OpusParaCrawl 数据集卡片

数据集摘要

在ParaCrawl项目中收集的网络爬取平行语料库。

数据集包含：

• 42种语言，43个双语文本
• 总文件数：59,996个
• 总单词数：56.11G
• 总句子片段数：3.13G

要加载不在配置中的语言对，您只需要指定语言代码为pairs，例如

dataset = load_dataset("opus_paracrawl", lang1="en", lang2="so")

您可以在数据集描述的主页部分找到有效的语言对： http://opus.nlpl.eu/ParaCrawl.php

支持的任务和排行榜

[需要更多信息]

语言

数据集中包含以下语言：

• bg
• ca
• cs
• da
• de
• el
• en
• es
• et
• eu
• fi
• fr
• ga
• gl
• hr
• hu
• is
• it
• km
• ko
• lt
• lv
• mt
• my
• nb
• ne
• nl
• nn
• pl
• pt
• ro
• ru
• si
• sk
• sl
• so
• sv
• sw
• tl
• uk
• zh

数据集结构

数据实例

{
  'id': '0', 
  'translation': {
    "el": "Συνεχίστε ευθεία 300 μέτρα μέχρι να καταλήξουμε σε μια σωστή οδός (ul. Gagarina)? Περπατήστε περίπου 300 μέτρα μέχρι να φτάσετε το πρώτο ορθή οδός (ul Khotsa Namsaraeva)?",
    "en": "Go straight 300 meters until you come to a proper street (ul. Gagarina); Walk approximately 300 meters until you reach the first proper street (ul Khotsa Namsaraeva);"
  }
}

数据字段

• id（str）：该语言对的平行句子的唯一标识符。
• translation（dict）：该语言对的平行句子。

数据拆分

数据集包含一个train集。

数据集创建

收藏理由

[需要更多信息]

源数据

[需要更多信息]

[需要更多信息]

[需要更多信息]

注释

[需要更多信息]

[需要更多信息]

[需要更多信息]

个人和敏感信息

[需要更多信息]

使用数据的注意事项

数据的社会影响

[需要更多信息]

偏见讨论

[需要更多信息]

其他已知限制

[需要更多信息]

其他信息

数据集创建者

[需要更多信息]

许可信息

• 知识共享CC0（无版权保留）

引用信息

@inproceedings{banon-etal-2020-paracrawl,
    title = "{P}ara{C}rawl: Web-Scale Acquisition of Parallel Corpora",
    author = "Ba{\~n}{\'o}n, Marta  and
      Chen, Pinzhen  and
      Haddow, Barry  and
      Heafield, Kenneth  and
      Hoang, Hieu  and
      Espl{\`a}-Gomis, Miquel  and
      Forcada, Mikel L.  and
      Kamran, Amir  and
      Kirefu, Faheem  and
      Koehn, Philipp  and
      Ortiz Rojas, Sergio  and
      Pla Sempere, Leopoldo  and
      Ram{\'\i}rez-S{\'a}nchez, Gema  and
      Sarr{\'\i}as, Elsa  and
      Strelec, Marek  and
      Thompson, Brian  and
      Waites, William  and
      Wiggins, Dion  and
      Zaragoza, Jaume",
    booktitle = "Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics",
    month = jul,
    year = "2020",
    address = "Online",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2020.acl-main.417",
    doi = "10.18653/v1/2020.acl-main.417",
    pages = "4555--4567",
}

@InProceedings{TIEDEMANN12.463,
  author = {Jörg Tiedemann},
  title = {Parallel Data, Tools and Interfaces in OPUS},
  booktitle = {Proceedings of the Eight International Conference on Language Resources and Evaluation (LREC'12)},
  year = {2012},
  month = {may},
  date = {23-25},
  address = {Istanbul, Turkey},
  editor = {Nicoletta Calzolari (Conference Chair) and Khalid Choukri and Thierry Declerck and Mehmet Uğur Doğan and Bente Maegaard and Joseph Mariani and Asuncion Moreno and Jan Odijk and Stelios Piperidis},
  publisher = {European Language Resources Association (ELRA)},
  isbn = {978-2-9517408-7-7},
  language = {english}
}

贡献者

感谢 @rkc007 添加了此数据集。