OpusTools and Parallel Corpus Diagnostics

Tutkimustuotos: Artikkeli kirjassa/raportissa/konferenssijulkaisussaKonferenssiartikkeliTieteellinenvertaisarvioitu

Abstrakti

This paper introduces OpusTools, a package for downloading and processing parallel corpora included in the OPUS corpus collection. The package implements tools for accessing compressed data in their archived release format and make it possible to easily convert between common formats. OpusTools also includes tools for language identification and data filtering as well as tools for importing data from various sources into the OPUS format. We show the use of these tools in parallel corpus creation and data diagnostics. The latter is especially useful for the identification of potential problems and errors in the extensive data set. Using these tools, we can now monitor the validity of data sets and improve the overall quality and consitency of the data collection.
Alkuperäiskielienglanti
OtsikkoProceedings of the 12th Conference on Language Resources and Evaluation (LREC 2020)
ToimittajatNicoletta Calzolari, Frédéric Béchet, Philippe Blache, Khalid Choukri, Christopher Cieri, Thierry Declerck, Sara Goggi, Hitoshi Isahara, Bente Maegaard, Joseph Mariani, Hélène Mazo, Asuncion Moreno, Jan Odijk, Stelios Piperidis
Sivumäärä8
JulkaisupaikkaParis
KustantajaEuropean Language Resources Association (ELRA)
Julkaisupäivä17 toukok. 2020
Sivut3782-3789
ISBN (elektroninen)979-10-95546-34-4
TilaJulkaistu - 17 toukok. 2020
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaLanguage Resources and Evaluation Conference - [LREC 2020 was cancelled]
Kesto: 11 toukok. 202016 toukok. 2020
Konferenssinumero: 12
https://lrec2020.lrec-conf.org/

Lisätietoja

Konferenssi peruttiin covid 19 -pandemian takia.

Tieteenalat

  • 113 Tietojenkäsittely- ja informaatiotieteet

Siteeraa tätä