NLP-DGO — Clasificador de Géneros Audiovisuales

Pipeline NLP híbrido para clasificación multilabel de géneros a partir de la sinopsis de películas y series. Combina embeddings semánticos (all-MiniLM-L6-v2) con TF-IDF sobre lemmas extraídos con spaCy, alimentando un clasificador OneVsRest por género. Incluye una interfaz interactiva con Streamlit.

---

Equipo

• Luis Jorge García Camargo
• Luis Eduardo Uribe
• Felipe Barreto Patiño

Proyecto — DevOps, Maestría en Inteligencia Artificial

---

Estructura del proyecto

DevOps_Genre_Class/
├── .github/
│   └── workflows/
│       └── ci.yml           # Workflow de CI: lint (ruff), imports y tests (pytest) en cada push/PR
├── app.py                   # Aplicación Streamlit (3 tabs: intro, métricas, predicción)
├── train.py                 # Script de entrenamiento — genera los artefactos en models/
├── src/
│   ├── __init__.py
│   ├── preprocessing.py     # Pipeline de preprocesamiento con spaCy
│   └── model_utils.py       # Carga de artefactos y función de predicción
├── tests/
│   ├── __init__.py
│   ├── test_preprocessing.py   # Pruebas unitarias de normalize_text() y preprocess_text()
│   └── test_model_utils.py     # Pruebas unitarias de models_exist() y predict_genres() (con mocks)
├── notebooks/
│   ├── KLUSTERS.xlsx                                    # Dataset principal
│   ├── Test_of_AUDIOVISUAL_Class_NLP.ipynb              # Notebook de experimentación
│   ├── Last_resultados_modelo_hibrido_embeddings_tfidf.csv
│   └── thresholds_por_genero.csv
├── models/                  # Artefactos entrenados (generados por train.py, no en git)
├── .gitignore
├── .python-version
├── pyproject.toml           # Incluye dependencias de dev: pytest, ruff
├── uv.lock
└── README.md

---

Guía de instalación y ejecución

Requisitos previos

Instalar uv (gestor de paquetes y entornos de Python):

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

Cerrar y volver a abrir la terminal para actualizar el PATH, luego verificar:

uv --version

---

Paso 1 — Clonar el repositorio

git clone <URL-del-repo>
cd nlp-dgo

---

Paso 2 — Crear el entorno e instalar dependencias

uv sync

Crea automáticamente el .venv e instala todas las dependencias del pyproject.toml, incluyendo spaCy, SentenceTransformers, Streamlit y el modelo de inglés en_core_web_sm.

La primera vez puede tardar unos minutos descargando paquetes.

---

Paso 3 — Entrenar el modelo

uv run python train.py

Este script carga el dataset, genera embeddings, entrena el clasificador, ajusta los thresholds por género y guarda los artefactos en models/. Solo se ejecuta una vez.

Tarda entre 5 y 15 minutos dependiendo del hardware.

---

Paso 4 — Lanzar la aplicación Streamlit

uv run streamlit run app.py

Abre automáticamente el navegador en http://localhost:8501.

---

Resumen rápido

git clone <URL-del-repo>
cd nlp-dgo
uv sync
uv run python train.py
uv run streamlit run app.py

---

Seleccionar el intérprete en VS Code (opcional)

1. Ctrl + Shift + P → Python: Select Interpreter
2. Elegir .venv\Scripts\python.exe dentro de la carpeta del proyecto

---

Solución de problemas comunes

Problema	Solución
uv: command not found	Reiniciar la terminal tras instalar uv
Error al importar spaCy	Verificar que uv sync completó sin errores
models/ no encontrado al abrir Streamlit	Ejecutar train.py primero
Puerto 8501 ocupado	uv run streamlit run app.py --server.port 8502