Defense and security monolingual and parallel corpus

Lietuvių vienakalbis, anglų vienakalbis ir anglų–lietuvių lygiagretusis gynybos ir saugumo tekstynai apima originalius lietuvių ir anglų kalbų tekstus, o lygiagrečiųjų tekstynų atveju – ir jų vertimus į lietuvių kalbą, suderintus sakinio lygiu. Tekstai surinkti iš Europos Sąjungos ir Lietuvos institucijų dokumentų, strategijų, teisės aktų bei kitų su gynyba ir saugumu susijusių šaltinių. Bendras tekstynų dydis: Lietuvių vienakalbis – 17 mln. žodžių. Anglų vienakalbis – 19,3 mln. žodžių. Anglų–lietuvių lygiagretusis – 119 tūkst. sakinių porų. Duomenų rinkinio struktūra: 1. Defence-Security Data Metadata.xlsx – metaduomenų dokumentas. 2. Defence-Security Data Statistics.xlsx – informacija apie duomenis, įskaitant atliktus techninių parametrų matavimus, tokius kaip gramatinių klaidų ir užsienio kalbų intarpų kiekiai bei kita statistinė informacija. 3. Katalogas „Monolingual“ – pateikiami lietuvių ir anglų kalbų vienakalbiai tekstynai TXT formatu, kiekvieno šaltinio duomenis pateikiant atskirame faile. 4. Katalogas „Parallel“ – pateikiami lygiagretieji tekstynai TMX formatu, kiekvieno šaltinio duomenis išskiriant atskirame faile. 5. Katalogas „Subdomains“ – pateikiami vienakalbiai ir lygiagretieji tekstynai, suskirstyti į 6 domenus, kiekvieno šaltinio duomenis pateikiant atskirame faile. Duomenų rinkinio failai parengti taip, kad būtų tinkami naudoti mašininio vertimo, lokalizavimo ir kituose dirbtinio intelekto taikymuose.