Helsinki-NLP/opus_ubuntu

这些是Ubuntu软件包消息的翻译，由Ubuntu社区贡献。数据集支持多种语言对，并且可以通过指定语言代码来加载特定的语言对。每个实例包含一个ID和一个翻译字典，字典中包含两种语言的翻译文本。数据集的结构包括多个配置，每个配置对应一个语言对，并且每个配置只包含训练集。

These are translations of Ubuntu package messages, contributed by the Ubuntu community. This dataset supports multiple language pairs, and specific language pairs can be loaded by specifying their corresponding language codes. Each instance contains an ID and a translation dictionary, which holds the translated texts for the two languages involved. The dataset structure comprises multiple configurations, each corresponding to a single language pair, and each configuration only includes the training split.

原始信息汇总

数据集概述：Opus Ubuntu

数据集基本信息

• 名称: Opus Ubuntu
• 语言: 多语言，包括但不限于阿拉伯语、英语、法语、汉语等。
• 许可证: BSD-3-clause
• 多语言性: 多语言
• 大小:
  • 小于1K
  • 1K至10K
  • 10K至100K

数据集结构

• 特征:
  • id: 字符串类型，示例的唯一标识。
  • translation: 字典类型，包含两种语言的翻译文本。
• 分割:
  • train: 训练集，包含不同语言对的示例数量和字节数。

数据集配置

• 配置名称:
  • as-bs
  • az-cs
  • bg-de
  • bn-ga
  • br-es_PR
  • br-hi
  • br-la
  • br-uz
  • br-yi
  • bs-szl
• 数据文件:
  • 每个配置对应一个训练集文件，路径格式为{config_name}/train-*。

数据集创建

• 注释创建者:
  • 众包
  • 专家生成
• 源数据: 原始数据
• 任务类别: 翻译

使用考虑

• 许可证信息: BSD "Revised" 许可证
• 引用信息: bibtex @InProceedings{TIEDEMANN12.463, author = {J{"o}rg Tiedemann}, title = {Parallel Data, Tools and Interfaces in OPUS}, booktitle = {Proceedings of the Eight International Conference on Language Resources and Evaluation (LREC12)}, year = {2012}, address = {Istanbul, Turkey}, publisher = {European Language Resources Association (ELRA)}, isbn = {978-2-9517408-7-7}, language = {english} }

以上信息基于提供的README文件内容，概述了Opus Ubuntu数据集的关键信息。