Differences

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

--- khresmoi:data_notes [2012/02/29 14:36]
hlavacova
+++ khresmoi:data_notes [2012/06/13 10:15] (current)
hlavacova
@@ Line 2: / Line 2: @@
 ===== JRC-Aquis =====
-http://langtech.jrc.it/JRC-Acquis.html
+http://langtech.jrc.it/JRC-Acquis.html  ... mono data
-http://optima.jrc.it/Acquis/JRC-Acquis.3.0/alignmentsHunAlign/index.html
+http://optima.jrc.it/Acquis/JRC-Acquis.3.0/alignmentsHunAlign/index.html  ... HunAlign alignment
-vseobecna data, ne med
+http://optima.jrc.it/Acquis/JRC-Acquis.3.0/alignments/index.html  ... Vanilla alignment
-podle návodu jsem (leden 2012) udělala paralelní korpus ze stažených dat:
- perl getAlignmentWithText.pl jrc-en-fr.xml > alignedCorpus_en_fr.xml
+právnická data, ne med
-ALE
+Skript na vytvoření paralelních dat: getAlignmentWithText.pl
-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.
+POZOR! v návodu READ.ME se jmenuje jinak.
-Zpracování fr-en jsem provedla "ručně", ne pomocí skriptu processing.sh. Ten je připraven, ale jak jsem napsala, na současných datech nefunguje.
+Funguje jen s Vanilla
-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.
+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
-http://optima.jrc.it/Acquis/JRC-Acquis.3.0/alignments/index.html
-podle návodu jsem udělala paralelní korpus ze stažených dat:
- perl getAlignmentWithText.pl jrc-en-fr.xml > alignedCorpus_en_fr.xml
 pocet anglickych vet:
@@ Line 46: / Line 74: @@
   * 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.
+Zpracované obojí, viz read.me u dat.
+**POZOR!!! segmentovaná a nesegmentovaná verze neobsahují totéž**
 ===== French Gigaword =====
@@ Line 55: / Line 84: @@
 ===== MESH =====
+**EN**
 Staženo ze stránky http://www.nlm.nih.gov/mesh/filelist.html
@@ Line 73: / Line 103: @@
 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 =====
@@ Line 114: / Line 148: @@
   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 =====
@@ Line 121: / Line 163: @@
 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 =====

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

Institute of Formal and Applied Linguistics Wiki

Differences