百度研究 发布 NEJM-enzh 数据集, 应用在 生物医学、机器翻译 领域

百度研究 本次发布的数据集 NEJM-enzh, NEJM-enzh是首个针对生物医学领域的英汉平行语料库，由百度研究团队开发。该数据集包含约100,000句对，总计约3,000,000个英汉词汇，来源于《新英格兰医学杂志》。数据集的创建过程涉及网页爬取、文本提取、语言匹配、句子分割和句子对齐等步骤。NEJM-enzh数据集主要应用于机器翻译领域，旨在提高生物医学文献的翻译质量和准确性，解决生物医学领域翻译资源不足的问题。

查看NEJM-enzh

README 内容： 

关于 百度研究 , 百度研究是百度公司旗下的研究机构，专注于人工智能、大数据、云计算等前沿技术的研究和应用。

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。