Differences

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

--- khresmoi:en-fr [2012/01/26 13:12]
hlavacova
+++ — (current)
@@ Line 1: / Line 1: @@
-===== Paralelní data EN-FR =====
-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
-**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 ====
--)
-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 ===
--)
-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.
-==== JRC - Acquis ====
-wc europarl-v6.fr-en.*
-  1825077  45682922 273660925 europarl-v6.fr-en.en
-  1825077  47667366 314658361 europarl-v6.fr-en.fr

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

Institute of Formal and Applied Linguistics Wiki

Differences