ted_multi_translate

  • বর্ণনা :

TED Talk ট্রান্সক্রিপ্ট থেকে প্রাপ্ত ব্যাপক বহুভাষিক (60 ভাষা) ডেটা সেট। প্রতিটি রেকর্ডে ভাষা এবং পাঠ্যের সমান্তরাল অ্যারে থাকে। অনুপস্থিত এবং অসম্পূর্ণ অনুবাদগুলি ফিল্টার আউট করা হবে৷

বিভক্ত উদাহরণ
'test' 7,213
'train' 258,098
'validation' 6,049
  • বৈশিষ্ট্য গঠন :
FeaturesDict({
    'talk_name': Text(shape=(), dtype=string),
    'translations': TranslationVariableLanguages({
        'language': Text(shape=(), dtype=string),
        'translation': Text(shape=(), dtype=string),
    }),
})
  • বৈশিষ্ট্য ডকুমেন্টেশন :
বৈশিষ্ট্য ক্লাস আকৃতি ডিটাইপ বর্ণনা
ফিচারসডিক্ট
কথা_নাম পাঠ্য স্ট্রিং
অনুবাদ অনুবাদ পরিবর্তনশীল ভাষা
অনুবাদ/ভাষা পাঠ্য স্ট্রিং
অনুবাদ/অনুবাদ পাঠ্য স্ট্রিং
  • উদ্ধৃতি :
@InProceedings{qi-EtAl:2018:N18-2,
  author    = {Qi, Ye  and  Sachan, Devendra  and  Felix, Matthieu  and  Padmanabhan, Sarguna  and  Neubig, Graham},
  title     = {When and Why Are Pre-Trained Word Embeddings Useful for Neural Machine Translation?},
  booktitle = {Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 2 (Short Papers)},
  month     = {June},
  year      = {2018},
  address   = {New Orleans, Louisiana},
  publisher = {Association for Computational Linguistics},
  pages     = {529--535},
  abstract  = {The performance of Neural Machine Translation (NMT) systems often suffers in low-resource scenarios where sufficiently large-scale parallel corpora cannot be obtained. Pre-trained word embeddings have proven to be invaluable for improving performance in natural language analysis tasks, which often suffer from paucity of data. However, their utility for NMT has not been extensively explored. In this work, we perform five sets of experiments that analyze when we can expect pre-trained word embeddings to help in NMT tasks. We show that such embeddings can be surprisingly effective in some cases -- providing gains of up to 20 BLEU points in the most favorable setting.},
  url       = {http://www.aclweb.org/anthology/N18-2084}
}
,

  • বর্ণনা :

TED Talk ট্রান্সক্রিপ্ট থেকে প্রাপ্ত ব্যাপক বহুভাষিক (60 ভাষা) ডেটা সেট। প্রতিটি রেকর্ডে ভাষা এবং পাঠ্যের সমান্তরাল অ্যারে থাকে। অনুপস্থিত এবং অসম্পূর্ণ অনুবাদগুলি ফিল্টার আউট করা হবে৷

বিভক্ত উদাহরণ
'test' 7,213
'train' 258,098
'validation' 6,049
  • বৈশিষ্ট্য গঠন :
FeaturesDict({
    'talk_name': Text(shape=(), dtype=string),
    'translations': TranslationVariableLanguages({
        'language': Text(shape=(), dtype=string),
        'translation': Text(shape=(), dtype=string),
    }),
})
  • বৈশিষ্ট্য ডকুমেন্টেশন :
বৈশিষ্ট্য ক্লাস আকৃতি ডিটাইপ বর্ণনা
ফিচারসডিক্ট
কথা_নাম পাঠ্য স্ট্রিং
অনুবাদ অনুবাদ পরিবর্তনশীল ভাষা
অনুবাদ/ভাষা পাঠ্য স্ট্রিং
অনুবাদ/অনুবাদ পাঠ্য স্ট্রিং
  • উদ্ধৃতি :
@InProceedings{qi-EtAl:2018:N18-2,
  author    = {Qi, Ye  and  Sachan, Devendra  and  Felix, Matthieu  and  Padmanabhan, Sarguna  and  Neubig, Graham},
  title     = {When and Why Are Pre-Trained Word Embeddings Useful for Neural Machine Translation?},
  booktitle = {Proceedings of the 2018 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 2 (Short Papers)},
  month     = {June},
  year      = {2018},
  address   = {New Orleans, Louisiana},
  publisher = {Association for Computational Linguistics},
  pages     = {529--535},
  abstract  = {The performance of Neural Machine Translation (NMT) systems often suffers in low-resource scenarios where sufficiently large-scale parallel corpora cannot be obtained. Pre-trained word embeddings have proven to be invaluable for improving performance in natural language analysis tasks, which often suffer from paucity of data. However, their utility for NMT has not been extensively explored. In this work, we perform five sets of experiments that analyze when we can expect pre-trained word embeddings to help in NMT tasks. We show that such embeddings can be surprisingly effective in some cases -- providing gains of up to 20 BLEU points in the most favorable setting.},
  url       = {http://www.aclweb.org/anthology/N18-2084}
}