Coursera Parallel Corpus

Coursera Parallel Corpus是由日本国立信息通信技术研究所、京都大学和国立情报学研究所合作创建的双语数据集，专注于提升讲座转录的机器翻译质量。该数据集通过从Coursera平台公开可用的讲座中挖掘平行语料，采用动态规划算法基于机器翻译句子的余弦相似度进行句子对齐，确保了数据的高质量。数据集包含约50,543行英日平行语料和40,074行英中平行语料，适用于英日和英中机器翻译系统的开发和评估。通过多阶段微调策略，该数据集能有效提升教育讲座翻译的性能，解决了低资源语言翻译的挑战。