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:en-fr [2012/01/19 11:47] hlavacova |
khresmoi:en-fr [2012/01/19 16:00] hlavacova |
||
---|---|---|---|
Line 7: | Line 7: | ||
**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/ | **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), | 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 " | ||
+ | | ||
+ | 14162 type=" | ||
+ | 6607 type=" | ||
+ | 1284 type=" | ||
+ | celkem 1 250 090 linků | ||