[ 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 [2012/01/23 10:51]
ufal 		khresmoi:en-fr [2012/01/26 16:43]
hlavacova
Line 5: Line 5:
 :?: nevíme, jestli chceme :?: nevíme, jestli chceme
 :-? chceme stahovat, ale zatím nevíme, jak na to ... z různých příčin :-? chceme stahovat, ale zatím nevíme, jak na to ... z různých příčin
 +8-O čekáme na data
 ==== ELDA ==== ==== ELDA ====
  
-**ELRA-E0020, CESTA Evaluation Package,** +**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 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
Line 59: Line 59:
 egrep "\<s2\>" alignedCorpus_en_fr.xml | wc → 1250095 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  → egrep "\<link type=" alignedCorpus_en_fr.xml | cut -d" " -f2|sort|uniq -c  →
   *  1228037 type="1:1"   *  1228037 type="1:1"
Line 66: Line 65:
   *     1284 type="2:2"   *     1284 type="2:2"
 celkem 1 250 090 linků celkem 1 250 090 linků
 +
 +==== korpus Europarl ====
 +8-)
 +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 ==== ==== LDC ====
 :?: :?:
-Hansard French/English z roku 1995 +  * **Hansard French/English** ... LDC Catalog No.: LDC95T20, government documents 
-LDC Catalog No.:        LDC95T20+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 ==== 
 +8-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. 
  
-UN Parallel Text (Complete) z roku 1994 
-LDC Catalog No.:        LDC94T4A 
  
-Obojí jsou staré government documents 

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