En-Is Parallel Named Entity Robustness Corpus - Test data

  Authors

Jónsson, Haukur Páll ; Snæbjarnarson, Vésteinn ; Símonarson, Haukur Barri and Þorsteinsson, Vilhjálmur

  Item identifier

http://hdl.handle.net/20.500.12537/130

 Demo URL

https://velthyding.is/

 Date issued

2021-09-01

 Type

corpus, text

 Size

37000 sentences

 Language(s)

English , Icelandic

 Description

This repository contains a test set for measuring the progress in Named-Entity (NE) translation between Icelandic and English. This is parallel data which has been NER-tagged with language specific NE-taggers. Code which leverages these datasets is available here: https://github.com/mideind/MT-NE-Pipeline (Under "release" see "M6") Format "$dataset.$lang" contains text in language "$lang", sentence per line. "$dataset.$lang.ner" contains the corresponding NEs found in "$dataset.$lang", line by line. Each tag has the NE tag type information and start and stop character indices referring to the original text. NEs are separated with spaces. Tag types in Icelandic test data: Location, Misc, Organization, Person, Money, Percent, Date, Time Tag types in English test data: Location, Misc, Organization, Person The test data were created by sampling subcorpora in ParIce and then a language specific NE tagger was run on both sides. Then each side was tagged with an NE tagger. Since the NE taggers produce different tag sets the tags were mapped to a common tag set, namely Location, Person and Organization. The semantics of these tags between taggers tend to be similar. After tagging we removed all lines that contained no NEs and all lines where both sides did not contain the same number of NE tags. This ensures that only useful lines remain in the corpora. --- Í þessarri hirslu eru prófunargögn til að meta framfarir í þýðingum á nafnatókum á milli íslensku og ensku. Þessi gögn eru samhliða og eru nafnamerkt með nafnaþekkjara aðlagaðann fyrir bæði tungumál. Kóði sem nýtir þessi gögn hér: https://github.com/mideind/MT-NE-Pipeline (undir "release" sjá "M6") Snið "$gagnasett.$tungumál" inniheldur texta á tungumáli "$tungumál", ein setning fyrir hverja línu. "$gagnasett".$tungumál.ner" inniheldur tilsvarandi nafnatóka sem fyrirfinnast í "$gagnasett.$tungumál", línu fyrir línu. Sérhver nafnatóki er merktur með tagi og byrjunar- og lokastaðsetningu strengs í upphaflegs texta. Nafnatókar eru aðgreindir með bili. Tög í íslenskri hlið prófunargagna: Staðsetning, annað, samtök, persónur, peningur, prósentur, dagsetning og tími. Tög í enskri hlið prófunargagna: Staðsetning, annað, samtök, persónur. Prófunargögnin eru fengin úr ParIce með því að velja af handahófi úr undirmálheildum og svo er keyrður nafnaþekkjari fyrir bæði tungumál. Svo er keyrður nafnaþekkjari á báðar hliðar. Þar sem nafnaþekkjararnir skila mismunandi tögum þá er þeim varpað í sameiginlegt undirmengi, staðsetning, samtök og persónur. Merking þessara taga á milli nafnaþekkjara er sambærileg. Eftir keyrsluna eru gögnin síuð svo línur sem innihalda enga nafnatóka eru fjarlægðar og einnig línur sem innihalda ekki sama magn af sérhverjum flokki nafnataga. Þetta tryggir það að einungis gagnlegar línur verða eftir.

 Publisher

Miðeind ehf

 Acknowledgement

Ministry of Education, Science and Culture

Project code: V4b – Named entity pre- and post-processing

Project name: Language Technology for Icelandic 2019-2023 nationalFunds

 Subject(s)

neural machine translation machine translation named entity recognition parallel

 Collection(s)

Clarin IS

Show full item record