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 13:47] hlavacova |
khresmoi:data_notes [2012/02/29 14:01] hlavacova |
||
---|---|---|---|
Line 9: | Line 9: | ||
===== Coppa ===== | ===== Coppa ===== | ||
- | |||
Corpus Of Parallel Patent Applications | Corpus Of Parallel Patent Applications | ||
Dostali jsme na DVD na vyžádání. | Dostali jsme na DVD na vyžádání. | ||
Line 17: | Line 16: | ||
* nesegmentované - každý patent má 2 záznamy: jméno a abstract, obojí v EN i FR, tedy alignment podle paragrafu (odhad) | * 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. | 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 | ||
+ | |||
+ | ===== korpus Europarl ===== | ||
+ | 8-) | ||
+ | http:// | ||
+ | wc europarl-v6.fr-en.* | ||
+ | 1825077 | ||
+ | 1825077 | ||
+ | Stažený nástroj na alignment. | ||
+ | |||
+ | ===== HON certified web sites ===== | ||
+ | 8-) | ||
+ | asi změť všeho možného. | ||
+ | Počet stránek, ale ruznorodych, | ||
+ | egrep " | ||
+ | Asi tam jsou i různé úrovně " | ||
+ |