康格里低资源语言的单语与平行语料库
计算与语言
2021-03-23 v1
摘要
在本文中，我们呈现联合国教育、科学及文化组织（UNESCO）所列的喜马偕尔低资源濒危语言康格里语（Kangri，ISO 639-3 xnr）的数据集。由于数字化资源不可用，康格里语料库的编纂一直是一项挑战性任务。该语料库包含1,81,552条单语与27,362条印地语-康格里语平行语料。我们分享了预训练的康格里词语嵌入。我们还报告了统计机器翻译（SMT）与神经机器翻译（NMT）结果在该语料库上的双语评估替补（BLEU）分数与显式排序翻译评估度量（METEOR）分数。该语料库可免费用于非商业用途与研究。据我们所知，这是首个喜马偕尔低资源濒危语言语料库。相关资源可在 (https://github.com/chauhanshweta/Kangri_corpus) 获取。
引用
@article{arxiv.2103.11596,
title = {Monolingual and Parallel Corpora for Kangri Low Resource Language},
author = {Shweta Chauhan and Shefali Saxena and Philemon Daniel},
journal= {arXiv preprint arXiv:2103.11596},
year = {2021}
}
备注
7 pages, 6 Tables, 1 Figure