File size: 4,868 Bytes
77d2692 |
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 |
# Importar librerías necesarias
import streamlit as st
from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
import numpy as np
# Cargar el modelo BERT preentrenado y el tokenizador
MODEL_NAME = "bert-base-uncased"
tokenizer = AutoTokenizer.from_pretrained(MODEL_NAME)
model = AutoModelForSequenceClassification.from_pretrained(MODEL_NAME, num_labels=3)
# Diccionario de palabras clave con sentimientos asociados
palabras_clave = {
"Positivo": ["feliz", "alegre", "contento", "genial", "maravilloso"],
"Negativo": ["triste", "deprimido", "mal", "horrible", "terrible"],
"Ambiguo": ["no sé", "confuso", "indeciso", "raro"]
}
# Función para predecir el sentimiento del modelo
def predecir_sentimiento(texto):
"""
Toma un texto de entrada y devuelve la clasificación del sentimiento usando el modelo BERT.
Sentimientos posibles: Negativo, Neutral, Positivo.
"""
entradas = tokenizer(texto, return_tensors="pt", truncation=True, padding=True, max_length=128)
with torch.no_grad():
salidas = model(**entradas)
prediccion = np.argmax(salidas.logits.numpy(), axis=1)
etiquetas = ["Negativo", "Neutral", "Positivo"]
return etiquetas[prediccion[0]]
# Función para ajustar el sentimiento con palabras clave
def ajustar_sentimiento(texto, sentimiento_modelo):
"""
Ajusta el sentimiento clasificado por el modelo si se encuentran palabras clave en el texto.
"""
texto = texto.lower()
for palabra in palabras_clave["Positivo"]:
if palabra in texto:
return "Positivo"
for palabra in palabras_clave["Negativo"]:
if palabra in texto:
return "Negativo"
for palabra in palabras_clave["Ambiguo"]:
if palabra in texto:
return "Ambiguo"
return sentimiento_modelo
# Estilos personalizados con CSS
st.markdown("""
<style>
body {
background-color: #fdfdff;
color: #4d4d4d;
}
.reportview-container {
background-color: #f8f9fa;
}
h1, h2, h3 {
color: #6c757d;
font-family: 'Segoe UI', Tahoma, Geneva, Verdana, sans-serif;
}
.stTextArea label {
font-size: 18px;
color: #6c757d;
}
.stButton button {
background-color: #d1e7dd;
color: #155724;
border-radius: 12px;
font-weight: bold;
border: none;
}
.stButton button:hover {
background-color: #badbcc;
}
</style>
""", unsafe_allow_html=True)
# Título de la aplicación
st.markdown("""
<h1 style='text-align: center; color: #6c757d;'>
¿Confundido con tus sentimientos? <br> Identifiquémoslo juntos.
</h1>
""", unsafe_allow_html=True)
# Descripción de la aplicación
st.write("""
Esta aplicación utiliza un modelo preentrenado de **BERT** para clasificar el sentimiento de un texto en
**Positivo**, **Neutral** o **Negativo**.\n\n
Escribe cualquier comentario, pensamiento o frase y te ayudaré a entender su tono general. 😊
""")
# Entrada del usuario
texto_usuario = st.text_area("¿Qué te gustaría compartir hoy?", placeholder="Cuéntame cómo te sientes...")
# Botón para analizar el sentimiento
if st.button("Analizar Sentimiento"):
if texto_usuario.strip():
# Predecir el sentimiento usando el modelo
sentimiento_modelo = predecir_sentimiento(texto_usuario)
# Ajustar el sentimiento si se detectan palabras clave
sentimiento_final = ajustar_sentimiento(texto_usuario, sentimiento_modelo)
# Mostrar el resultado al usuario
st.subheader(f"El sentimiento del texto es: {sentimiento_final}")
# Respuestas empáticas según el sentimiento
if sentimiento_final == "Negativo":
st.write("Parece que no estás del todo contento con esto, y está bien no saber cómo sentirse a veces. 😊")
elif sentimiento_final == "Neutral":
st.write("Hmm, el tono del texto parece neutro. Si necesitas hablar más sobre esto, ¡aquí estoy para escuchar! 🤗")
elif sentimiento_final == "Positivo":
st.write("¡Qué bien que te sientes positivo! 🌟 Sigue disfrutando esa energía.")
else:
st.warning("Por favor ingresa un texto válido para analizar.")
# Pie de página personalizado
st.markdown("---")
st.markdown("""
<p style='text-align: center; color: #6c757d; font-size: 14px;'>
Desarrollado por <strong> Grupo 7 - Procesamiento de datos con AI - Especialización en Inteligencia Artificial UAO </strong> | Proyecto del Taller Final - Módulo 2 🚀
</p>
""", unsafe_allow_html=True) |