تاریخ انتشار
2024
موضوع
زبان فارسی > داده پردازی. زبان فارسی > ترجمه ماشینی. زبان فارسی > ترجمه به انگلیسی. زبان انگلیسی > ترجمه به فارسی. زبان های کم منبع > پردازش داده. داده کاوی متنی زبانشناسی محاسباتی. Corpora (زبان شناسی)
نوع
كتاب
زبان
eng,fas
دیجیتال
بله
نسخه خطی
خیر
ابعاد فیزیکی
1 online resource
کتابخانه
دانشگاه ییل
شماره ثبت
99169964843408651
تاریخ
2024
یادداشتها
نویسندگان: جنیفر تریسی، استفانی استراسل، دیوید گراف، جاناتان رایت، سونگ چن، نویل رایانت، ست کولیک، کیرا گریفیت، دانا دلگادو، مایکل آریگو. منبع داده: تالار گفتگو، اخبار، مجموعه وب، وبلاگ ها. نوع داده: نرم افزار، متن. کاربردها: انتقال بین زبانی، استخراج موجودیت، استخراج اطلاعات، ترجمه ماشینی. شماره LDC: LDC2024T01. "فارسی عمدتاً در ایران و افغانستان صحبت میشود؛ این زبان رسمی در هر دو کشور است. دادهها در ژانرهای زیر جمعآوری شده است: انجمن گفتگو، اخبار، مرجع، شبکههای اجتماعی و وبلاگها. هم جمعآوری متن تک زبانه و هم ایجاد متن موازی شامل ترکیبی از روشهای دستی و خودکار است. حجم دادهها به شرح زیر است: 250 میلیون کلمه که 1 متن فارسی یک زبانه، بیش از 039 کلمه به زبان انگلیسی ترجمه شده است، بیش از 039 کلمه به زبان انگلیسی ترجمه شده است. 751000 کلمه از متن موازی فارسی-انگلیسی یافت شده -- 120000 کلمه فارسی ترجمه شده از داده های انگلیسی تقریباً 75000 کلمه برای موجودیت های نامگذاری شده حاشیه نویسی شده اند و بیش از 22000 کلمه برای موجودیت کامل شامل اسم و ضمایر annot، ضمایر ساده، حاشیه نویسی شده است. منابع واژگانی و ابزارهای نرم افزاری نیز در این نسخه گنجانده شده است حاشیهنویسی پیوند نهاد برای این مجموعه و همه بستههای زبان و زبان نماینده LORELEI بهصورت جداگانه بهعنوان پایگاه دانش شناسایی و پیوند نهاد LORELEI (LDC2020T10) در دسترس است."--کاتالوگ آنلاین LDC. به زبان فارسی و انگلیسی. عنوان از صفحه اصلی منبع (وب سایت LDC، مشاهده شده در 19 فوریه 2024).
متن نمونه
"برنامه LORELEI (زبانهای کم منبع برای حوادث اضطراری) با ایجاد فناوری زبان انسانی برای زبانهای کم منابع در زمینه موقعیتهای اضطراری مانند بلایای طبیعی یا شیوع بیماری مرتبط بود. منابع زبانی برای LORELEI شامل بستههای زبانی نماینده و بستههای زبان حادثه برای بیش از دوجین زبان با منابع کم، شامل زبانهای با منابع کم، شامل ابزارهای پردازشی و دادههای پایه، و یک زبان طبیعی است. منابع دستوری برای ارائه پوشش گونهشناختی گسترده انتخاب شدند، در حالی که زبانهای تصادفی برای ارزیابی عملکرد سیستم در زبانی که هویت آن در شروع ارزیابی فاش شد انتخاب شدند.»--کاتالوگ آنلاین LDC.
Kataloğa Eklendi
February 19, 2024
Diğer Sorumlular
Tracey, Jennifer, creator Linguistic Data Consortium, issuing body
İçindekiler
data file (contains the corpus data subdivided by translation, annotation, or lexicon) docs file (contains additional documentation, guidelines, and a file table) dtd file (contains the associated dtds for the XML formats) tools (contains the tools mentioned above).
Yerel Notlar
Access is available to the Yale community.
Varyant ve İlgili Başlıklar
Low Resource Languages for Emergent Incidents Farsi representative language pack Farsi representative language pack
