Estadísticas de Ennegramas y Colocaciones en Textos

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

0:004:25

Estadísticas de Ennegramas y Colocaciones en Textos

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

Clase 10 de 24

Clase 10 / 24

Recursos

Comprender cómo las palabras se relacionan entre sí dentro de un texto es fundamental para cualquier tarea de procesamiento del lenguaje natural. Más allá de contar palabras individuales, existen estructuras que revelan patrones ocultos en el uso real del idioma: los n-gramas y las colocaciones.

¿Qué son los n-gramas y cómo se calculan?

Un n-grama es una secuencia de n palabras consecutivas extraídas de un texto, donde n puede ser dos o más [00:22]. Esta estructura permite analizar combinaciones de palabras en lugar de palabras aisladas, lo que ofrece un procesamiento mucho más preciso del lenguaje.

Tomando como ejemplo la frase «Estoy aprendiendo cosas increíbles», se pueden extraer diferentes tipos de n-gramas:

¿Cómo funcionan los bigramas?

Un bigrama es un n-grama donde n es igual a dos. De la frase de ejemplo se obtienen tres bigramas [00:42]:

("estoy", "aprendiendo").
("aprendiendo", "cosas").
("cosas", "increíbles").

Cada bigrama se representa como una tupla en notación Python, donde el primer y segundo elemento son palabras consecutivas del texto.

¿Qué son los trigramas?

Cuando n es igual a tres, hablamos de trigramas, es decir, secuencias de tres palabras consecutivas [01:11]. De la misma frase se extraen dos trigramas:

("estoy", "aprendiendo", "cosas").
("aprendiendo", "cosas", "increíbles").

A partir de aquí, el concepto se extiende de forma natural a estructuras de cuatro, cinco o más palabras. La lógica siempre es la misma: una ventana deslizante de tamaño n recorre el texto capturando combinaciones consecutivas.

¿Qué son las colocaciones en lingüística computacional?

Las colocaciones son un concepto más complejo y, paradójicamente, difícil de definir con precisión [01:39]. Se trata de combinaciones de palabras que aparecen juntas con una frecuencia inusualmente alta, sin que exista una regla gramatical que lo justifique.

Esta idea proviene de Firth, un lingüista que publicó en los años cincuenta y sesenta. En su trabajo titulado Modes in Meaning, definió las colocaciones como sentencias que indican los lugares que una palabra acostumbra a tomar en el lenguaje, sin seguir reglas aparentes [02:04].

¿Por qué las colocaciones dependen de la cultura?

Para ilustrar el concepto, consideremos dos frases [02:28]:

«Le dieron ganas de dormir» — suena natural.
«Le introdujeron ganas de dormir» — suena extraña.

Ambas intentan comunicar lo mismo. No existe una regla gramatical del español que haga incorrecta la segunda opción, pero por razones culturales la primera es la forma habitual en muchas variantes del español latinoamericano [03:06]. Técnicamente, ambas usan el verbo en un sentido no literal, pero el uso de «dieron» resulta mucho más frecuente.

Otro ejemplo revelador es la expresión «ventilar secretos» [03:28], que significa contar información que debía mantenerse en reserva. La palabra «ventilar» en su significado formal no tiene relación con compartir información, pero el uso cultural la ha convertido en parte de esta colocación.

¿Cómo se identifican colocaciones con programación?

El hecho de que las colocaciones estén basadas en tendencias culturales hace que sea difícil establecer reglas estrictas para detectarlas manualmente [04:02]. Sin embargo, existen métodos estadísticos y matemáticos que permiten identificarlas de forma numérica mediante programación.

Estas estadísticas miden qué tan probable es que dos o más palabras aparezcan juntas en comparación con lo que se esperaría por azar. Cuando la frecuencia observada supera significativamente la esperada, es un indicador de que estamos ante una colocación.

Comprender estos dos conceptos —n-gramas como herramienta de segmentación y colocaciones como fenómeno lingüístico— abre la puerta a análisis de texto mucho más sofisticados. ¿Has encontrado colocaciones curiosas en tu idioma que no tienen explicación gramatical? Comparte tus ejemplos.

Gabriel Obregón

Hace un año

🧠ENNEGRAMAS Y COLOCACIONES

🔹 1. Ennegramas: qué son y para qué sirven

📖 Definición: Los ennegramas son secuencias de n palabras consecutivas dentro de un texto. Sirven para analizar patrones y entender cómo se conectan las palabras.

✨ Aplicaciones principales:

➡ Análisis de sentimientos

➡ Traducción automática

➡ Generación de texto

➡ Predicción de palabras

🧩 Tipos de ennegramas (según el valor de n):

Bigramas (n = 2) → dos palabras seguidas
Trigramas (n = 3) → tres palabras seguidas
Tetragramas / Pentagramas (n = 4 o 5) → secuencias más largas

💡 2. Ejemplo práctico

📚 Frase base:

👉 “Estoy aprendiendo cosas increíbles.”

🔸 Bigramas (2 palabras):

➡ (“estoy”, “aprendiendo”)

➡ (“aprendiendo”, “cosas”)

➡ (“cosas”, “increíbles”)

🔹 Trigramas (3 palabras):

➡ (“estoy”, “aprendiendo”, “cosas”)

➡ (“aprendiendo”, “cosas”, “increíbles”)

💬 Interpretación:

Cada secuencia revela cómo se agrupan las ideas dentro de una oración.

Cuanto mayor sea n, más contexto lingüístico se capta.

💬 3. Colocaciones: combinaciones naturales de palabras

🗣️ Definición: Las colocaciones son palabras que suelen ir juntas con más frecuencia de lo esperado. No siguen reglas gramaticales, sino patrones de uso cultural o idiomático.

🌎 Ejemplos reales:

✅ Le dieron ganas de dormir

❌ Le introdujeron ganas de dormir

✅ Ventilar secretos → significa revelar secretos

💭 Estas combinaciones suenan naturales porque reflejan cómo los hablantes usan el idioma en la práctica.

🧠 4. Cómo detectar colocaciones con programación

🔍 Identificarlas es un reto, pero la estadística y la programación ayudan a descubrir patrones de uso.

⚙️ Métodos más usados:

🔢 Frecuencia de palabras: contar cuántas veces aparecen.
🔗 Co-ocurrencia: medir qué palabras aparecen juntas y con qué frecuencia.
📊 Modelos probabilísticos: calcular la probabilidad de que ciertas palabras coexistan más de lo esperado por azar.

🤖 Objetivo: Permitir que las máquinas aprendan combinaciones naturales de palabras y mejoren su comprensión del lenguaje humano.

Comentarios (14)14 comentarios

Gersonrpq

Hace 7 años

Geraldine León

Hace 6 años

Gabriel Missael Barco

Hace 5 años

Alfredo Gómez Delgado

Oyarzabal Ivan

Felipe Andres Torres Haro

Diego Alejandro Lesmes

Max Baldiviezo

Daniel Andres Rojas Paredes

Jhonntan Andres Castaño Rojas

Tania Sosa

Joalin Pineda

Jhon Freddy Tavera Blandon

Hace 2 años

Sebastian Gaviria

Hace 3 años

David E Marquez S

Hace 4 años

jimmy ibañez

German Homero Moran Figueroa

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

Estadísticas de Ennegramas y Colocaciones en Textos

Progreso del curso

Introducción al Procesamiento de Lenguaje Natural

Fundamentos con NLTK

Perspectivas de lo que viene

Recursos

Recursos