Differences
This shows you the differences between two versions of the page.
Next revision | Previous revision Next revision Both sides next revision | ||
khresmoi:en-fr [2012/01/19 11:13] hlavacova vytvořeno |
khresmoi:en-fr [2012/01/19 15:59] hlavacova |
||
---|---|---|---|
Line 5: | Line 5: | ||
**en-fr.tmx.gz** ... alignovana data - download translation memory files (TMX), 373 152 sentence pairs | **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.xml.gz** ... sentence alignments in XCES format | ||
- | **en-fr.txt.zip** ... jen angl. texty o lécich - vypadá to jako příbalové letáky | + | **en-fr.txt.zip** ... jen angl. texty o lécich - vypadá to jako příbalové letáky |
- | Adresář **fr** obsahuje francouzské texty, snad paralelní k en-fr.txt.zip (ověřím), | + | 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 ... napíšu jim | ||
+ | |||
+ | ==== HON certified web sites ==== | ||
+ | asi změť všeho možného. | ||
+ | Počet stránek, ale ruznorodych, | ||
+ | egrep " | ||
+ | Asi tam jsou i různé úrovně " | ||
+ | |||
+ | ==== JRC ==== | ||
+ | vseobecna data, ne med | ||
+ | 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 " | ||
+ | |||
+ | Nevím, proč se ta čísla liší. | ||
+ | egrep " | ||
+ | 1228037 type=" | ||
+ | 14162 type=" | ||
+ | 6607 type=" | ||
+ | 1284 type=" | ||
+ | celkem 1 250 090 linků | ||