Spaces:
Sleeping
Sleeping
File size: 2,043 Bytes
e872dac dd7604b e872dac f9a2cc9 e872dac |
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 |
import gradio as gr
import pickle
import ftfy
import re
import torch
import numpy as np
from transformers import DistilBertTokenizer, DistilBertModel
from huggingface_hub import hf_hub_download, login
import os
hf_token = os.getenv("HF_TOKEN")
login(token=hf_token)
def corregir_codificacion(texto):
if isinstance(texto, str):
return ftfy.fix_text(texto)
return texto
def preprocesar_texto(texto):
texto = texto.lower()
texto = re.sub(r'\d+', '', texto)
texto = re.sub(r'[^\w\s]', '', texto)
return texto
class ClasificadorOpiniones:
def __init__(self):
model_path = hf_hub_download(repo_id="begoach1/opinion_classifier", filename="modelo_clasificador_reentrenado_lp_ros.pkl")
self.clf_combined = pickle.load(open(model_path, 'rb'))
self.tokenizer = DistilBertTokenizer.from_pretrained('distilbert-base-multilingual-cased')
self.model = DistilBertModel.from_pretrained('distilbert-base-multilingual-cased')
def clasificar_opinion(self, texto):
texto = corregir_codificacion(texto)
texto = preprocesar_texto(texto)
tokens = self.tokenizer(texto, padding=True, truncation=True, return_tensors='pt')
with torch.no_grad():
outputs = self.model(**tokens)
encoded_text = outputs.last_hidden_state[:, 0, :].numpy()
prediccion = self.clf_combined.predict(encoded_text)
etiquetas = ['queja', 'sugerencia', 'agradecimiento', 'felicitacion', 'ninguna', 'cambio_positivo_personal']
resultado = dict(zip(etiquetas, prediccion[0]))
return resultado
def clasificar(texto):
clasificador = ClasificadorOpiniones()
resultado = clasificador.clasificar_opinion(texto)
return resultado
iface = gr.Interface(
fn=clasificar,
inputs=gr.Textbox(lines=2, placeholder="Escribe tu opinión aquí..."),
outputs=gr.JSON(),
title="Clasificador de Opiniones Multietiqueta",
description="Ingresa un texto de opinión para obtener las etiquetas correspondientes."
)
iface.launch()
|