Differences
This shows you the differences between two versions of the page.
Both sides previous revision Previous revision Next revision | Previous revision | ||
khresmoi:en-fr [2012/01/23 10:51] ufal |
khresmoi:en-fr [2012/02/29 14:45] hlavacova odstraněno |
||
---|---|---|---|
Line 1: | Line 1: | ||
===== Paralelní data EN-FR ===== | ===== Paralelní data EN-FR ===== | ||
- | 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 | ||
- | ==== ELDA ==== | + | ==== LDC ==== |
+ | :?: | ||
+ | * **Hansard French/ | ||
+ | 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 | ||
- | 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 ==== | ||
- | 8-) | ||
- | Zdroj: http:// | ||
- | **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.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), | ||
- | |||
- | ==== 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 | ||
- | Vyslán dotaz, zda už to někdo nestáhnul | ||
- | |||
- | ==== HON certified web sites ==== | ||
- | 8-) | ||
- | asi změť všeho možného. | ||
- | Počet stránek, ale ruznorodych, | ||
- | egrep " | ||
- | 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 |