five

SEACrowd/cc_aligned_doc

收藏
Hugging Face2024-06-24 更新2024-06-29 收录
下载链接:
https://hf-mirror.com/datasets/SEACrowd/cc_aligned_doc
下载链接
链接失效反馈
官方服务:
资源简介:
CCAligned数据集包含137种语言与英语对齐的平行或可比网页文档对,其中10种语言来自东南亚地区(包括印尼语、巽他语、泰语、越南语、马来语、老挝语、高棉语、缅甸语、宿务语和瓦瑞语)。这些网页文档对通过对原始网页文档进行语言识别,并确保网页文档的URL中的语言代码对应,从而构建而成。这种模式匹配方法生成了超过1亿个与英语对齐的文档对。数据集的主要任务是机器翻译,支持使用`datasets`和`seacrowd`库进行加载。

CCAligned数据集包含137种语言与英语对齐的平行或可比网页文档对,其中10种语言来自东南亚地区(包括印尼语、巽他语、泰语、越南语、马来语、老挝语、高棉语、缅甸语、宿务语和瓦瑞语)。这些网页文档对通过对原始网页文档进行语言识别,并确保网页文档的URL中的语言代码对应,从而构建而成。这种模式匹配方法生成了超过1亿个与英语对齐的文档对。数据集的主要任务是机器翻译,支持使用`datasets`和`seacrowd`库进行加载。
提供机构:
SEACrowd
原始信息汇总

Cc Aligned Doc 数据集概述

基本信息

  • 名称: Cc Aligned Doc
  • 语言:
    • 印度尼西亚语 (ind)
    • 巽他语 (sun)
    • 泰语 (tha)
    • 越南语 (vie)
    • 马来语 (zlm)
    • 老挝语 (lao)
    • 高棉语 (khm)
    • 缅甸语 (mya)
    • 宿务语 (ceb)
    • 瓦瑞语 (war)
  • 任务类别: 机器翻译
  • 标签: 机器翻译

数据集描述

CCAligned 包含137种语言与英语对齐的平行或可比对的网页文档对(其中10种语言来自东南亚;缅甸语有两个不同脚本的文档集合)。这些网页文档对是通过对原始网页文档进行语言识别,并确保网页文档的URL中的相应语言代码对应而构建的。这种模式匹配方法产生了超过1亿对与英语对齐的文档。

支持的任务

  • 机器翻译

数据集版本

  • 源版本: 1.0.0
  • SEACrowd版本: 2024.06.20

数据集许可证

  • 未知

引用

@inproceedings{elkishky_ccaligned_2020, author = {El-Kishky, Ahmed and Chaudhary, Vishrav and Guzm{a}n, Francisco and Koehn, Philipp}, booktitle = {Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP 2020)}, month = {November}, title = {{CCAligned}: A Massive Collection of Cross-lingual Web-Document Pairs}, year = {2020} address = "Online", publisher = "Association for Computational Linguistics", url = "https://www.aclweb.org/anthology/2020.emnlp-main.480", doi = "10.18653/v1/2020.emnlp-main.480", pages = "5960--5969" }

@article{lovenia2024seacrowd, title={SEACrowd: A Multilingual Multimodal Data Hub and Benchmark Suite for Southeast Asian Languages}, author={Holy Lovenia and Rahmad Mahendra and Salsabil Maulana Akbar and Lester James V. Miranda and Jennifer Santoso and Elyanah Aco and Akhdan Fadhilah and Jonibek Mansurov and Joseph Marvin Imperial and Onno P. Kampman and Joel Ruben Antony Moniz and Muhammad Ravi Shulthan Habibi and Frederikus Hudi and Railey Montalan and Ryan Ignatius and Joanito Agili Lopo and William Nixon and Börje F. Karlsson and James Jaya and Ryandito Diandaru and Yuze Gao and Patrick Amadeus and Bin Wang and Jan Christian Blaise Cruz and Chenxi Whitehouse and Ivan Halim Parmonangan and Maria Khelli and Wenyu Zhang and Lucky Susanto and Reynard Adha Ryanda and Sonny Lazuardi Hermawan and Dan John Velasco and Muhammad Dehan Al Kautsar and Willy Fitra Hendria and Yasmin Moslem and Noah Flynn and Muhammad Farid Adilazuarda and Haochen Li and Johanes Lee and R. Damanhuri and Shuo Sun and Muhammad Reza Qorib and Amirbek Djanibekov and Wei Qi Leong and Quyet V. Do and Niklas Muennighoff and Tanrada Pansuwan and Ilham Firdausi Putra and Yan Xu and Ngee Chia Tai and Ayu Purwarianti and Sebastian Ruder and William Tjhi and Peerat Limkonchotiwat and Alham Fikri Aji and Sedrick Keh and Genta Indra Winata and Ruochen Zhang and Fajri Koto and Zheng-Xin Yong and Samuel Cahyawijaya}, year={2024}, eprint={2406.10118}, journal={arXiv preprint arXiv: 2406.10118} }

5,000+
优质数据集
54 个
任务类型
进入经典数据集
二维码
社区交流群

面向社区/商业的数据集话题

二维码
科研交流群

面向高校/科研机构的开源数据集话题

数据驱动未来

携手共赢发展

商业合作