Differences
This shows you the differences between two versions of the page.
Both sides previous revision Previous revision Next revision | Previous revision Next revision Both sides next revision | ||
khresmoi:data_notes [2012/02/29 10:00] hlavacova |
khresmoi:data_notes [2012/02/29 13:51] hlavacova |
||
---|---|---|---|
Line 7: | Line 7: | ||
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. V tom ale problém asi nebude, spíš je formát dat nekompatibililní se skriptem. | Z porovnání obou paralelních fr-en dat usuzuji, že na ně byl použit jiný aligner. V tom ale problém asi nebude, spíš je formát dat nekompatibililní se skriptem. | ||
+ | |||
+ | ===== 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 ===== | ||
+ | Máme kredit na stažení 1 mld. slov. Zatím stažena EN-FR, EN-DE in-domain data. | ||
+ |