日本国立信息通信技术研究所 发布 Coursera Parallel Corpus 数据集, 应用在 机器翻译、教育资源翻译 领域

日本国立信息通信技术研究所 本次发布的数据集 Coursera Parallel Corpus, Coursera Parallel Corpus是由日本国立信息通信技术研究所、京都大学和国立情报学研究所合作创建的双语数据集，专注于提升讲座转录的机器翻译质量。该数据集通过从Coursera平台公开可用的讲座中挖掘平行语料，采用动态规划算法基于机器翻译句子的余弦相似度进行句子对齐，确保了数据的高质量。数据集包含约50,543行英日平行语料和40,074行英中平行语料，适用于英日和英中机器翻译系统的开发和评估。通过多阶段微调策略，该数据集能有效提升教育讲座翻译的性能，解决了低资源语言翻译的挑战。

查看Coursera Parallel Corpus

README 内容： 

关于 日本国立信息通信技术研究所 , 日本国立信息通信技术研究所（National Institute of Information and Communications Technology, NICT）是日本的一个国家级研究机构，专注于信息和通信技术的研究与开发。该机构致力于推动技术创新，支持国家信息基础设施的建设，并在全球范围内进行合作研究。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。