UD03 · Taller 2 — Un sistema de PLN de punta a punta¶

1
2

pip install nltk spacy scikit-learn
python -m spacy download es_core_news_sm

Objetivo: construir un extractor de entidades (NER) para textos de un dominio concreto con spaCy, siguiendo la metodología del CE g (tarea → datos → herramienta → implementar → evaluar → documentar).

Fase 1 — Define la tarea¶

Elige un dominio (p. ej. facturas, historias clínicas de ejemplo, noticias de tecnología). Decide qué entidades quieres extraer (nombres de empresa, personas, lugares, fechas, importes, productos).

Fase 2 — Datos¶

Crea al menos 10 textos de ejemplo del dominio en un fichero textos.txt (pueden ser inventados). Indica origen y licencia en el informe.

Fase 3 — Implementa con spaCy¶

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

import spacy
from spacy.matcher import Matcher

nlp = spacy.load("es_core_news_sm")
matcher = Matcher(nlp.vocab)

# patrón propio: detectar "empresa de <algo>" o importes en euros
matcher.add("EMPRESA", [[{"LOWER": {"IN": ["empresa", "compañía"]}},
                         {"POS": "ADP", "OP": "?"},
                         {"IS_ALPHA": True, "OP": "+"}]])
matcher.add("IMPORTE", [[{"LIKE_NUM": True}, {"LOWER": {"IN": ["€", "euros"]}}]])

def extraer(texto):
    doc = nlp(texto)
    entidades = [(e.text, e.label_) for e in doc.ents]
    matches = matcher(doc)
    return entidades, [(doc[s:e].text, "PATRON_EMPRESA/IMPORTE") for _, s, e in matches]

for linea in open('textos.txt', encoding='utf-8'):
    print(extraer(linea.strip()))

Fase 4 — Evalúa¶

Compara las entidades que devuelve spaCy con las que esperabas (anótalas a mano primero). Calcula cuántas acertó y dónde falló. ¿Qué patrones añadirías?

Fase 5 — Documenta¶

Escribe en el informe: la tarea, el origen/licencia de los datos, la herramienta (spaCy + Matcher), las reglas/patrones usados, la evaluación (aciertos/fallos) y las limitaciones (dominio, textos fuera de contexto, ambigüedad).

Fase 6 — Mejora (reto)¶

Añade 2 patrones más de tu dominio (p. ej. fechas en formato "dd/mm/aaaa" o códigos de producto) y repite la evaluación. ¿Mejoró la cobertura?

Entrega del Taller 2¶

Sube el notebook ejecutado, siguiendo los seis pasos de la metodología del §12.1.

Y la respuesta a: ¿por qué elegiste esa herramienta y no otra? La respuesta buena habla de los datos que tenías, no de lo moderna que sea la técnica.

Volver a la UD03 · Taller 1 · Ejercicios