Differences

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

--- khresmoi:en-fr [2012/01/19 12:00]
hlavacova
+++ khresmoi:en-fr [2012/01/26 16:43]
hlavacova
@@ Line 1: / Line 1: @@
 ===== Paralelní data EN-FR =====
-Zatím mám vše uloženo u sebe.  --- //[[hlavacova@ufal.mff.cuni.cz|hlavacova]] 2012/01/19 11:08//
+Zatím mám vše uloženo u sebe.  ---  --- //[[hlavacova@ufal.mff.cuni.cz|hlavacova]] 2012/01/19 16:08//
+== Vysvětlivky ==
+-) už stažená data
+:?: nevíme, jestli chceme
+:-? chceme stahovat, ale zatím nevíme, jak na to ... z různých příčin
+-O čekáme na data
+==== 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
+Zatim nedodáno (PP)
+==== TDA ====
+**Pharmaceuticals and Biotechnology**
+en-GB -> fr-FR: 13,033,584 slov
+fr-FR -> en-GB  483,610 slov
+Staženo, TMX format, kvalita zatím neověřena (PP)
 ==== EMEA ====
+-)
 Zdroj: http://opus.lingfil.uu.se/EMEA.php
 **en-fr.tmx.gz** ... alignovana data - download translation memory files (TMX), 373 152 sentence pairs
@@ Line 9: / Line 32: @@
 ==== Orphanet ====
-http://wiki.khresmoi.eu/index.php5/
+:-?
-HON negotiates, to se bude muset prolejzat
+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
 ==== HON certified web sites ====
-asi změ vŠeho.
+-)
+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
+==== JRC ====
+-)
+vseobecna data, ne med
+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:
+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
+==== korpus 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.
+==== LDC ====
+:?:
+  * **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
+==== MAREC ====
+-O
+Tenhle odkaz z wiki Khresmoi vede na stránky WIPO. Jde o patenty z nejrůznějších oborů.
+Odpověděli na můj dotaz mailem, objednala jsem korpus COPPA (viz tabulka) - viz http://www.wipo.int/patentscope/en/data/products.html
+Měl by být paralelní se 170Mw. Z toho je něco in domain - podle kódu, který mám, je možno data identifikovat.
+Možná se budou hodit i ostatní, ale nevím, z jakých jsou oborů.

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

Institute of Formal and Applied Linguistics Wiki

Differences