Multi-Parallel Corpus of North Levantine Arabic
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11210%2F23%3A10475890" target="_blank" >RIV/00216208:11210/23:10475890 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/00216208:11320/23:10475890
Výsledek na webu
<a href="https://aclanthology.org/2023.arabicnlp-1.34/" target="_blank" >https://aclanthology.org/2023.arabicnlp-1.34/</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.18653/v1/2023.arabicnlp-1.34" target="_blank" >10.18653/v1/2023.arabicnlp-1.34</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Multi-Parallel Corpus of North Levantine Arabic
Popis výsledku v původním jazyce
Low-resource Machine Translation (MT) is characterized by the scarce availability of training data and/or standardized evaluation benchmarks. In the context of Dialectal Arabic, recent works introduced several evaluation benchmarks covering both Modern Standard Arabic (MSA) and dialects, mapping, however, mostly to a single Indo-European language - English. In this work, we introduce a multi-lingual corpus consisting of 120,600 multi-parallel sentences in English, French, German, Greek, Spanish, and MSA selected from the OpenSubtitles corpus, which were manually translated into the North Levantine Arabic. By conducting a series of training and fine-tuning experiments, we explore how this novel resource can contribute to the research on Arabic MT. We make the dataset publicly available at http://hdl.handle.net/11234/1-5033 for research purposes.
Název v anglickém jazyce
Multi-Parallel Corpus of North Levantine Arabic
Popis výsledku anglicky
Low-resource Machine Translation (MT) is characterized by the scarce availability of training data and/or standardized evaluation benchmarks. In the context of Dialectal Arabic, recent works introduced several evaluation benchmarks covering both Modern Standard Arabic (MSA) and dialects, mapping, however, mostly to a single Indo-European language - English. In this work, we introduce a multi-lingual corpus consisting of 120,600 multi-parallel sentences in English, French, German, Greek, Spanish, and MSA selected from the OpenSubtitles corpus, which were manually translated into the North Levantine Arabic. By conducting a series of training and fine-tuning experiments, we explore how this novel resource can contribute to the research on Arabic MT. We make the dataset publicly available at http://hdl.handle.net/11234/1-5033 for research purposes.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
—
Návaznosti
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2023
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of ArabicNLP 2023
ISBN
978-1-959429-27-2
ISSN
—
e-ISSN
—
Počet stran výsledku
7
Strana od-do
411-417
Název nakladatele
Association for Computational Linguistics
Místo vydání
Stroudsburg, PA, USA
Místo konání akce
Singapore, Singapore
Datum konání akce
7. 12. 2023
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—