Hugging Face's logo

Spaces:
AIdeaText
/
v4
Running

App Files Community
v4
File size: 2,565 Bytes 
5203a97
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
46c149e
 
 
 
5203a97
46c149e
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
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
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
 
import streamlit as st
import spacy
import networkx as nx
import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from .semantic_analysis import (
    create_concept_graph,
    visualize_concept_graph,
    identify_key_concepts,
    POS_COLORS,
    POS_TRANSLATIONS,
    ENTITY_LABELS
)

def compare_semantic_analysis(text1, text2, nlp, lang):
    """
    Realiza el análisis semántico comparativo entre dos textos
    """
    doc1 = nlp(text1)
    doc2 = nlp(text2)

    # Identificar conceptos clave para ambos documentos
    key_concepts1 = identify_key_concepts(doc1)
    key_concepts2 = identify_key_concepts(doc2)

    # Crear grafos de conceptos para ambos documentos
    G1 = create_concept_graph(doc1, key_concepts1)
    G2 = create_concept_graph(doc2, key_concepts2)

    # Visualizar los grafos de conceptos
    fig1 = visualize_concept_graph(G1, lang)
    fig2 = visualize_concept_graph(G2, lang)

    # Remover los títulos superpuestos
    fig1.suptitle("")
    fig2.suptitle("")

    return fig1, fig2, key_concepts1, key_concepts2

def create_concept_table(key_concepts):
    """
    Crea una tabla de conceptos clave con sus frecuencias
    """
    df = pd.DataFrame(key_concepts, columns=['Concepto', 'Frecuencia'])
    df['Frecuencia'] = df['Frecuencia'].round(2)
    return df

def perform_discourse_analysis(text1, text2, nlp, lang):
    """
    Realiza el análisis completo del discurso
    """
    try:
        # Procesar documentos
        doc1 = nlp(text1)
        doc2 = nlp(text2)

        # Identificar conceptos clave
        key_concepts1 = identify_key_concepts(doc1)
        key_concepts2 = identify_key_concepts(doc2)

        # Crear grafos de conceptos
        G1 = create_concept_graph(doc1, key_concepts1)
        G2 = create_concept_graph(doc2, key_concepts2)

        # Visualizar grafos
        fig1 = visualize_concept_graph(G1, lang)
        fig2 = visualize_concept_graph(G2, lang)
        fig1.suptitle("")
        fig2.suptitle("")

        # Crear tablas
        table1 = create_concept_table(key_concepts1)
        table2 = create_concept_table(key_concepts2)

        return {
            'graph1': fig1,
            'graph2': fig2,
            'key_concepts1': key_concepts1,
            'key_concepts2': key_concepts2,
            'table1': table1,
            'table2': table2,
            'success': True
        }

    except Exception as e:
        logger.error(f"Error en análisis del discurso: {str(e)}")
        return {
            'success': False,
            'error': str(e)
        }