Datasets de CLN

5,14 millones de grupos de corpus paralelo chino-alemán, formato de almacenamiento: documentos txt, cubre turismo, medicina, vida diaria, noticias, etc. Limpieza de datos, desidentificación y control de calidad realizados, puede servir como corpus base para análisis de datos textuales, aplicable en traducción automática, etc.

Datos de reconocimiento de intención en inglés tienen un tamaño total de 84.516 oraciones, anotación de tipo intención, contiene información de slots y valores de slots; dominios de intención incluyen música, clima, fecha, agenda, dispositivos domésticos, etc.; pueden usarse para investigación en reconocimiento de intención y campos relacionados.

Datos de corpus paralelo inglés-ruso totalizan 1.080.000 de grupos, excluyen vocabulario sensible como política, pornografía, información personal; pueden servir como corpus base para análisis de datos textuales, aplicable en traducción automática, etc.

Datos de corpus paralelo inglés-coreano con un total de 1.34 millones de pares; se excluyeron términos sensibles como política, pornografía e información personal. Puede utilizarse como corpus base para análisis de datos textuales en campos como traducción automática.

Corpus paralelo japonés-inglés con un total de 380.000 pares; se excluyeron vocabulario sensible como política, pornografía e información personal. Puede utilizarse como corpus base para análisis de datos textuales en campos como traducción automática.

687.694 datos anotados de intención en dominio abierto, anotados a partir de textos reales generados en móviles. Cubre escenarios de tareas pendientes, ubicaciones y agendas. Utilizables en comprensión del lenguaje natural.

Datos de anotación de intención de oraciones únicas en escenarios interactivos, con un tamaño de datos de 47.811 oraciones, anotadas por clase de intención, incluyendo información de ranuras (slots) y valores de ranuras; Los dominios de intención incluyen música, clima, fecha, agenda, dispositivos para el hogar, etc.; Estos datos pueden usarse para investigación en áreas relacionadas como el reconocimiento de intenciones.

Los datos de corpus paralelo chino-checo incluyen 1,99 millones de grupos de corpus paralelos traducidos mutuamente en chino y checo, el formato de almacenamiento de datos es documento txt. Se ha realizado limpieza de datos, desensibilización y control de calidad, puede servir como corpus base para el análisis de datos de tipo texto, utilizado en campos como la traducción automática.

Corpus de mensajes SMS en chino tradicional con un total de 10 millones de mensajes, datos reales de SMS coloquiales en tradicional; solo contiene texto de mensajes; el contenido anotado se almacena en formato TXT; los datos pueden utilizarse para tareas como comprensión del lenguaje natural.