Differences
This shows you the differences between two versions of the page.
Next revision | Previous revision Next revision Both sides next revision | ||
khresmoi:data_notes [2012/02/29 09:56] hlavacova vytvořeno |
khresmoi:data_notes [2012/02/29 14:00] hlavacova |
||
---|---|---|---|
Line 2: | Line 2: | ||
===== JRC-Aquis ===== | ===== JRC-Aquis ===== | ||
+ | http:// | ||
+ | http:// | ||
Data z **JRC-Aquis** se během posledních několika týdnů změnila, takže nejsou kompatibilní se skriptem, který je k nim dodáván, ten se nezměnil. Měla jsem zálohovaná data z páru fr-en, tak jsem je zpracovala, jsou na svém místě. V adresáři original jsou i ostatní data, tj. pro páry de-en a cs-en, ale nejsou zpracovaná, | Data z **JRC-Aquis** se během posledních několika týdnů změnila, takže nejsou kompatibilní se skriptem, který je k nim dodáván, ten se nezměnil. Měla jsem zálohovaná data z páru fr-en, tak jsem je zpracovala, jsou na svém místě. V adresáři original jsou i ostatní data, tj. pro páry de-en a cs-en, ale nejsou zpracovaná, | ||
Zpracování fr-en jsem provedla " | Zpracování fr-en jsem provedla " | ||
- | Z porovnání obou paralelních fr-en dat usuzuji, že na ně byl použit jiný aligner. | + | Z porovnání obou paralelních fr-en dat usuzuji, že na ně byl použit jiný aligner. |
+ | |||
+ | ===== Coppa ===== | ||
+ | Corpus Of Parallel Patent Applications | ||
+ | Dostali jsme na DVD na vyžádání. | ||
+ | IPC: A61, C12N, C12P ... medical patents (doporučeno od WIPO) | ||
+ | Patenty členěny podle roku, ve dvou verzích: | ||
+ | * segmentované podle vět, ale menší - viz tabulka. Některé patenty chybí zcela, některé jsou zkráceny. | ||
+ | * nesegmentované - každý patent má 2 záznamy: jméno a abstract, obojí v EN i FR, tedy alignment podle paragrafu (odhad) | ||
+ | Zatím jsem udělala jen ty nesegmentované. | ||
+ | |||
+ | ===== 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.// | ||
+ | |||
+ | ===== TDA ===== | ||
+ | Pharmaceuticals and Biotechnology | ||
+ | |||
+ | en-GB → fr-FR: 13,033,584 slov | ||
+ | fr-FR → en-GB 483,610 slov | ||
+ | |||
+ | Staženo, TMX format, kvalita zatím neověřena (PP) | ||
+ | Máme kredit na stažení 1 mld. slov. Zatím stažena EN-FR, EN-DE in-domain data. | ||
+ | |||
+ | ===== EMEA ===== | ||
+ | 8-) | ||
+ | Zdroj: http:// | ||
+ | **en-fr.tmx.gz** ... alignovana data - download translation memory files (TMX), 373 152 sentence pairs | ||
+ | **en-fr.xml.gz** ... sentence alignments in XCES format | ||
+ | **en-fr.txt.zip** ... jen angl. texty o lécich - vypadá to jako příbalové letáky 1 092 568 sentences, 26,34M words, download plain text files (MOSES/ | ||
+ | Adresář **fr** obsahuje francouzské texty, snad paralelní k en-fr.txt.zip (ověřím), | ||
+ | |||
+ | ===== Orphanet ===== | ||
+ | :-? | ||
+ | info na Kh wiki: http:// | ||
+ | orig. stránka: http:// | ||
+ | Není to žádný kompaktní balík, to se bude muset prolejzat. | ||
+ | Navíc nejsou jasné podmínky, HON negotiates | ||
+ | Vyslán dotaz, zda už to někdo nestáhnul | ||
+ | |||
+ | ===== HON certified web sites ===== | ||
+ | 8-) | ||
+ | asi změť všeho možného. | ||
+ | Počet stránek, ale ruznorodych, | ||
+ | egrep " | ||
+ | Asi tam jsou i různé úrovně " |