Update README.md

README.md

@@ -1,3 +1,62 @@
----
-license: mit
----
+---
+tags:
+- opinion-classifier
+- text-classification
+- transformers
+- gradio
+---
+
+# Clasificador de Opiniones Multietiqueta
+
+Este módulo utiliza modelos de Transformers para preprocesar y clasificar opiniones en múltiples etiquetas como queja, sugerencia, agradecimiento, felicitación, ninguna y cambio positivo personal.
+
+## Descripción
+
+Explica brevemente qué hace tu modelo, los datos en los que fue entrenado, y cualquier otra información relevante.
+
+## Cómo usar
+
+Aquí hay un ejemplo de cómo cargar y usar el modelo:
+
+```python
+import pickle
+from huggingface_hub import hf_hub_download
+import ftfy
+import re
+import torch
+import numpy as np
+from transformers import DistilBertTokenizer, DistilBertModel
+
+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
+
+clasificador = ClasificadorOpiniones()
+texto = "me gustó mucho, tengo más confianza en mí misma, ¡gracias!"
+print(clasificador.clasificar_opinion(texto))