Changes between Version 1 and Version 2 of ParallelCzechNorwegian

Timestamp:

Jan 16, 2017, 4:04:49 PM (9 years ago)

Author:

xbaisa

Comment:

--

ParallelCzechNorwegian

@@ -1 +1 @@
 = D2.4: Parallel Czech-Norwegian corpus, size 10 million tokens =
+
+== Source ==
+
+The source for this corpus was taken from !OpenSubtitles corpus made available within [[http://opus.lingfil.uu.se/OpenSubtitles2016.php|OPUS2 parallel corpus]].
+
+== Statistics ==
+
+Czech part: 32,345,496 tokens, 24,101,302 words, 4,235,111 segments (utterances, sentences).
+Norwegian part: 32,549,746 tokens, 25,503,941 words.
+
+== Examples == 
+
+=== Norwegian words with more than 100,000 occurrences ===
+
+{{{
+er      821,781
+det     589,721
+du      554,116
+Jeg     547,501
+ikke    506,186
+jeg     418,217
+en      360,871
+i       341,400
+har     315,050
+Det     310,092
+på      307,877
+å       296,603
+og      293,047
+til     271,992
+deg     259,043
+meg     245,155
+med     242,594
+for     213,835
+Du      211,802
+at      204,376
+som     203,379
+vi      171,073
+var     165,487
+kan     162,222
+av      160,980
+om      149,962
+den     148,767
+vil     147,605
+så      147,174
+Vi      145,267
+et      138,850
+han     126,251
+skal    119,570
+Hva     110,797
+de      110,202
+Han     107,929
+må      101,278
+}}}
+
+=== Czech words with more than 100,000 occurrences ===
+
+{{{
+to      656,606
+se      560,332
+je      422,521
+že      345,153
+na      327,317
+jsem    309,133
+a       297,950
+si      231,641
+v       201,975
+co      172,431
+To      160,908
+s       152,526
+A       149,175
+mi      142,779
+mě      132,047
+tak     121,439
+jsi     118,647
+do      113,030
+o       112,856
+Je      106,979
+}}}
+
+=== Example parallel segments ===
+
+{{{
+Om jeg hadde $ 300, kunne jeg kommet meg til Tyskland.  <==>  Ne, ale kdybych měl 300$, dostal bych se do Německa.
+Aldri i livet!  <==>  Až naprší a uschne.
+Jeg vil bli her... og fiske, slik Manuel gjorde.  <==>  Chci zůstat tady... a jezdit na ryby, jako Manuel.
+Transilvania.  <==>  Transylvánie.
+"Polka-Dot banditten og gjengen beskyldt for å utføre røveriet"  <==>  "Podezření padá na banditu Polka-Dot ."
+Fortsette som før?  <==>  Jako dřív?
+Nå har vi rikelig med sol for smilefjeset.  <==>  Tedˇ svítí sluníčko pro pana Štˇastného.
+Det minner meg om de ødelagte forsvarsverker på mitt eget slått i Transilvania.  <==>  Připomíná mi to zchátralé cimbuří mého vlastního hradu v Transylvánii.
+Ikke minn meg på det.  <==>  Nepřipomínej mi to.
+Følge etter?  <==>  - Sledovat?
+}}}