Differences

This shows you the differences between two versions of the page.

--- khresmoi:data_notes [2012/02/29 09:56]
hlavacova vytvořeno
+++ khresmoi:data_notes [2012/06/13 10:15] (current)
hlavacova
@@ Line 2: / Line 2: @@
 ===== JRC-Aquis =====
-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, protože ty jsem v lednu nestáhla.
+http://langtech.jrc.it/JRC-Acquis.html  ... mono data
-Zpracování fr-en jsem provedla "ručně", ne pomocí skriptu processing.sh. Ten je připraven, ale jak jsem napsala, na současných datech nefunguje.
+http://optima.jrc.it/Acquis/JRC-Acquis.3.0/alignmentsHunAlign/index.html  ... HunAlign alignment
-Z porovnání obou paralelních fr-en dat usuzuji, že na ně byl použit jiný aligner. Lepší?
+http://optima.jrc.it/Acquis/JRC-Acquis.3.0/alignments/index.html  ... Vanilla alignment
+právnická data, ne med
+Skript na vytvoření paralelních dat: getAlignmentWithText.pl
+POZOR! v návodu READ.ME se jmenuje jinak.
+Funguje jen s Vanilla
+Kdyby se to chtělo udělat s HunAlign stránky, je třeba vstupní data zpracovat takto (cituji z mailu od Ralfa Steinbergera (29.02.2012 14:40:37):
+> There is a small bug in the hunAlign version of the corpus which prevents
+> the
+> getAlignmentWithText.pl scipt from working: all document identifiers (using
+> the
+> English-Polish alignemnt as an example) have the string "format/en.pl/jrc"
+> prepended (or infixed) to the actual document ID.
+>
+> This applies to the following attributes:
+>
+> - //text/body/div[@n] (eg. "format/en.pl/jrc21970A0720(01)" insted of
+> "21970A0720(01)")
+> - //linkGrp[@n] (as above)
+> - //linkGrp[@id] (eg. "jrcformat/en.pl/jrc21970A0720_01-en-pl" instead of
+> "jrc21970A0720_01-en-pl")
+> - //linkGrp[@xtargets] (as above)
+>
+> Preprocessing the alignment files with
+>
+> sed -i 's:format/en.pl/jrc::g' jrc-en-pl.xml
+>
+> is enough to get the script working, but perhaps this information could be
+> added to the documentation, the Perl script modified for the hunAlign
+> version
+> or the alignemnt files modified on the server to save others the confusion
+> and
+> unnecessary work.
+>
+> With kind regards,
+> Łukasz Dróżdż
+> University of Łódź
+pocet anglickych vet:
+egrep "\<s1\>" alignedCorpus_en_fr.xml |wc  → 1250092
+pocet francouzskych vet:
+egrep "\<s2\>" alignedCorpus_en_fr.xml | wc → 1250095
+egrep "\<link type=" alignedCorpus_en_fr.xml | cut -d" " -f2|sort|uniq -c  →
+  *  1228037 type="1:1"
+  *    14162 type="1:2"
+  *     6607 type="2:1"
+  *     1284 type="2:2"
+celkem 1 250 090 linků
+===== ELDA =====
+  * **ELRA-E0020, CESTA Evaluation Package**
+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
+  * **ELRA-E0022: EQueR Evaluation Package**
+Subpart: 140 Mb of data from the medical domain
+  * **ELRA-E0019: CESART Evaluation Package**
+Subpart (medical corpus): 9,000,000 words
+===== 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)
+Zpracované obojí, viz read.me u dat.
+**POZOR!!! segmentovaná a nesegmentovaná verze neobsahují totéž**
+===== French Gigaword =====
+rd edition, catalogue number LDC2011T10, máme DVD
+Formát: SGML, segmentace na věty, netokenizováno
+851 slov, tj. simply the number of white space-separated tokens (of all types) after all SGML tags are eliminated
+Všeobecné novinové texty, ne lékařské - Agence France-Presse, Associated Press French Service.
+===== MESH =====
+**EN**
+Staženo ze stránky http://www.nlm.nih.gov/mesh/filelist.html
+Z možných formátů jsem stáhla jen ASCII zaznamy.
+ **d2012.bin**  ... Dulezite jsou jen polozky
+  * MH = nazev leku - celkem 26581 položek
+  * MS = slovni popis - celkem  25554  ... nějaké asi chybí
+**q2012.bin** ... Dulezite jsou jen polozky
+  * SH = nazev, ale nevim moc, ceho - celkem 83
+  * MS = slovni popis - celkem 83
+  *
+Slovní popis je krátký odstavec, jehož první věta většinou neobsahuje sloveso! Takže to vlastně ani není věta.
+**c2012.bin** ... tohle je ale vlastne jen chemicke, asi nepouzit
+  * NM = nazev leku
+  * NO = popis
+Jeste jsou tam data z roku 2011: d2011.bin, q2011.bin, ale ty by mohly byt
+podmnozinou tech z roku 2012 - namatkove overeno na
+MH = Autistic Disorder
+**FR**
+Francouzi mají překlad, je možno o něj zažádat z téhle adresy:
+http://mesh.inserm.fr/mesh/get_file.htm
+===== 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
+en-GB → de-DE: 412,406
+de-DE → en-GB: 6,385,051
+Staženo, TMX format, kvalita zatím neověřena (PP)
+Máme kredit na stažení 1 mld. slov. Zatím stažena EN-FR, EN-DE in-domain data.
+===== EMEA =====
+-)
+Zdroj: http://opus.lingfil.uu.se/EMEA.php
+**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/GIZA++)
+Adresář **fr** obsahuje francouzské texty, snad paralelní k en-fr.txt.zip (ověřím), v nějakém XML, morfologicky označkované. 1987 files, 14.9M tokens, 1.2M sentences
+===== Orphanet =====
+:-?
+info na Kh wiki: http://wiki.khresmoi.eu/index.php5/Data_sets/Orphanet
+orig. stránka: http://www.orpha.net
+Není to žádný kompaktní balík, to se bude muset prolejzat.
+Navíc nejsou jasné podmínky, HON negotiates
+Vyslán dotaz, zda už to někdo nestáhnul
+===== Europarl =====
+-)
+http://www.statmt.org/europarl/
+wc europarl-v6.fr-en.*
+  1825077  45682922 273660925 europarl-v6.fr-en.en
+  1825077  47667366 314658361 europarl-v6.fr-en.fr
+Stažený nástroj na alignment.
+===== UN =====
+Data z projektu Euromatrix
+Staženo ze stránky (navíc španělské texty, kterých je zcat ../un.es.gz|wc  -> 13127945 352668682 2290530218
+http://www.euromatrixplus.net/multi-un/
+Při rozbalení originálních korpusů se vytvoří adresáře un/xml a pak podle jazyků, v rámci každého jazyka ještě podle let. Uvnitř jsou pak dokumenty ve velmi jednoduchém XML.
+Kromě toho je součástí balení README a skript extract.py, který udělá "paralelní data", což ale znamená jen výběr jen těch souborů, jejichž texty jsou ve všech požadovaných jazycích (shoduje se název kromě zkratky jazyka) a potom ještě vytažení čistého textu z XML. Alignment je už součástí textů - číslování odstavců a vět, ale namátkovou kontrolou to moc nesedí, proto jsme se rozhodli to nepoužít.
+Zpracované jsou tedy jen jednojazyčné texty, ale v tabulce je uveden alignment podle vět, aby se vědělo, že to nějak (!) uděláno je. Jelikož výroba dat je snadná (popsáno v README), data jsme smazali, v original jsou jen původní zabalené soubory.
+===== much.more =====
+-)
+Alignované abstrakty medicínských článů, staženo, >1 Mw
+Volitelně anotace:
+Automatic (!) annotation includes: Part-of-Speech; Morphology (inflection and decomposition); Chunks; Semantic Classes (UMLS: Unified Medical Language System, MeSH: Medical Subject Headings, EuroWordNet); Semantic Relations from UMLS.
+===== LDC =====
+Uvádím data nalezená v katalogu LDC, která by se případně taky dala použít, ale jsou dost drahá.
+  * **Hansard French/English** ... LDC Catalog No.: LDC95T20, government documents
+To by bylo třeba objednat, ale je to drahé:
+Member fee: 	$0 for 1995, 1996, 1997 members
+Reduced-License Fee: 	US $3250.00
+  * **UN Parallel Text (Complete)** ... LDC Catalog No.: LDC94T4A, jazyky EN, FR, SP, government documents
+To by bylo třeba objednat, ale je to drahé:
+Member fee: 	$0 for 1994 members
+Non-member Fee: 	US $4000.00
+Reduced-License Fee: 	US $2000.00
+===== HON certified web sites =====
+-)
+asi změť všeho možného.
+Počet stránek, ale ruznorodych, takze na stahovani ne příliš šikovné
+egrep "\.fr" HON_Certified_Web_Sites_1.1.xml | wc → 2675
+Asi tam jsou i různé úrovně "podstránek", např. www.grio.org/ a www.grio.org/liens.php

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

Institute of Formal and Applied Linguistics Wiki

Differences