In agusnieto77/ACEP: Análisis Computacional de Eventos de Protesta

knitr::opts_chunk$set(
  collapse = FALSE,
  comment = "#>"
)

Función a presentar:

En este artículo se explicarán los procesos que realizan las funciones:

• acep_postag()

• acep_upos()

• acep_svo()

Función 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

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)

titulares_tags <- acep_load_base("https://github.com/HDyCSC/datos/raw/main/titulares_spacy.rds")
str(titulares_tags)

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():

texto_tag

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[43:54, ], n = 12)

texto_tag_entity

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[52:65, ], n = 14)

texto_only_entity

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)

texto_only_entity_loc

El 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)

texto_nounphrase

El 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)

texto_only_nounphrase

El 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)

Función 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

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)

titulares_utags <- acep_load_base("https://github.com/HDyCSC/datos/raw/main/titulares_udpipe.rds")
str(titulares_utags)

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.

Función 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)

Veamos con un poco más de detalle cada uno de los marcos de datos creados con la función acep_svo().

acep_annotate_svo

Es el marco de datos inicial procesado con las funciones del paquete rsyntax.

head(titulares_svo$acep_annotate_svo[98:106, ], n=20)

acep_annotate_svo

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)

acep_list_svo

Este 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)

acep_sp

Este 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)

acep_lista_lemmas

Este marco de datos es un análisis de frecuencias absolutas de lemmas presentes en el corpus procesado.

head(titulares_svo$acep_lista_lemmas, n=10)

acep_no_procesadas

Este 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)

Nota final

Los 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.

agusnieto77/ACEP documentation built on March 16, 2024, 6:50 p.m.