[ Skip to the content ]

Institute of Formal and Applied Linguistics Wiki

[ Back to the navigation ]

You are here: start » khresmoi » en-fr

Differences

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

Link to this comparison view

Both sides previous revision Previous revision
Next revision 		Previous revision
Next revision Both sides next revision
khresmoi:en-fr [2012/01/19 14:15]
hlavacova 		khresmoi:en-fr [2012/01/23 10:51]
ufal
Line 1: Line 1:
 ===== Paralelní data EN-FR ===== ===== 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 == 
 +8-) už stažená data 
 +:?: nevíme, jestli chceme 
 +:-? chceme stahovat, ale zatím nevíme, jak na to ... z různých příčin 
 + 
 +==== 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 ==== ==== EMEA ====
 +8-) 
 Zdroj: http://opus.lingfil.uu.se/EMEA.php Zdroj: http://opus.lingfil.uu.se/EMEA.php
 **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 32:
  
 ==== Orphanet ==== ==== Orphanet ====
 +:-?
 info na Kh wiki: http://wiki.khresmoi.eu/index.php5/Data_sets/Orphanet info na Kh wiki: http://wiki.khresmoi.eu/index.php5/Data_sets/Orphanet
 orig. stránka: http://www.orpha.net orig. stránka: http://www.orpha.net
 Není to žádný kompaktní balík, to se bude muset prolejzat. Není to žádný kompaktní balík, to se bude muset prolejzat.
-Navíc nejsou jasné podmínky, HON negotiates ... napíšu jim+Navíc nejsou jasné podmínky, HON negotiates  
 +Vyslán dotaz, zda už to někdo nestáhnul
  
 ==== HON certified web sites ==== ==== HON certified web sites ====
 +8-)
 asi změť všeho možného. asi změť všeho možného.
 Počet stránek, ale ruznorodych, takze na stahovani ne příliš šikovné Počet stránek, ale ruznorodych, takze na stahovani ne příliš šikovné
 egrep "\.fr" HON_Certified_Web_Sites_1.1.xml | wc → 2675    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 Asi tam jsou i různé úrovně "podstránek", např. www.grio.org/ a www.grio.org/liens.php
 +
 +==== JRC ====
 +8-)
 +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
 +
 +Nevím, proč se ta čísla liší.
 +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
 +
 +==== LDC ====
 +:?:
 +Hansard French/English z roku 1995
 +LDC Catalog No.:        LDC95T20
 +
 +UN Parallel Text (Complete) z roku 1994
 +LDC Catalog No.:        LDC94T4A
 +
 +Obojí jsou staré government documents

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