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 12:00] hlavacova |
khresmoi:en-fr [2012/01/19 16:26] hlavacova |
||
---|---|---|---|
Line 1: | Line 1: | ||
===== Paralelní data EN-FR ===== | ===== Paralelní data EN-FR ===== | ||
- | Zatím mám vše uloženo u sebe. --- // | + | Zatím mám vše uloženo u sebe. |
+ | == Vysvětlivky == | ||
+ | 8-) už stažená data | ||
+ | :?: nevíme, jestli chceme | ||
+ | :-? chceme stahovat, ale zatím nevíme, jak na to ... z různých příčin | ||
==== EMEA ==== | ==== EMEA ==== | ||
+ | 8-) | ||
Zdroj: http:// | Zdroj: http:// | ||
**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 | ||
Line 9: | Line 15: | ||
==== Orphanet ==== | ==== Orphanet ==== | ||
- | http:// | + | :-? |
- | HON negotiates, to se bude muset prolejzat | + | info na Kh wiki: http:// |
+ | orig. stránka: http:// | ||
+ | Není to žádný kompaktní balík, to se bude muset prolejzat. | ||
+ | Navíc nejsou jasné podmínky, HON negotiates | ||
+ | Vyslán dotaz, zda už to někdo nestáhnul | ||
==== HON certified web sites ==== | ==== HON certified web sites ==== | ||
- | asi změ vŠeho. | + | 8-) |
+ | asi změť všeho možného. | ||
Počet stránek, ale ruznorodych, | Počet stránek, ale ruznorodych, | ||
egrep " | egrep " | ||
Asi tam jsou i různé úrovně " | Asi tam jsou i různé úrovně " | ||
+ | |||
+ | ==== JRC ==== | ||
+ | 8-) | ||
+ | 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 | ||
+ | |||
+ | ==== LDC ==== | ||
+ | :?: | ||
+ | Hansard French/ | ||
+ | LDC Catalog No.: LDC95T20 | ||
+ | |||
+ | UN Parallel Text (Complete) z roku 1994 | ||
+ | LDC Catalog No.: LDC94T4A | ||
+ | |||
+ | Obojí jsou staré government documents |