遇见数据集

FrancophonIA/gatitos

收藏
Hugging Face2025-03-30 更新2025-04-12 收录
官方服务:

资源简介:

GATITOS是一个高质量的多语言平行数据集,包含4000个英文片段,每个片段都被翻译成了173种语言,其中170种是低资源语言,3种是中等偏高的资源语言(西班牙语、法语、印地语)。这个数据集主要用于训练和改进机器翻译模型。它主要由短片段组成,93%是单个词,只有0.6%的句子超过5个词。因此,它更适合作为一个多语言词汇表,而不是一个平行训练语料库。数据集的源文本是英语中的常用词,以及一些常见短语和短句。它还包含了良好的数字、月份、星期、斯瓦德什词和语言本身的名称(包括本族语名称)的覆盖。

The GATITOS (Googles Additional Translations Into Tail-languages: Often Short) dataset is a high-quality, multi-way parallel dataset of tokens and short phrases, intended for training and improving machine translation models. It consists of 4,000 English segments translated into 173 languages, primarily focusing on low-resource languages. The dataset is characterized by short segments, with 93% being single tokens and only 0.6% having more than 5 tokens. It is best suited as a multilingual lexicon rather than a parallel training corpus, containing frequent English words, common phrases, and short sentences. The dataset also includes annotations and definitions for some words, reflecting the complexity of translating single tokens due to polysemy.

提供机构:
FrancophonIA
搜集汇总
数据集介绍
FrancophonIA/gatitos 数据集图片
背景与挑战
背景概述
GATITOS数据集是一个高质量的多语言平行词典,包含4000个英语片段(4500个标记)被翻译成173种语言,其中170种为低资源语言。该数据集以单个词汇和短句为主(93%为单个标记),旨在用于机器翻译模型的训练和优化,特别适合提升低资源语言的翻译性能。
以上内容由遇见数据集搜集并总结生成
二维码
社区交流群
二维码
科研交流群
商业服务