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
|