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 14:00] hlavacova |
khresmoi:data_notes [2012/02/29 14:25] hlavacova |
||
---|---|---|---|
Line 4: | Line 4: | ||
http:// | http:// | ||
http:// | http:// | ||
+ | vseobecna data, ne med | ||
+ | podle návodu jsem (leden 2012) udělala paralelní korpus ze stažených dat: | ||
+ | perl getAlignmentWithText.pl jrc-en-fr.xml > alignedCorpus_en_fr.xml | ||
+ | ALE | ||
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. 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. | ||
+ | |||
+ | |||
+ | http:// | ||
+ | podle návodu jsem udělala paralelní korpus ze stažených dat: | ||
+ | perl getAlignmentWithText.pl jrc-en-fr.xml > alignedCorpus_en_fr.xml | ||
+ | |||
+ | pocet anglickych vet: | ||
+ | egrep " | ||
+ | |||
+ | pocet francouzskych vet: | ||
+ | egrep " | ||
+ | |||
+ | egrep " | ||
+ | * 1228037 type=" | ||
+ | * 14162 type=" | ||
+ | * 6607 type=" | ||
+ | * 1284 type=" | ||
+ | celkem 1 250 090 linků | ||
+ | |||
+ | ===== ELDA ===== | ||
+ | **ELRA-E0020, | ||
+ | |||
+ | Subpart: English-French parallel corpus from the second campagne data. Includes an adaptation corpus of 19,383 English words and 22,741 French words + a test corpus of 18,880 English words and 23,411 French words | ||
+ | |||
===== Coppa ===== | ===== Coppa ===== | ||
Line 28: | Line 56: | ||
en-GB → fr-FR: 13,033,584 slov | en-GB → fr-FR: 13,033,584 slov | ||
fr-FR → en-GB 483,610 slov | fr-FR → en-GB 483,610 slov | ||
+ | en-GB → de-DE: 412,406 | ||
+ | de-DE → en-GB: 6, | ||
Staženo, TMX format, kvalita zatím neověřena (PP) | Staženo, TMX format, kvalita zatím neověřena (PP) | ||
Line 47: | Line 77: | ||
Navíc nejsou jasné podmínky, HON negotiates | Navíc nejsou jasné podmínky, HON negotiates | ||
Vyslán dotaz, zda už to někdo nestáhnul | Vyslán dotaz, zda už to někdo nestáhnul | ||
+ | |||
+ | ===== Europarl ===== | ||
+ | 8-) | ||
+ | http:// | ||
+ | wc europarl-v6.fr-en.* | ||
+ | 1825077 | ||
+ | 1825077 | ||
+ | Stažený nástroj na alignment. | ||
+ | |||
+ | ===== much.more ===== | ||
+ | 8-) | ||
+ | Alignované abstrakty medicínských článů, staženo, >1 Mw | ||
+ | Volitelně anotace: | ||
+ | Automatic (!) annotation includes: Part-of-Speech; | ||
+ | |||
===== HON certified web sites ===== | ===== HON certified web sites ===== |