Skip to contents

Etiquetado POS, lematizacion y extraccion de entidades con spacyr

Source: R/acep_postag_hibrido.R
acep_postag_hibrido.Rd

Realiza analisis linguistico completo de textos usando la biblioteca spaCy a traves de spacyr. Incluye: etiquetado POS (Part-of-Speech), lematizacion, tokenizacion, extraccion de entidades nombradas, frases nominales y geocodificacion de ubicaciones. La funcion procesa automaticamente grandes volumenes de texto dividiendolos en lotes (chunks) y soporta procesamiento paralelo para acelerar el analisis

Usage

acep_postag_hibrido(
  texto,
  core = "es_core_news_lg",
  bajar_core = TRUE,
  inst_spacy = FALSE,
  inst_miniconda = FALSE,
  inst_reticulate = FALSE,
  chunk_size = 1000,
  parallel_chunks = FALSE,
  n_cores = NULL,
  geocode_cache_file = "geocode_cache.json",
  use_cache = TRUE,
  show_progress = TRUE
)

Arguments

texto

Vector de caracteres con los textos a analizar.

core

Modelo de lenguaje de spaCy a utilizar. Opciones: `"es_core_news_sm"`, `"es_core_news_md"`, `"es_core_news_lg"` (espanol), `"en_core_web_sm"`, `"en_core_web_md"`, `"en_core_web_lg"` (ingles), `"pt_core_news_sm"`, `"pt_core_news_md"`, `"pt_core_news_lg"` (portugues). Por defecto: `"es_core_news_lg"`.

bajar_core

Logico. Si `TRUE`, descarga automaticamente el modelo si no esta instalado.

inst_spacy

Logico. Si `TRUE`, instala la biblioteca spaCy en el entorno Python.

inst_miniconda

Logico. Si `TRUE`, instala Miniconda (necesario para spaCy).

inst_reticulate

Logico. Si `TRUE`, instala el paquete reticulate de R.

chunk_size

Numero de textos a procesar por lote. Valores mas bajos consumen menos memoria pero tardan mas. Por defecto: 1000.

parallel_chunks

Logico. Si `TRUE`, procesa los lotes en paralelo usando multiples nucleos del CPU. Requiere los paquetes `future` y `furrr`. Por defecto: `FALSE`.

n_cores

Numero de nucleos de CPU a usar en modo paralelo. Si es `NULL`, detecta automaticamente el numero de nucleos disponibles menos uno.

geocode_cache_file

Ruta al archivo JSON donde se almacena el cache de geocodificacion para evitar consultas repetidas. Por defecto: `"geocode_cache.json"`.

use_cache

Logico. Si `TRUE`, usa y actualiza el cache de geocodificacion.

show_progress

Logico. Si `TRUE`, muestra mensajes de progreso en la consola.

Value

Lista con 6 data frames que contienen diferentes niveles de analisis:

  • texto_tag: Tokenizacion completa con etiquetas POS, lemas, dependencias sintacticas y atributos morfologicos para cada token

  • texto_tag_entity: Tokens con entidades nombradas consolidadas (ej: "Mar del Plata" como una sola entidad en lugar de 3 tokens separados)

  • texto_only_entity: Solo las entidades nombradas extraidas (personas, organizaciones, ubicaciones, fechas, etc.)

  • texto_only_entity_loc: Entidades de tipo ubicacion (LOC) con coordenadas geograficas (latitud/longitud) obtenidas mediante geocodificacion

  • texto_nounphrase: Tokens con frases nominales consolidadas

  • texto_only_nounphrase: Solo las frases nominales extraidas

Examples

if (FALSE) { # \dontrun{
# Analisis basico de un texto
texto <- "El SUTEBA convoco a un paro en Mar del Plata el 15 de marzo."
resultado <- acep_postag_hibrido(texto)

# Ver tokens con etiquetas POS
head(resultado$texto_tag)

# Ver entidades nombradas
print(resultado$texto_only_entity)

# Ver ubicaciones geocodificadas
print(resultado$texto_only_entity_loc)

# Procesar multiples textos con procesamiento paralelo
textos <- c("Primera noticia sobre conflictos.",
            "Segunda noticia sobre protestas.",
            "Tercera noticia sobre reclamos.")
resultado <- acep_postag_hibrido(textos,
                                 parallel_chunks = TRUE,
                                 chunk_size = 100)
} # }