انجمن های گفتگوی عربی BOLT.
(/)
| عنوان | انجمن های گفتگوی عربی BOLT. |
|---|---|
| عنوان اورجینال | / |
| تاریخ انتشار: | 2018 |
| محل انتشار | - [فیلادلفیا، پنسیلوانیا]: کنسرسیوم داده های زبانی، [2018] |
| موضوع | زبان عربی -- لهجه ها -- مصر. ترجمه ماشینی زبان عربی -- پردازش داده ها -- پایگاه های داده. زبان عربی -- پردازش داده ها زبان عربی -- لهجه ها. ترجمه ماشینی مصر. پایگاه های داده گزیده ها. گزیده ها. |
| نوع | دیگر |
| زبان | عربی |
| دیجیتال | بله |
| نسخه خطی | خیر |
| ابعاد فیزیکی | | |
| کتابخانه: | دانشگاه شیکاگو |
| شماره ثبت | 11962889 |
| تاریخ | 2018 |
| یادداشتها | "LDC2018T10." نمونه داده ها در وب سایت LDC موجود است. محتوا به زبان عربی مصری. مستندات به زبان انگلیسی.. 1 USB.. انجمن گفتگوی عربی BOLT توسط کنسرسیوم داده های زبانی (LDC) ایجاد شده است و شامل 813080 موضوع تالار گفتگو به زبان عربی مصری است که از اینترنت با استفاده از ترکیبی از فرآیندهای دستی و خودکار جمع آوری شده است. برنامه DARPA BOLT (ترجمه زبان عملیاتی گسترده) ترجمه ماشینی و بازیابی اطلاعات را برای ژانرهای نه چندان رسمی توسعه داد و به ویژه بر محتوای تولید شده توسط کاربر تمرکز داشت. LDC از برنامه BOLT با جمع آوری منابع داده غیررسمی -- انجمن های گفتگو، پیام های متنی و چت -- به زبان های چینی، عربی مصری و انگلیسی پشتیبانی کرد. دادههای جمعآوریشده برای کارهای مختلف از جمله همترازی کلمات، بانکداری درختی، بانک مرکزی و همارجاع ترجمه و حاشیهنویسی شدند. مطالب این نسخه نشان دهنده داده های منبع عربی بدون حاشیه در ژانر تالار گفتگو است. مجموعه *داده*ها بر اساس نتایج جستجوی دستی داده ها توسط حاشیه نویسان سخنران بومی بکار گرفته شد. به پیشاهنگان دستور داده شد که محتوایی را به زبان عربی مصری جستجو کنند که اصیل، تعاملی و غیررسمی باشد. پس از یافتن یک رشته مناسب، پیشاهنگان URL و برخی قضاوت های ساده در مورد آن را از طریق یک افزونه مرورگر وب به یک پایگاه داده ارسال کردند. هنگامی که چندین موضوع از یک انجمن ارسال می شد، کل انجمن به طور خودکار برداشت و به مجموعه اضافه می شد. مقیاس مجموعه مانع از بررسی دستی همه داده ها شد. فقط بخش کوچکی از رشتههای موجود در این نسخه به صورت دستی بررسی شدند و انتظار میرود که ممکن است محتوای توهینآمیز یا نامطلوب و همچنین رشتههایی که حاوی مقدار زیادی محتوای غیر عربی هستند وجود داشته باشد. شناسایی زبان در همه رشتههای این مجموعه (با استفاده از CLD2) انجام شد و رشتههایی که نتایج آنها احتمال بالای محتوای غیر عربی را نشان میدهد در arz_suspect_LID.txt در فهرست اسناد این بسته فهرست شدهاند. همچنین باید توجه داشت که بسیاری از رشتهها ممکن است حاوی مخلوطی از مصری و دیگر انواع عربی باشد، حتی در میان رشتههایی که عمدتاً عربی هستند. مجموعه از فایل های فشرده HTML و XML تشکیل شده است. فایل های HTML یک فایل HTML خام هستند که از موضوع بحث دانلود شده اند. اگر رشته دارای چندین URL بود، به عنوان ترکیبی از فایل های HTML دانلود شده ذخیره می شد. فایل های XML از HTML خام تبدیل شدند. *تقدیر* این مطالب بر اساس کار پشتیبانی شده توسط آژانس پروژه های تحقیقاتی پیشرفته دفاعی (دارپا) تحت قرارداد شماره HR0011-11-C-0145 است. محتوا لزوماً منعکس کننده موضع یا سیاست دولت نیست و هیچ تأیید رسمی نباید استنباط شود. |
| Diğer yazarlar / katkıda bulunanlar | Tracey, Jennifer. Lee, Haejoong. Strassel, Stephanie M. Ismael, Safa. |
| ISBN | 15856383909781585638390 |
