Upload app.py

app.py

@@ -0,0 +1,87 @@
+# 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.
+    """
+    # Tokenización del texto
+    entradas = tokenizer(texto, return_tensors="pt", truncation=True, padding=True, max_length=128)
+    # Predicción sin gradientes
+    with torch.no_grad():
+        salidas = model(**entradas)
+        prediccion = np.argmax(salidas.logits.numpy(), axis=1)
+    # Etiquetas posibles
+    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()  # Convertir el texto a minúsculas
+    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  # Si no se encuentran palabras clave, devuelve el sentimiento original
+
+# Configuración de la interfaz Streamlit
+st.title("Análisis de Sentimientos con BERT")
+st.write(
+    "Esta aplicación utiliza un modelo preentrenado de BERT para clasificar el sentimiento de un texto en "
+    "**Negativo**, **Neutral** o **Positivo**.\n\n"
+    "Puedes escribir 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?", "Cuéntame cómo te sientes...")
+
+# Botón para analizar el sentimiento
+if st.button("Analizar Sentimiento"):
+    if texto_usuario.strip():  # Verificar que la entrada no esté vacía
+        # 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.")
+
+        # Detectar ambigüedad
+        if "no sé" in texto_usuario.lower() or "confundido" in texto_usuario.lower():
+            st.write("Parece que estás un poco indeciso, ¡y eso está bien! A veces los sentimientos son difíciles de descifrar. 😊")
+    else:
+        st.warning("Por favor ingresa un texto válido para analizar.")