mrrtmob/english-khmer-dictionary

--- language: - en - km license: cc-by-4.0 task_categories: - translation tags: - dictionary - english - khmer - bilingual - nlp - cambodia - definitions - part-of-speech pretty_name: English-Khmer Dictionary size_categories: - 100K<n<1M --- # 📖 English–Khmer Dictionary Dataset A comprehensive bilingual English–Khmer (ភាសាខ្មែរ) dictionary dataset in CSV format containing **170,000+ entries**. Each entry includes the original English word, its Khmer translation, part of speech, full definitions in both languages, and example sentences — making it one of the richer English–Khmer lexical resources available for NLP and language learning. ## Dataset Description This dataset provides structured dictionary entries pairing English words with Khmer translations. With over **170,000 entries** covering a wide range of vocabulary, it goes beyond simple word pairs by including part-of-speech tags, detailed definitions in both English and Khmer, and bilingual example sentences. It is well-suited for machine translation, language learning tools, and linguistic research on Khmer — a low-resource language spoken primarily in Cambodia. ## Dataset Structure The dataset is a single CSV file with the following columns: | Column | Type | Description | |--------|------|-------------| | `word` | string | The English headword | | `word_km` | string | The Khmer translation of the headword (in Khmer script) | | `pos` | string | Part of speech (e.g., `noun`, `verb`, `prep.`, `adj.`) — may be empty | | `definition_en` | string | Full definition in English | | `definition_km` | string | Full definition in Khmer script | | `example_en` | string | Example sentence in English (may be empty) | | `example_km` | string | Example sentence in Khmer (may be empty) | > Note: Some entries have multiple rows for the same headword, each representing a different sense or meaning. ### Sample Data | word | word_km | pos | definition_en | definition_km | |------|---------|-----|---------------|---------------| | A | ក | | An adjective, commonly called the indefinite article... | គុណនាម ដែលជាទូទៅគេហៅថា អត្ថបទមិនកំណត់... | | A | ក | prep. | In; on; at; by. | នៅក្នុង; នៅលើ; នៅ; ដោយ. | | A | ក | | Of. | នៃ។ | ## Usage ```python from datasets import load_dataset dataset = load_dataset("mrrtmob/english-khmer-dictionary") print(dataset["train"][0]) ``` Or load directly with pandas: ```python import pandas as pd df = pd.read_csv("dictionary.csv") # Look up a word results = df[df["word"].str.lower() == "hello"] print(results[["word", "word_km", "pos", "definition_en"]]) ``` ## Languages - **Source language:** English (`en`) - **Target language:** Khmer (`km`) — spoken by ~16 million people, primarily in Cambodia ## Potential Use Cases - Training or fine-tuning English↔Khmer machine translation models - Building Khmer dictionary or language learning applications - Part-of-speech tagging and annotation for Khmer NLP pipelines - Augmenting low-resource Khmer NLP datasets - Linguistic and lexicographic research on the Khmer language ## Data Collection The English headwords and definitions were sourced from **OPTED (The Online Plain Text English Dictionary) v0.03**, a public domain English dictionary maintained by the Australian National University (ANU) at `https://www.mso.anu.edu.au/~ralph/OPTED/v003/`. OPTED itself is based on *Webster's Unabridged Dictionary* (1913 edition), which is in the public domain. The Khmer translations (`word_km`, `definition_km`, `example_km`) were generated using the **Kiri translation model** by [Blizzer.tech](https://blizzer.tech), an AI-powered translation service specializing in Southeast Asian languages including Khmer. > ⚠️ As the Khmer translations are machine-generated, some entries may contain translation errors or unnatural phrasing. Human review and correction is encouraged for production use. ## License This dataset is released under the [Creative Commons Attribution 4.0 International (CC BY 4.0)](https://creativecommons.org/licenses/by/4.0/) license. You are free to share and adapt the data as long as appropriate credit is given. ## Contributions Contributions, corrections, and additions are welcome! Feel free to open an issue or pull request on the dataset repository. ## Contact For questions or feedback, please reach out via the Hugging Face community tab.--- 语言： - 英语（English，`en`） - 高棉语（Khmer，`km`） 许可协议：CC BY 4.0 任务类别： - 翻译 标签： - 词典 - 英语（English） - 高棉语（Khmer） - 双语 - 自然语言处理（Natural Language Processing，NLP） - 柬埔寨（Cambodia） - 释义 - 词性（part-of-speech） 数据集名称：英-高棉语词典（English-Khmer Dictionary） 条目规模： - 10万 < 条目数 < 100万 --- # 📖 英-高棉语词典数据集 这是一份格式为CSV的双语英-高棉语（ភាសាខ្មែរ）词典数据集，包含**超过17万条条目**。每条条目均包含原始英语词目、对应的高棉语译法、词性、两种语言的完整释义以及例句，使其成为当前可用于自然语言处理（Natural Language Processing，NLP）与语言学习的较为丰富的英-高棉语词汇资源之一。 ## 数据集概述 本数据集提供结构化的词典条目，将英语词汇与高棉语译词一一对应。该数据集拥有**超过17万条**覆盖广泛词汇范围的条目，不仅提供简单的词对匹配，还包含词性标注、两种语言的详细释义以及双语例句。其非常适用于机器翻译、语言学习工具开发，以及针对高棉语的语言学研究——高棉语是一种主要在柬埔寨使用的低资源语言（low-resource language）。 ## 数据集结构 本数据集为单个CSV文件，包含以下列： | 列名 | 数据类型 | 描述 | |------|----------|------| | `word` | 字符串（string） | 英语主词目 | | `word_km` | 字符串（string） | 主词目的高棉语译法（使用高棉文书写） | | `pos` | 字符串（string） | 词性标注（例如`noun`（名词）、`verb`（动词）、`prep.`（介词）、`adj.`（形容词）），可为空 | | `definition_en` | 字符串（string） | 英语完整释义 | | `definition_km` | 字符串（string） | 高棉语完整释义（使用高棉文书写） | | `example_en` | 字符串（string） | 英语例句，可为空 | | `example_km` | 字符串（string） | 高棉语例句，可为空 | > 注意：部分条目下同一主词目会存在多行数据，每行对应一个不同的义项。 ### 样例数据 | 词目 | 高棉语译法 | 词性 | 英语释义 | 高棉语释义 | |------|----------|-----|----------|------------| | A | ក | | 形容词，通常被称为不定冠词…… | គុណនាម ដែលជាទូទៅគេហៅថា អត្ថបទមិនកំណត់…… | | A | ក | prep. | 在……内；在……上；在……；通过…… | នៅក្នុង; នៅលើ; នៅ; ដោយ. | | A | ក | | 属于……的 | នៃ។ | ## 使用方法 python from datasets import load_dataset dataset = load_dataset("mrrtmob/english-khmer-dictionary") print(dataset["train"][0]) 也可直接通过pandas加载： python import pandas as pd df = pd.read_csv("dictionary.csv") # 查询单词 results = df[df["word"].str.lower() == "hello"] print(results[["word", "word_km", "pos", "definition_en"]]) ## 语言说明 - **源语言：** 英语（English，`en`） - **目标语言：** 高棉语（Khmer，`km`）——全球约有1600万使用者，主要分布于柬埔寨。 ## 潜在应用场景 - 训练或微调英↔高棉语机器翻译模型 - 开发高棉语词典或语言学习应用程序 - 为高棉语自然语言处理（NLP）流程提供词性标注与标注数据 - 扩充低资源高棉语自然语言处理数据集 - 开展高棉语语言学与词典学研究 ## 数据采集 英语主词目与释义源自**OPTED（The Online Plain Text English Dictionary）v0.03**，这是由澳大利亚国立大学（Australian National University，ANU）在`https://www.mso.anu.edu.au/~ralph/OPTED/v003/`维护的公有领域英语词典。OPTED本身基于1913年版的《韦氏无删减词典》（*Webster's Unabridged Dictionary*），该词典已进入公有领域。 高棉语译词（`word_km`、`definition_km`、`example_km`）由[Blizzer.tech](https://blizzer.tech)开发的**Kiri翻译模型**生成，该机构是一家专注于包括高棉语在内的东南亚语言的人工智能翻译服务提供商。 > ⚠️ 由于高棉语译词由机器生成，部分条目可能存在翻译错误或表达不自然的情况。若用于生产环境，建议进行人工审核与修正。 ## 许可协议 本数据集采用[知识共享署名4.0国际许可协议（Creative Commons Attribution 4.0 International，CC BY 4.0）](https://creativecommons.org/licenses/by/4.0/)进行授权。 您可自由共享或改编本数据集，但需注明原作者。 ## 贡献指南 欢迎贡献内容、修正错误与添加条目！请随时在数据集仓库中提交议题（issue）或拉取请求（pull request）。 ## 联系方式 如有疑问或反馈，请通过Hugging Face社区页面联系我们。