[ 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 [2012/01/24 09:50]
hlavacova 		khresmoi:en-fr [2012/02/29 14:20]
hlavacova
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 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 ==== 
-8-)  
-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.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/GIZA++) 
-Adresář **fr** obsahuje francouzské texty, snad paralelní k en-fr.txt.zip (ověřím), v nějakém XML, morfologicky označkované. 1987 files, 14.9M tokens, 1.2M sentences 
- 
-==== Orphanet ==== 
-:-? 
-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 ==== 
-8-) 
-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 ==== 
-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 ==== ==== LDC ====
Line 78: Line 12:
 Non-member Fee: US $4000.00 Non-member Fee: US $4000.00
 Reduced-License Fee: US $2000.00 Reduced-License Fee: US $2000.00
 +
 +
 +
 +
  

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