thesaurus-linguae-aegyptiae/tla-demotic-v18-premium

该数据集包含古埃及语（Demotic）句子的转写、词形还原、词性标注、注释和德语翻译。数据来源于Thesaurus Linguae Aegyptiae数据库的第18版语料库，仅包含完整且明确可读的句子（13,383条句子）。数据集适用于训练翻译模型和词形还原器，但不适用于重建古代源文本。

原始信息汇总

数据集概述

数据集描述

• 名称: Thesaurus Linguae Aegyptiae, Demotic sentences, corpus v18, premium
• 标注创建者: 专家生成
• 许可: CC BY-SA 4.0
• 任务类别: 翻译、词性标注
• 语言: 埃及语（egy）、德语（de）
• 多语言性: 多语言
• 大小类别: 10K<n<100K

数据集结构

特征

• transliteration: 字符串，埃及语转写
• lemmatization: 字符串，词形还原
• UPOS: 字符串，通用词性标签
• glossing: 字符串，词义标注
• translation: 字符串，德语翻译
• dateNotBefore: 字符串，文本见证的最早日期
• dateNotAfter: 字符串，文本见证的最晚日期
• authors: 字符串，主要作者和贡献者

数据分割

• 训练集: 13383个样本

数据实例

json { "transliteration": "ꞽy ꞽh pr =k", "lemmatization": "d338|ꞽy d4158|ḥr d1985|pr d6496|=k", "UPOS": "VERB ADP NOUN PRON", "glossing": "V PREP N.m -2sg.m", "translation": "Komm in dein Haus!", "dateNotBefore": "-75", "dateNotAfter": "-51", "authors": "Günter Vittmann;AV Altägyptisches Wörterbuch, AV Wortschatz der ägyptischen Sprache" }

数据集创建

筛选理由

该数据集仅包含完整、无争议、完全词形还原的句子，以满足机器学习项目对原始数据的需求。

源数据

数据集包含来自TLA语料库v18（2023）的所有埃及语句子，这些句子满足以下条件：

• 无破坏
• 无可疑读音
• 完全词形还原
• 有德语翻译

标注过程

转写中有时包含圆括号（( )），表示编辑添加的音素，这些括号及其内容在模型训练时可选择性移除。

标注者

Joachim Friedrich Quack, Marcel Moser, Simon D. Schweitzer, Martin Stadler, Günter Vittmann, Daniel A. Werning

偏差、风险和限制

该数据集并非精心平衡的数据集，词形还原通过词形ID进行，因为词形转写中包含许多因埃及语无音素特性而产生的同音字。