Skip to content

💬 Unidad 1. Fundamentos del Procesamiento de Lenguaje Natural

El Procesamiento de Lenguaje Natural (NLP) es una disciplina en la intersección de la lingüística, la informática y la inteligencia artificial. Su objetivo es permitir que las máquinas comprendan, interpreten y generen lenguaje humano de forma útil.

1.1. ¿Qué es el NLP?

El NLP abarca un amplio rango de tareas computacionales que involucran el lenguaje humano:

  • Comprensión: Extraer significado del texto (clasificación, extracción de entidades, análisis de sentimientos).
  • Generación: Crear texto coherente (chatbots, resúmenes, traducción).
  • Transformación: Convertir texto de una forma a otra (corrección ortográfica, parafraseo).

¿Por qué es difícil?

El lenguaje humano presenta desafíos únicos para las máquinas:

  • Ambigüedad: Una palabra puede tener múltiples significados ("banco" puede ser una institución financiera o un asiento).
  • Contexto: El significado cambia según el contexto ("Hace frío" vs "Es un tipo frío").
  • Variabilidad: Sinónimos, jerga, errores ortográficos, diferentes idiomas.
  • Conocimiento implícito: Los humanos entienden ironía, sarcasmo y referencias culturales.

1.2. Pipeline Típico de NLP

Un proyecto de NLP generalmente sigue estos pasos:

Texto Crudo → Preprocesamiento → Representación Vectorial → Modelo ML/DL → Salida
  1. Adquisición de Datos: Obtener el corpus de texto (scraping, APIs, datasets públicos).
  2. Preprocesamiento: Limpiar y normalizar el texto.
  3. Representación: Convertir texto a números (vectores).
  4. Modelado: Aplicar algoritmos de ML o Deep Learning.
  5. Evaluación: Medir el rendimiento con métricas apropiadas.
  6. Despliegue: Poner el modelo en producción.

1.3. Preprocesamiento de Texto

El preprocesamiento es crucial para reducir el ruido y normalizar el texto.

Tokenización

Dividir el texto en unidades más pequeñas llamadas tokens (palabras, subpalabras o caracteres).

import nltk
nltk.download('punkt')
from nltk.tokenize import word_tokenize, sent_tokenize

texto = "El NLP es fascinante. Permite crear chatbots increíbles."

# Tokenización por oraciones
oraciones = sent_tokenize(texto, language='spanish')
print(oraciones)
# ['El NLP es fascinante.', 'Permite crear chatbots increíbles.']

# Tokenización por palabras
palabras = word_tokenize(texto, language='spanish')
print(palabras)
# ['El', 'NLP', 'es', 'fascinante', '.', 'Permite', 'crear', 'chatbots', 'increíbles', '.']

Normalización de Texto

  • Lowercasing: Convertir todo a minúsculas para que "Casa" y "casa" sean iguales.
  • Eliminación de puntuación y caracteres especiales.
  • Eliminación de números (si no son relevantes).
  • Eliminación de espacios extra.
import re

def normalizar_texto(texto):
    # Minúsculas
    texto = texto.lower()
    # Eliminar caracteres especiales (mantener letras, números y espacios)
    texto = re.sub(r'[^a-záéíóúüñ0-9\s]', '', texto)
    # Eliminar espacios múltiples
    texto = re.sub(r'\s+', ' ', texto).strip()
    return texto

print(normalizar_texto("¡Hola! ¿Cómo estás???  Muy   bien."))
# 'hola cómo estás muy bien'

Stop Words

Las stop words son palabras muy comunes que generalmente no aportan significado semántico (artículos, preposiciones, conjunciones).

from nltk.corpus import stopwords
nltk.download('stopwords')

stop_words = set(stopwords.words('spanish'))
print(list(stop_words)[:10])
# ['al', 'algo', 'algunas', 'algunos', 'ante', 'antes', 'como', 'con', 'contra', 'cual']

palabras_filtradas = [w for w in palabras if w.lower() not in stop_words]
print(palabras_filtradas)

Stemming vs Lematización

Ambas técnicas reducen las palabras a su forma base, pero de forma diferente:

  • Stemming: Corta la palabra de forma heurística para obtener su raíz. Es rápido pero puede producir raíces que no son palabras reales ("correr", "corriendo" → "corr").
from nltk.stem import SnowballStemmer

stemmer = SnowballStemmer('spanish')
palabras = ["corriendo", "corrí", "correr", "corredores"]
stems = [stemmer.stem(p) for p in palabras]
print(stems)
# ['corr', 'corr', 'corr', 'corred']
  • Lematización: Utiliza un diccionario para encontrar el lema (forma canónica) de la palabra. Es más preciso pero más lento ("corriendo" → "correr").
import spacy

nlp = spacy.load('es_core_news_sm')
doc = nlp("Los perros estaban corriendo por el parque")
lemmas = [token.lemma_ for token in doc]
print(lemmas)
# ['el', 'perro', 'estar', 'correr', 'por', 'el', 'parque']

1.4. Bibliotecas Fundamentales de NLP

Biblioteca Descripción Fortalezas
NLTK Natural Language Toolkit. La biblioteca clásica para aprender NLP. Educativa, muchos recursos, corpus incluidos.
spaCy Biblioteca industrial de NLP. Rápida, pipelines preentrenados, NER, POS.
Transformers (Hugging Face) Modelos de lenguaje preentrenados (BERT, GPT, etc.). Estado del arte, fácil uso, muchos modelos.
Gensim Especializada en modelado de tópicos y embeddings. Word2Vec, Doc2Vec, LDA.
TextBlob Interfaz simple para tareas comunes de NLP. Fácil de usar, análisis de sentimientos.

Ejemplo Completo con spaCy

import spacy

# Cargar modelo en español
nlp = spacy.load('es_core_news_sm')

texto = "Apple está buscando comprar una startup del Reino Unido por 1.000 millones de dólares."
doc = nlp(texto)

# Tokenización automática
print("Tokens:", [token.text for token in doc])

# Part-of-Speech Tagging (Etiquetado gramatical)
print("\nPOS Tagging:")
for token in doc:
    print(f"  {token.text}: {token.pos_} ({token.dep_})")

# Named Entity Recognition (NER)
print("\nEntidades:")
for ent in doc.ents:
    print(f"  {ent.text}: {ent.label_}")
# Apple: ORG, Reino Unido: LOC, 1.000 millones de dólares: MONEY

1.5. Tareas Comunes de NLP

El campo del NLP abarca muchas tareas específicas:

Clasificación de Texto

Asignar una categoría a un documento.

  • Análisis de Sentimientos: Positivo / Negativo / Neutral.
  • Detección de Spam: Spam / No Spam.
  • Clasificación de Noticias: Deportes / Política / Tecnología.

Extracción de Información

  • Named Entity Recognition (NER): Identificar personas, lugares, organizaciones, fechas.
  • Extracción de Relaciones: Encontrar relaciones entre entidades ("Apple" - adquirió - "Startup").

Generación de Texto

  • Resumen Automático: Crear versiones cortas de textos largos.
  • Traducción Automática: Convertir texto entre idiomas.
  • Chatbots: Generar respuestas conversacionales.
  • Completado de Texto: GPT, modelos de lenguaje.

Similitud y Búsqueda

  • Búsqueda Semántica: Encontrar documentos similares por significado.
  • Question Answering (QA): Responder preguntas basándose en un contexto.

1.6. Datasets Populares en NLP

Dataset Descripción Tarea
IMDB Reviews 50,000 reseñas de películas Análisis de sentimientos
AG News 120,000 artículos de noticias Clasificación de texto
SQuAD Preguntas sobre artículos de Wikipedia Question Answering
GLUE / SuperGLUE Benchmark de múltiples tareas Evaluación de modelos
CoNLL-2003 Corpus anotado con entidades NER

1.7. Consideraciones Éticas en NLP

El NLP plantea importantes cuestiones éticas:

  • Sesgo en los Datos: Los modelos pueden perpetuar sesgos de género, raza o cultura presentes en los datos de entrenamiento.
  • Privacidad: Los modelos entrenados pueden memorizar información sensible.
  • Desinformación: La generación de texto puede usarse para crear fake news.
  • Interpretabilidad: Los modelos de Deep Learning son "cajas negras".

Es responsabilidad del profesional ser consciente de estos riesgos y tomar medidas para mitigarlos.

📅 Fecha de creación: Enero 2026
✍️ Autor: Fran García