OdiEnCorp: Odia-English and Odia-Only Corpus for Machine Translation
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F19%3A10405593" target="_blank" >RIV/00216208:11320/19:10405593 - isvavai.cz</a>
Výsledek na webu
<a href="https://link.springer.com/chapter/10.1007/978-981-13-9282-5_47" target="_blank" >https://link.springer.com/chapter/10.1007/978-981-13-9282-5_47</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-981-13-9282-5_47" target="_blank" >10.1007/978-981-13-9282-5_47</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
OdiEnCorp: Odia-English and Odia-Only Corpus for Machine Translation
Popis výsledku v původním jazyce
A multi-lingual country like India needs language corpora for low resource languages not only to provide its citizens with technologies of natural language processing (NLP) readily available in other countries, but also to support its people in their education and cultural needs. In this work, we focus on one of the low resource languages, Odia, and build an Odia-English parallel (OdiEnCorp) and an Odia monolingual (OdiMonoCorp) corpus. The parallel corpus is based on Odia-English parallel texts extracted from online resources and formally corrected by volunteers. We also preprocess the parallel corpus for machine translation research or training. The monolingual corpus comes from a diverse set of online resources and we organize it into a collection of segments and paragraphs, easy to handle by NLP tools. OdiEnCorp parallel corpus contains 29346 sentence pairs and 756K English and 648K Odia tokens. OdiMonoCorp contains 2.6 million tokens in 221K sentences in 71K paragraphs. Despite their small size,
Název v anglickém jazyce
OdiEnCorp: Odia-English and Odia-Only Corpus for Machine Translation
Popis výsledku anglicky
A multi-lingual country like India needs language corpora for low resource languages not only to provide its citizens with technologies of natural language processing (NLP) readily available in other countries, but also to support its people in their education and cultural needs. In this work, we focus on one of the low resource languages, Odia, and build an Odia-English parallel (OdiEnCorp) and an Odia monolingual (OdiMonoCorp) corpus. The parallel corpus is based on Odia-English parallel texts extracted from online resources and formally corrected by volunteers. We also preprocess the parallel corpus for machine translation research or training. The monolingual corpus comes from a diverse set of online resources and we organize it into a collection of segments and paragraphs, easy to handle by NLP tools. OdiEnCorp parallel corpus contains 29346 sentence pairs and 756K English and 648K Odia tokens. OdiMonoCorp contains 2.6 million tokens in 221K sentences in 71K paragraphs. Despite their small size,
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
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)
Ostatní
Rok uplatnění
2019
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 the Third International Conference on Smart Computing and Informatics, Volume 1
ISBN
978-981-13-9282-5
ISSN
—
e-ISSN
—
Počet stran výsledku
10
Strana od-do
495-504
Název nakladatele
Springer
Místo vydání
Singapore
Místo konání akce
Bhubaneshwar, Odisha, India
Datum konání akce
1. 1. 2018
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—