PENCR/clasif-gen5a-gen5b

Clasificación jerárquica de propuestas (es)

Modelo jerárquico que clasifica propuestas de política pública en 7 temas y, dentro de cada uno, en 49 subtemas.

Construido sobre bertin-project/bertin-roberta-base-spanish, añadiendo:

• Una rama de Bag-of-Words con HashingVectorizer (1024 features).
• Una feature de log-longitud del texto (solo en el modelo principal).
• Cabezas multi-label independientes para tema y para cada submodelo de subtemas.

Uso rápido

from transformers import pipeline

clf = pipeline("clasif-propuestas", model="PENCR/clasif-gen5a-gen5b",
               trust_remote_code=True)

clf("Promover cooperativas comunales para reciclaje y economía circular.")

Salida:

[
  {
    "tema": "TEMA_4_MEDIO_AMBIENTE",
    "prob_tema": 0.93,
    "subtemas": [
      {"nombre": "SUBTEMA_39_USO_DE_LOS_RECURSOS", "prob": 0.81},
      {"nombre": "SUBTEMA_36_CONSERVACION", "prob": 0.42},
      ...
    ]
  },
  {"tema": "TEMA_2_ECONOMIA_Y_EMPLEO", "prob_tema": 0.31, "subtemas": [...]},
  ...
]

Lista ordenada de mayor a menor prob_tema. Las probabilidades vienen de sigmoids independientes (multi-label), no suman 1.

Parámetros opcionales

clf(texto, return_format="flat")     # filas planas tema/subtema
clf(texto, top_k_temas=3)            # solo los 3 temas más probables

Temas

idx	Etiqueta	# subtemas
0	TEMA_1_POBREZA_Y_DESIGUALDAD	10
1	TEMA_2_ECONOMIA_Y_EMPLEO	12
2	TEMA_3_GESTION_POLITICA	11
3	TEMA_4_MEDIO_AMBIENTE	5
4	TEMA_5_SOLVENCIA_DEL_ESTADO	5
5	TEMA_6_CONVIVENCIA_SOCIAL	5
6	TEMA_7_OTRO	0 (sin submodelo)

Los nombres completos de subtemas están en labels.py.

Detalles del modelo

• Backbone: bertin-project/bertin-roberta-base-spanish (RoBERTa, 768 dim)
• Longitud máxima: 256 tokens
• Loss de entrenamiento: BCEWithLogitsLoss multi-label
• Total de parámetros: ~7 × 125 M (todos los submodelos comparten arquitectura)
• Tamaño en disco: ~3.4 GB en safetensors

Hardware sugerido

Setup	Tiempo por predicción
GPU NVIDIA	~0.2 s
Apple Silicon M1 (MPS+FP16)	~0.8–1.5 s
CPU	~5–10 s

Limitaciones

• Inferencia jerárquica corre todos los submodelos siempre (no hay poda por probabilidad de tema).
• TEMA_7_OTRO no tiene submodelo: devuelve un placeholder.
• Probabilidades en FP16 (MPS) pueden variar ~1e-3 vs FP32.

Cita

@misc{clasificacion_propuestas,
  title  = {Clasificación jerárquica de propuestas (es)},
  author = {Equipo del proyecto},
  year   = {2026},
}