数据集"wmt18"的数据卡

数据集概要

警告：Common Crawl语料库数据存在问题（ training-parallel-commoncrawl.tgz ）：

• 非英文文件中含有许多英文句子。
• 它们与其英文对应句子的对齐存在问题：它们之间没有相关性。

我们已联系WMT组织者。

翻译数据集基于statmt.org的数据。

根据不同年份的版本，使用了多个数据源。基本数据集wmt允许您通过选择自己的数据/语言对来创建自定义数据集。操作如下：

from datasets import inspect_dataset, load_dataset_builder

inspect_dataset("wmt18", "path/to/scripts")
builder = load_dataset_builder(
    "path/to/scripts/wmt_utils.py",
    language_pair=("fr", "de"),
    subsets={
        datasets.Split.TRAIN: ["commoncrawl_frde"],
        datasets.Split.VALIDATION: ["euelections_dev2019"],
    },
)

# Standard version
builder.download_and_prepare()
ds = builder.as_dataset()

# Streamable version
ds = builder.as_streaming_dataset()

支持的任务和排行榜

More Information Needed

语言

More Information Needed

数据集结构

数据实例

• 下载的数据集文件大小：2.03 GB
• 生成的数据集大小：1.46 GB
• 总磁盘使用量：3.49 GB

'validation'的示例如下。

数据字段

所有拆分之间的数据字段相同。

• translation：一个多语言字符串变量，可能的语言包括cs，en。

数据拆分

数据集创建

策划理由

More Information Needed

源数据

More Information Needed

More Information Needed

注释

More Information Needed

More Information Needed

个人和敏感信息

More Information Needed

使用数据的注意事项

数据的社会影响

More Information Needed

偏见讨论

More Information Needed

其他已知限制

More Information Needed

附加信息

数据集策划者

More Information Needed

许可信息

More Information Needed

引用信息

@InProceedings{bojar-EtAl:2018:WMT1,
  author    = {Bojar, Ond
{r}ej  and  Federmann, Christian  and  Fishel, Mark
    and Graham, Yvette  and  Haddow, Barry  and  Huck, Matthias  and
    Koehn, Philipp  and  Monz, Christof},
  title     = {Findings of the 2018 Conference on Machine Translation (WMT18)},
  booktitle = {Proceedings of the Third Conference on Machine Translation,
    Volume 2: Shared Task Papers},
  month     = {October},
  year      = {2018},
  address   = {Belgium, Brussels},
  publisher = {Association for Computational Linguistics},
  pages     = {272--307},
  url       = {http://www.aclweb.org/anthology/W18-6401}
}

贡献

感谢 @thomwolf ， @patrickvonplaten 添加了这个数据集。