D 2014

HindEnCorp – Hindi-English and Hindi-only Corpus for Machine Translation

BOJAR, Ondřej, Vojtěch DIATKA, Pavel RYCHLÝ, Pavel STRAŇÁK, Vít SUCHOMEL et. al.

Základní údaje

Originální název

HindEnCorp – Hindi-English and Hindi-only Corpus for Machine Translation

Autoři

BOJAR, Ondřej (203 Česká republika), Vojtěch DIATKA (203 Česká republika), Pavel RYCHLÝ (203 Česká republika, domácí), Pavel STRAŇÁK (203 Česká republika), Vít SUCHOMEL (203 Česká republika, garant, domácí), Aleš TAMCHYNA (203 Česká republika) a Daniel ZEMAN (203 Česká republika)

Vydání

Reykjavik, Iceland, Proceedings of the Ninth International Conference on Language Resources and Evaluation (LREC'14), od s. 3550-3555, 6 s. 2014

Nakladatel

European Language Resources Association (ELRA)

Další údaje

Jazyk

angličtina

Typ výsledku

Stať ve sborníku

Obor

10201 Computer sciences, information science, bioinformatics

Stát vydavatele

Lucembursko

Utajení

není předmětem státního či obchodního tajemství

Forma vydání

elektronická verze "online"

Odkazy

Kód RIV

RIV/00216224:14330/14:00076251

Organizační jednotka

Fakulta informatiky

ISBN

978-2-9517408-8-4

UT WoS

000355611005028

Klíčová slova anglicky

Machine Translation; SpeechToSpeech Translation; Metadata

Štítky

Příznaky

Mezinárodní význam, Recenzováno
Změněno: 1. 11. 2017 11:02, RNDr. Vít Suchomel, Ph.D.

Anotace

V originále

We present HindEnCorp, a parallel corpus of Hindi and English, and HindMonoCorp, a monolingual corpus of Hindi in their release version 0.5. Both corpora were collected from web sources and preprocessed primarily for the training of statistical machine translation systems. HindEnCorp consists of 274k parallel sentences (3.9 million Hindi and 3.8 million English tokens). HindMonoCorp amounts to 787 million tokens in 44 million sentences. Both the corpora are freely available for non-commercial research and their preliminary release has been used by numerous participants of the WMT 2014 shared translation task.

Návaznosti

LM2010013, projekt VaV
Název: LINDAT-CLARIN: Institut pro analýzu, zpracování a distribuci lingvistických dat (Akronym: LINDAT-Clarin)
Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Projekt LINDAT-Clarin - Vybudování a provoz českého uzlu pan-evropské infrastruktury pro výzkum