, ‘verbo’, ‘lemma_verb’, ‘aux_verbos’, ‘entidades’, ‘sust_pred’) que reúne los tripletes SVO e información de contexto. Ejemplo de extracción SVO: “gremios -> convocan -> paro presencialidad”.
acep_list_svo: es un marco de datos con 6 variables (‘doc_id’, ‘oracion_id’, ‘eventos’, ‘sujeto’, ‘verbo’ ‘objeto’) que procesa los tripletes SVO y los devuelve separados en sujeto, verbo, objeto. Ejemplo de extracción SVO: “gremios” “convocan” “paro presencialidad”.
acep_sp: es un marco de datos con 9 variables (‘doc_id’, ‘oracion_id’, ‘sujeto’, ‘predicado’, ‘verbo’, ‘lemma_verb’, ‘aux_verbos’, ‘entidades’, ‘sust_pred’) que ofrece más información de contexto como entidades, sustantivos dentro de la oración analizada, etc.
acep_lista_lemmas: es un marco de datos con dos variables (‘lemma’, ‘n’) que ofrece la frecuencia absoluta de las palabras lemmatizadas presentes en el corpus analizado.
acep_no_procesadas: es un marco de datos con tres variables (‘doc_id’, ‘oracion_id’, ‘oracion’) que ofrece la frecuencia absoluta de las palabras lemmatizadas presentes en el corpus analizado.
titulares_svo <- acep_svo(titulares_utags)
str(titulares_svo)#> List of 6
#> $ acep_annotate_svo :Classes 'tokenIndex', 'data.table' and 'data.frame': 15 obs. of 25 variables:
#> ..$ doc_id : int [1:15] 1 1 1 1 1 1 1 1 1 1 ...
#> ..$ sentence : int [1:15] 1 1 1 1 1 1 1 1 1 1 ...
#> ..$ token_id : num [1:15] 1 2 3 4 5 6 7 8 9 10 ...
#> ..$ token : chr [1:15] "En" "Mar" "del" "Plata" ...
#> ..$ lemma : chr [1:15] "en" "Mar" "del" "Plata" ...
#> ..$ pos : chr [1:15] "ADP" "PROPN" "ADP" "PROPN" ...
#> ..$ parent : num [1:15] 2 7 4 2 6 7 NA 9 7 13 ...
#> ..$ relation : chr [1:15] "case" "obl" "case" "flat" ...
#> .. ..- attr(*, "levels")= chr "ROOT"
#> ..$ entity : chr [1:15] "" "LOC_B" "LOC_I" "LOC_I" ...
#> ..$ nounphrase : chr [1:15] "" "beg_root" "mid" "end" ...
#> ..$ whitespace : logi [1:15] TRUE TRUE TRUE TRUE TRUE TRUE ...
#> ..$ is_upper : logi [1:15] FALSE FALSE FALSE FALSE FALSE TRUE ...
#> ..$ is_title : logi [1:15] TRUE TRUE FALSE TRUE FALSE FALSE ...
#> ..$ is_quote : logi [1:15] FALSE FALSE FALSE FALSE FALSE FALSE ...
#> ..$ ent_iob_ : chr [1:15] "O" "B" "I" "I" ...
#> ..$ ent_iob : int [1:15] 2 3 1 1 2 3 2 2 2 2 ...
#> ..$ is_left_punct : logi [1:15] FALSE FALSE FALSE FALSE FALSE FALSE ...
#> ..$ is_right_punct: logi [1:15] FALSE FALSE FALSE FALSE FALSE FALSE ...
#> ..$ morph : chr [1:15] "AdpType=Prep" "" "AdpType=Preppron" "" ...
#> ..$ sent : chr [1:15] "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." "En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial." ...
#> ..$ s_v_o : Factor w/ 3 levels "objeto","sujeto",..: NA 1 NA 1 NA 2 3 NA 1 NA ...
#> ..$ s_v_o_id : Factor w/ 1 level "1.1.7": NA 1 NA 1 NA 1 1 NA 1 NA ...
#> ..$ s_v_o_fill : num [1:15] NA 0 NA 1 NA 0 0 NA 0 NA ...
#> ..$ s_p : chr [1:15] "sujeto" "sujeto" "sujeto" "sujeto" ...
#> ..$ conjugaciones : chr [1:15] NA NA NA NA ...
#> ..- attr(*, ".internal.selfref")=<externalptr>
#> ..- attr(*, "sorted")= chr [1:3] "doc_id" "sentence" "token_id"
#> $ acep_pro_svo :'data.frame': 1 obs. of 13 variables:
#> ..$ doc_id : int 1
#> ..$ oracion_id: int 1
#> ..$ eventos : chr "SOIP -> declara -> Mar huelga"
#> ..$ sujeto_svo: chr "SOIP"
#> ..$ root : chr "declara"
#> ..$ objeto : chr "Mar huelga"
#> ..$ sujeto : chr "Mar Plata SOIP"
#> ..$ predicado : chr "declara huelga demanda aumento salarial"
#> ..$ verbo : chr "declara"
#> ..$ lemma_verb: chr "declara"
#> ..$ aux_verbos: chr "| NA |"
#> ..$ entidades : chr "| Mar | Plata | SOIP |"
#> ..$ sust_pred : chr "huelga | demanda | aumento"
#> $ acep_list_svo :'data.frame': 1 obs. of 6 variables:
#> ..$ doc_id : int 1
#> ..$ oracion_id: int 1
#> ..$ eventos : chr "SOIP -> declara -> Mar huelga"
#> ..$ sujeto : chr "SOIP"
#> ..$ verbo : chr "declara"
#> ..$ objeto : chr "Mar huelga"
#> $ acep_sp :'data.frame': 1 obs. of 9 variables:
#> ..$ doc_id : int 1
#> ..$ oracion_id: int 1
#> ..$ sujeto : chr "Mar Plata SOIP"
#> ..$ predicado : chr "declara huelga demanda aumento salarial"
#> ..$ verbo : chr "declara"
#> ..$ lemma_verb: chr "declara"
#> ..$ aux_verbos: chr "| NA |"
#> ..$ entidades : chr "| Mar | Plata | SOIP |"
#> ..$ sust_pred : chr "huelga | demanda | aumento"
#> $ acep_lista_lemmas :'data.frame': 8 obs. of 2 variables:
#> ..$ lemma: Factor w/ 8 levels "Mar","Plata",..: 1 2 3 4 5 6 7 8
#> ..$ n : int [1:8] 1 1 1 1 1 1 1 1
#> $ acep_no_procesadas:Classes 'tokenIndex', 'data.table' and 'data.frame': 0 obs. of 3 variables:
#> ..$ doc_id : int(0)
#> ..$ oracion_id: int(0)
#> ..$ oracion : chr(0)
#> ..- attr(*, ".internal.selfref")=<externalptr>Veamos con un poco más de detalle cada uno de los marcos de datos creados con la función acep_svo().
Es el marco de datos inicial procesado con las funciones del paquete rsyntax.
head(titulares_svo$acep_annotate_svo, n=20)#> Clave <doc_id, sentence, token_id>
#> doc_id sentence token_id token lemma pos parent relation entity
#> <int> <int> <num> <char> <char> <char> <num> <char> <char>
#> 1: 1 1 1 En en ADP 2 case
#> 2: 1 1 2 Mar Mar PROPN 7 obl LOC_B
#> 3: 1 1 3 del del ADP 4 case LOC_I
#> 4: 1 1 4 Plata Plata PROPN 2 flat LOC_I
#> 5: 1 1 5 el el DET 6 det
#> 6: 1 1 6 SOIP SOIP PROPN 7 nsubj ORG_B
#> 7: 1 1 7 declara declarar VERB NA ROOT
#> 8: 1 1 8 la el DET 9 det
#> 9: 1 1 9 huelga huelga NOUN 7 obj
#> 10: 1 1 10 en en ADP 13 case
#> 11: 1 1 11 demanda demanda NOUN 10 fixed
#> 12: 1 1 12 de de ADP 10 fixed
#> 13: 1 1 13 aumento aumento NOUN 9 nmod
#> 14: 1 1 14 salarial salarial ADJ 13 amod
#> 15: 1 1 15 . . PUNCT 7 punct
#> nounphrase whitespace is_upper is_title is_quote ent_iob_ ent_iob
#> <char> <lgcl> <lgcl> <lgcl> <lgcl> <char> <int>
#> 1: TRUE FALSE TRUE FALSE O 2
#> 2: beg_root TRUE FALSE TRUE FALSE B 3
#> 3: mid TRUE FALSE FALSE FALSE I 1
#> 4: end TRUE FALSE TRUE FALSE I 1
#> 5: beg TRUE FALSE FALSE FALSE O 2
#> 6: end_root TRUE TRUE FALSE FALSE B 3
#> 7: TRUE FALSE FALSE FALSE O 2
#> 8: beg TRUE FALSE FALSE FALSE O 2
#> 9: end_root TRUE FALSE FALSE FALSE O 2
#> 10: TRUE FALSE FALSE FALSE O 2
#> 11: beg_root TRUE FALSE FALSE FALSE O 2
#> 12: TRUE FALSE FALSE FALSE O 2
#> 13: beg_root TRUE FALSE FALSE FALSE O 2
#> 14: FALSE FALSE FALSE FALSE O 2
#> 15: FALSE FALSE FALSE FALSE O 2
#> is_left_punct is_right_punct
#> <lgcl> <lgcl>
#> 1: FALSE FALSE
#> 2: FALSE FALSE
#> 3: FALSE FALSE
#> 4: FALSE FALSE
#> 5: FALSE FALSE
#> 6: FALSE FALSE
#> 7: FALSE FALSE
#> 8: FALSE FALSE
#> 9: FALSE FALSE
#> 10: FALSE FALSE
#> 11: FALSE FALSE
#> 12: FALSE FALSE
#> 13: FALSE FALSE
#> 14: FALSE FALSE
#> 15: FALSE FALSE
#> morph
#> <char>
#> 1: AdpType=Prep
#> 2:
#> 3: AdpType=Preppron
#> 4:
#> 5: Definite=Def|Gender=Masc|Number=Sing|PronType=Art
#> 6:
#> 7: Mood=Ind|Number=Sing|Person=3|Tense=Pres|VerbForm=Fin
#> 8: Definite=Def|Gender=Fem|Number=Sing|PronType=Art
#> 9: Gender=Fem|Number=Sing
#> 10: AdpType=Prep
#> 11:
#> 12: AdpType=Prep
#> 13: Gender=Masc|Number=Sing
#> 14: Number=Sing
#> 15: PunctType=Peri
#> sent
#> <char>
#> 1: En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 2: En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 3: En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 4: En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 5: En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 6: En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 7: En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 8: En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 9: En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 10: En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 11: En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 12: En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 13: En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 14: En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> 15: En Mar del Plata el SOIP declara la huelga en demanda de aumento salarial.
#> s_v_o s_v_o_id s_v_o_fill s_p conjugaciones
#> <fctr> <fctr> <num> <char> <char>
#> 1: <NA> <NA> NA sujeto <NA>
#> 2: objeto 1.1.7 0 sujeto <NA>
#> 3: <NA> <NA> NA sujeto <NA>
#> 4: objeto 1.1.7 1 sujeto <NA>
#> 5: <NA> <NA> NA sujeto <NA>
#> 6: sujeto 1.1.7 0 sujeto <NA>
#> 7: verbo 1.1.7 0 predicado presente
#> 8: <NA> <NA> NA predicado <NA>
#> 9: objeto 1.1.7 0 predicado <NA>
#> 10: <NA> <NA> NA predicado <NA>
#> 11: objeto 1.1.7 3 predicado <NA>
#> 12: objeto 1.1.7 3 predicado <NA>
#> 13: objeto 1.1.7 1 predicado <NA>
#> 14: objeto 1.1.7 2 predicado <NA>
#> 15: <NA> <NA> NA predicado <NA>Este marco de datos contiene las oraciones procesables con la identificación y extracción de sujeto-verbo-objeto y contexto.
head(titulares_svo$acep_pro_svo, n=10)#> doc_id oracion_id eventos sujeto_svo root objeto
#> 1 1 1 SOIP -> declara -> Mar huelga SOIP declara Mar huelga
#> sujeto predicado verbo lemma_verb
#> 1 Mar Plata SOIP declara huelga demanda aumento salarial declara declara
#> aux_verbos entidades sust_pred
#> 1 | NA | | Mar | Plata | SOIP | huelga | demanda | aumentoEste marco de datos es una versión reducida del data.frame ‘acep_pro_svo’. Solo contiene los tripletes sujeto-verbo-objeto en versión colapsada (‘gremios -> convocan -> paro’) y en versión separada (una columna para ‘sujeto’, otra para ‘verbo’ y otra para ‘objeto’).
head(titulares_svo$acep_list_svo, n=10)#> doc_id oracion_id eventos sujeto verbo objeto
#> 1 1 1 SOIP -> declara -> Mar huelga SOIP declara Mar huelgaEste marco de datos contiene los ‘sujetos’ y los ‘predicados’ identificados en cada oración y una aproximación a ‘entidades’, ‘sustantivos’ y ‘verbos auxiliares’ como contexto que ayuda a mejorar la extracción de sujetos y objetos de la acción.
head(titulares_svo$acep_sp, n=10)#> doc_id oracion_id sujeto predicado
#> 1 1 1 Mar Plata SOIP declara huelga demanda aumento salarial
#> verbo lemma_verb aux_verbos entidades
#> 1 declara declara | NA | | Mar | Plata | SOIP |
#> sust_pred
#> 1 huelga | demanda | aumentoEste marco de datos es un análisis de frecuencias absolutas de lemmas presentes en el corpus procesado.
head(titulares_svo$acep_lista_lemmas, n=10)#> lemma n
#> 1 Mar 1
#> 2 Plata 1
#> 3 SOIP 1
#> 4 aumento 1
#> 5 declarar 1
#> 6 demanda 1
#> 7 huelga 1
#> 8 salarial 1Este marco de datos contiene las oraciones que no pudieron ser procesadas por no ser posible identificar sujeto y predicado.
head(titulares_svo$acep_no_procesadas, n=10)#> data.table vacía (0 filas y 3 columnas): doc_id,oracion_id,oracionLos resultados obtenidos en este ejemplo son muy prometedores, pero la realidad es que la bondad de los resultados está determinada por la complejidad de las oraciones. Es verdad que los textos ingresados en este ejemplo fueron tomados de portales de noticias, pero también es verdad que no todos los títulos son igual de descriptivos y muchos son oraciones unimembres. Sin embargo, con los cuidados del caso, los resultados arrojados por la función acep_svo() pueden ser muy útiles para una primera aproximación exploratoria de eventos de protesta en un corpus extenso de notas.