Análisis de Sinsets e Hipónimos con NLTK y WordNet en Google Colab

Curso de Fundamentos de Procesamiento de Lenguaje Natural con Python y NLTK

Contenido del curso

Introducción al Procesamiento de Lenguaje Natural

Fundamentos con NLTK

Perspectivas de lo que viene

24
Fundamentos del Procesamiento del Lenguaje Natural con NLTK
03:16 min

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:0017:52

Análisis de Sinsets e Hipónimos con NLTK y WordNet en Google Colab

Curso de Fundamentos de Procesamiento de Lenguaje Natural con Python y NLTK

Clase 19 de 24

Clase 19 / 24

Recursos

¿Cómo usar WordNet en Google Colab con NLTK?

Dominar el uso de WordNet con NLTK te permitirá explorar y gestionar sinónimos de una manera funcional y práctica. Usar esta herramienta dentro de un notebook en Google Colab te ofrece un entorno sencillo y accesible para aplicar procesamiento de lenguaje natural (PLN). A continuación, te guiaré a través del uso básico de WordNet, una base de datos léxica, para manejar sinónimos y sus relaciones jerárquicas, como hipónimos e hiperónimos.

¿Cómo se importa y utiliza WordNet?

Antes de usar WordNet, necesitas configurarlo en tu entorno de trabajo:

import nltk
nltk.download('omw')
from nltk.corpus import wordnet as wn

La descarga y el import son esenciales para acceder a la versión en español y empezar a explorar sus características. Al trabajar con sinónimos (conocidos como "synsets"), puedes ver grupos de palabras que comparten significados similares aunque sean diferentes, incrementando así la riqueza léxica en tus aplicaciones.

¿Qué son los Synsets y cómo se exploran?

Un synset es un agrupamiento de sinónimos dentro de WordNet. Para extraerlos, utiliza el siguiente código:

ss = wn.synsets('carro', lang='spa')
for syn in ss:
    print(syn.name(), syn.definition())
    for name in syn.lemma_names('spa'):
        print("*", name)

Esto obtiene y lista los synsets para 'carro', imprimiendo cada definición y su conjunto de palabras asociadas. Puede haber casos con un único sinónimo, mostrando la flexibilidad de este recurso.

¿Cómo encontrar hipónimos e hiperónimos?

Para manejar hipónimos (conceptos más específicos) e hiperónimos (conceptos más generales), accedes a ellos de esta forma:

Hipónimos:

hyponyms = ss[0].hyponyms()
for hyponym in hyponyms:
    print(hyponym.name())

Hiperónimos:

hypernyms = ss[0].hypernyms()
for hypernym in hypernyms:
    print(hypernym.name())

Esto extrae relaciones jerárquicas desde un synset específico, ayudando a entender cómo se interconectan los conceptos. Los hipónimos son más específicos, mientras que los hiperónimos permiten ver categorías más amplias.

¿Cómo se visualizan las relaciones con grafos?

Usar visualizaciones gráficas te permite apreciar las relaciones jerárquicas de un modo claro y manejable, para lo cual puedes emplear las librerías NetworkX y Matplotlib:

import networkx as nx
import matplotlib.pyplot as plt

def draw_graph(graph, labels):
    plt.figure(figsize=(10, 8))
    pos = nx.spring_layout(graph)
    nx.draw(graph, pos, with_labels=True, labels=labels, node_size=5000, node_color='lightblue', font_size=10, font_color='black')
    plt.show()

Esta función, integrada a la lógica de synsets, provoca una visualización elegante de la estructura relacional de conceptos, desde lo específico hasta lo más general.

¿Qué aplicaciones tiene la jerarquía de WordNet?

La estructura jerárquica de WordNet tiene aplicaciones prácticas, especialmente en motores de búsqueda. Puedes usar las relaciones de sinónimos y medidas de similitud semántica para mejorar la relevancia y precisión en motores de búsqueda, permitiendo que las búsquedas respondan mejor a la intención del usuario.

WordNet no solo fortalece las aplicaciones lingüísticas, sino que también ofrece soporte robusto para tareas de PLN como categorización de texto, desambiguación de términos y análisis semántico. Te animo a profundizar tus habilidades de programación y exploración con este poderoso recurso léxico y continuar tu camino en el procesamiento del lenguaje natural.

Gabriel Obregón

Hace un año

🧠Uso de WordNet con NLTK en Google Colab

🌍 1. ¿Qué es WordNet?

📚 WordNet es una base de datos léxica que organiza las palabras en conjuntos de sinónimos llamados synsets. Cada synset agrupa palabras con significados similares y las conecta por relaciones jerárquicas.

🔹 Permite explorar:

✅ Sinónimos (palabras equivalentes)
✅ Hipónimos (conceptos más específicos)
✅ Hiperónimos (conceptos más generales)

🔹 Usos comunes en PLN:

🗣️ Desambiguación de palabras
🧩 Categorización de texto
🧠 Análisis semántico

⚙️ 2. Configuración en Google Colab

📍 Pasos básicos para comenzar:

import nltk

nltk.download('omw')

from nltk.corpus import wordnet as wn

💡 Qué hace cada línea:

nltk.download('omw') → descarga recursos multilingües (incluye español)
wn → permite acceder a WordNet desde NLTK

🧩 3. Synsets: grupos de sinónimos

🔸 Definición: Un synset es un conjunto de palabras que comparten un mismo significado o concepto.

🔸 Cómo obtenerlos:

ss = wn.synsets('carro', lang='spa')

for syn in ss:

print(syn.name(), syn.definition())

for name in syn.lemma_names('spa'):

print("*", name)

🔹 Este código:

Busca los synsets asociados a carro.
Muestra su definición y los sinónimos relacionados.

💬 Ejemplo de salida:

car.n.01 vehículo motorizado

* coche

* automóvil

* carro

🔗 4. Relaciones semánticas

WordNet permite navegar entre conceptos de distintas jerarquías.

🟢 Hipónimos → conceptos más específicos

hyponyms = ss[0].hyponyms()

for hyponym in hyponyms:

print(hyponym.name())

📍 Ejemplo: “carro” → automóvil deportivo, camioneta, sedán

🔵 Hiperónimos → conceptos más generales

hypernyms = ss[0].hypernyms()

for hypernym in hypernyms:

print(hypernym.name())

📍 Ejemplo: “carro” → vehículo, medio de transporte

🧭 5. Visualización con grafos

🎨 Visualizar relaciones ayuda a entender mejor la jerarquía entre conceptos.

🧩 Librerías necesarias:

import networkx as nx

import matplotlib.pyplot as plt

🧱 Función para dibujar el grafo:

def draw_graph(graph, labels):

plt.figure(figsize=(10, 8))

pos = nx.spring_layout(graph)

nx.draw(graph, pos, with_labels=True, labels=labels,

node_size=5000, node_color='lightblue',

font_size=10, font_color='black')

plt.show()

📊 Resultado: Una red visual de conceptos conectados, desde los más generales hasta los más específicos.

🚀 6. Aplicaciones prácticas

💡 Dónde usar WordNet:

🔍 Motores de búsqueda: mejora la precisión al usar sinónimos.
🧠 Análisis semántico: interpreta mejor los significados en texto.
🗂️ Clasificación de texto: organiza documentos por contenido.
🗣️ Desambiguación léxica: distingue significados múltiples de una palabra.

Comentarios (23)23 comentarios

Carlos José Manosalva

Hace 6 años

Israel Yance

Gary Torres Martínez

Giocrisrai Godoy Bonillo

Hace 4 años

Giovany samaca

Mitchell Mirano

Kevin Andrés Sossa Valencia

Daniel Hernández

Daniela Morales

Carlos Chavez

Francisco Camacho

Profesor

Gabriel Ichcanziho Pérez Landa

Hace 3 años

Edward Toledo López

Mario Alberto Vásquez Arias

David Pinchao

Jose de Jesus Herrera Ledon

Juan Baquero

Hace 2 años

Rafael Rivera

Gabriel Missael Barco

Hace 5 años

Francisco Garcia [C6]

JOSE MANRIQUE

Américo Agustín Valdazo

Luis Cesar Guadarrama Jimenez

Leandro Alvarez

Introducción al Procesamiento de Lenguaje Natural

Fundamentos del Procesamiento de Lenguaje Natural con Python y NLTK

Evolución y Técnicas del Procesamiento del Lenguaje Natural

Procesamiento del Lenguaje Natural con Python y NLTK

Fundamentos con NLTK

Procesamiento de Lenguaje Natural con Python en Google Colab

Expresiones Regulares en Python: Patrones de Búsqueda Avanzados

Tokenización de Texto con Expresiones Regulares en Python

Estadística para Procesamiento del Lenguaje: Riqueza Léxica y Métricas

Cálculo de frecuencias con NLTK y diccionarios en Python

Filtrado y Visualización de Frecuencias de Palabras con NLTK y NumPy

Estadísticas de Ennegramas y Colocaciones en Textos

Extracción de Ngramas y Bigramas con NLTK en Python

Análisis de Colocaciones con NLTK y Pandas en Python

Visualización de Colocaciones en Textos con Pandas y Plotly

Identificación de Colocaciones en Textos con NLTK y PMI

Recursos Léxicos: Uso y Aplicación en Procesamiento del Lenguaje

Recursos Léxicos en Python: Vocabularios, Frecuencias y Stopwords

Traducción de palabras con Swadesh en procesamiento de lenguaje natural

Uso de WarNet para Procesamiento del Lenguaje Natural

Análisis de Sinsets e Hipónimos con NLTK y WordNet en Google Colab

Medición de Similitud Semántica con WordNet en Python

Extracción y Procesamiento de Texto desde Páginas Web con NLTK

Organización de Código en Google Colab con Funciones y Módulos

Funciones y Buenas Prácticas en Google Colab y Python

Perspectivas de lo que viene

Fundamentos del Procesamiento del Lenguaje Natural con NLTK

Análisis de Sinsets e Hipónimos con NLTK y WordNet en Google Colab

Progreso del curso

Introducción al Procesamiento de Lenguaje Natural

Fundamentos con NLTK

Perspectivas de lo que viene

Recursos

Recursos