数据集“wmt19”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 ）：

• 非英语文件中包含许多英语句子。
• 与其对应的英语句子没有对齐：它们与其对应的句子无关。

我们已经与WMT组织者联系。

基于statmt.org的数据的翻译数据集。

不同年份的版本使用不同的数据源。基本的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。可以通过以下方式完成：

from datasets import inspect_dataset, load_dataset_builder

inspect_dataset("wmt19", "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：2.02 GB
• 生成的数据集大小：1.32 GB
• 使用的总磁盘量：3.33 GB

"验证"的示例如下所示。

数据字段

数据字段在所有拆分中是相同的。

• 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

其他信息

数据集策划者

More Information Needed

许可信息

More Information Needed

引用信息

@ONLINE {wmt19translate,
    author = "Wikimedia Foundation",
    title  = "ACL 2019 Fourth Conference on Machine Translation (WMT19), Shared Task: Machine Translation of News",
    url    = "http://www.statmt.org/wmt19/translation-task.html"
}

贡献者

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