IDENTIC Corpus: Morphologically Enriched Indonesian-English Parallel Corpus

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F12%3A10130077" target="_blank" >RIV/00216208:11320/12:10130077 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

IDENTIC Corpus: Morphologically Enriched Indonesian-English Parallel Corpus

Popis výsledku v původním jazyce

This paper describes the creation process of an Indonesian-English parallel corpus (IDENTIC). The corpus contains 45,000 sentences collected from different sources in different genres. Several manual text preprocessing tasks, such as alignment and spelling correction, are applied to the corpus to assure its quality. We also apply language specific text processing such as tokenization on both sides and clitic normalization on the Indonesian side. The corpus is available in two different formats: 'plain',stored in text format and 'morphologically enriched', stored in CoNLL format. Some parts of the corpus are publicly available at the IDENTIC homepage.

Název v anglickém jazyce

IDENTIC Corpus: Morphologically Enriched Indonesian-English Parallel Corpus

Popis výsledku anglicky

This paper describes the creation process of an Indonesian-English parallel corpus (IDENTIC). The corpus contains 45,000 sentences collected from different sources in different genres. Several manual text preprocessing tasks, such as alignment and spelling correction, are applied to the corpus to assure its quality. We also apply language specific text processing such as tokenization on both sides and clitic normalization on the Indonesian side. The corpus is available in two different formats: 'plain',stored in text format and 'morphologically enriched', stored in CoNLL format. Some parts of the corpus are publicly available at the IDENTIC homepage.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2012

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings of the 8th International Conference on Language Resources and Evaluation (LREC 2012)

ISBN

978-2-9517408-7-7

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

902-906

Název nakladatele

European Language Resources Association

Místo vydání

?stanbul, Turkey

Místo konání akce

?stanbul, Turkey

Datum konání akce

21. 5. 2012

Typ akce podle státní příslušnosti

CST - Celostátní akce

Kód UT WoS článku

—