app.py

# 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)