[ Skip to the content ]

Institute of Formal and Applied Linguistics

at Faculty of Mathematics and Physics, Charles University, Prague, Czech Republic


[ Back to the navigation ]

Publication


Year 2014
Type in proceedings
Status published
Language English
Author(s) Bojar, Ondřej Diatka, Vojtěch Rychlý, Pavel Straňák, Pavel Suchomel, Vít Tamchyna, Aleš Zeman, Daniel
Title HindEnCorp – Hindi-English and Hindi-only Corpus for Machine Translation
Czech title HindEnCorp – hindsko-anglický a jednojazyčný hindský korpus pro strojový překlad
Proceedings 2014: Reykjavík, Iceland: LREC 2014: Proceedings of the 9th International Conference on Language Resources and Evaluation (LREC 2014)
Pages range 3550-3555
How published online
URL http://www.lrec-conf.org/proceedings/lrec2014/pdf/835_Paper.pdf
Supported by 2012-2015 FP7-ICT-2011-7-288487 (MosesCore) 2010-2015 LM2010013 (LINDAT-CLARIN: Institut pro analýzu, zpracování a distribuci lingvistických dat)
Czech abstract Představujeme HindEnCorp, paralelní hindsko-anglický korpus, a HindMonoCorp, jednojazyčný hindský korpus ve verzi 0.5. Oba korpusy byly získány z webových zdrojů a předzpracovány primárně pro trénování systémů statistického strojového překladu. HindEnCorp sestává z 274k paralelních vět (3,9 miliónů hindských a 3,8 miliónů anglických tokenů). HindMonoCorp obsahuje 787 miliónů tokenů ve 44 miliónech vět. Oba korpusy jsou zdarma přístupné pro nekomerční výzkum a jejich předběžné vydání bylo využito řadou účastníků společné překladové úlohy WMT 2014.
English abstract 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.
Specialization linguistics ("jazykověda")
Confidentiality default – not confidential
Open access no
WOS Code 000355611005028
Editor(s)* Nicoletta Calzolari; Khalid Choukri; Thierry Declerck; Hrafn Loftsson; Bente Maegaard; Joseph Mariani
ISBN* 978-2-9517408-8-4
Address* Reykjavík, Iceland
Month* May
Venue* Harpa Conference Centre
Publisher* European Language Resources Association
Creator: Almighty Admin
Created: 3/27/14 9:20 AM
Modifier: Common Account
Modified: 10/7/15 9:03 PM
***

Camera ready paperpublicCAMERA_READY.pdfapplication/pdf
PosterpublicPOSTER.Preview.pdfapplication/pdf
Content, Design & Functionality: ÚFAL, 2006–2016. Page generated: Fri Nov 16 11:58:30 CET 2018

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

100% OpenAIRE compliant