[ Skip to the content ]

Institute of Formal and Applied Linguistics Wiki


[ Back to the navigation ]

This is an old revision of the document!


Table of Contents

Khresmoi

Medical Information Analysis & Retrieval
http://www.khresmoi.eu/

People and contacts


Data

MT training data available for KHRESMOI

Corpus Source Domain EN-FR EN-DE alignment EN FR DE Note
TDA translation memory TDA in 13517 Kw 6797 Kw sent tda
CESTA Evaluation Package ELRA in 38 Kw sent cesta
EQueR Evaluation Package ELRA in 140 MiB equer
CESART Evaluation Package ELRA in 9000 Kw cesart
French Gigaword LDC news 863 Kw french-gigaword
Acquis JRC law 1,25 Ms 1,33 Ms sent jrc :!:
EMEA European Medicines Agency in 373 Ks 12 Mw 26.34 Mw 14.9Mw emea
MESH U.S. National Library of Medicine in 838 kw mesh*
OrphaNet OrphaNet in ? Wien will do
Europarl WMT12 parl 1.8Ms 1.7Ms sent europarl
News Commentary WMT12 news 43ks 60ks sent news-commentary
News monolingual WMT12 news 181kw 147kw 162kw wmt-news
United Nations WMT12 un 12.3Ms undoc
French-English 109 corpus WMT12 web 22.5Ms sent DONE
Medpedia wiki Medpedia in ? only EN found
Corpus Of Parallel Patent Applications (Coppa) WIPO in 24,8Mw = 1,2Ms sent :?: JHla
Corpus Of Parallel Patent Applications (Coppa) WIPO in 33,5Mw par wipo
Corpus Of Parallel Patent Applications (Coppa) WIPO tech 153,8Mw = 7,5Ms sent :?: JHla
Corpus Of Parallel Patent Applications (Coppa) WIPO tech 178,8Mw par wipo
MAREC Wien TU in ? ? ? viz níže
Springer Bilingual Corpus much.more in 1.09 Mw sent 8-) JB
Europarl3 OPUS 1.3 Ms sent neni poreba
OpenSubtitles2011 OPUS 5 Ms sent 8-) JB
Vysvětlivky

k, M … thousand, milion
w, s, f … words, sentences, files (for parallel data only source (English) words are counted)
* viz podrobnější info v podsekcích
Sloupec Note obsahuje název podadresáře /net/data/khresmoi, kde je uložen výsledek
8-) stažená data, ale nezpracovaná
:?: nevíme, jestli chceme
:-? chceme stahovat, ale zatím nevíme, jak na to … z různých příčin
8-O čekáme na data
:!: nějaký problém, podrobněji v poznámkách - prokliknout z prvního sloupce

Poznámky k datům

Zdroje

MAREC
A61 (MEDICAL OR VETERINARY SCIENCE; HYGIENE): 1.589,849 files
Nevím, kolik slov, není to v jednolitém balíku.
Na žádost o přístup odpověděli:
the IRF is not granting access to the MAREC collection anymore. However, the access for research purposes should be possible in a foreseeable future via the Vienna University of Technology - Allan will certainly come back to you when the legal status is cleared.

Coppa
IPC: A61, C12N, C12P … medical patents (doporučeno od WIPO)
Patenty členěny podle roku, ve dvou verzích:

Khresmoi wiki
http://wiki.khresmoi.eu/index.php5/Data_sets_used
http://wiki.khresmoi.eu/index.php5/Data_sets

www stranka WMT workshopu
http://www.statmt.org/wmt12/
http://www.statmt.org/wmt11/translation-task.html … tady je to vsecko pohromade

korpus OPUS
http://opus.lingfil.uu.se/

ELDA

Objednali jsme několik balíčků s in-domain daty (EN-FR, FR)

TDA

Máme kredit na stažení 1 mld. slov. Zatím stažena EN-FR, EN-DE in-domain data.

LDC

Paralelní data

EN-FR
EN-DE

Mono data

FR
DE
EN


Dokumenty


Úložiště

/net/data/khresmoi



[ Back to the navigation ] [ Back to the content ]