提供者：朱述承
访问地址：http://ufal.mff.cuni.cz/umc/005-en-ur/
简介
UMC005英语 - 乌尔都文是英文和乌尔都语文本的平行语料库，带有句子对齐。语料库可以用于统计机器翻译的实验。
文本来自四个不同的来源：
古兰经
圣经
Penn Treebank（华尔街日报）
Emille语料库
我们提供古兰经和圣经的宗教文本供直接下载。由于许可原因，Penn和Emille文本无法自由重新发布。但是，如果您已经拥有原始语料库的许可证，则我们可以提供脚本来重新创建磁盘上的数据。我们的修改包括但不限于以下内容：
纠正乌尔都语翻译和Emille文本的手动句子对齐。
手动纠正其他语料库的句子对齐。
我们的数据拆分（培训 - 开发 - 测试），以便我们发布的实验可以被复制。
Tokenization（可选，但需要重现我们的实验）。
例子的标准化（可选）欧洲与乌尔都语数字，欧洲与乌尔都语标点符号，删除乌尔都语变音符号。
文件格式
UMC005以纯文本文件的形式发布（Unicode UTF-8，Unix换行符）。
一个文件对应一种语言（英语/乌尔都语）的源文件（古兰经/圣经）的一部分（培训/开发/测试）。相同源和部分的英文和乌尔都语版本具有相同的行数，而行对应于文本的一个部分，通常是一个句子，并且两个相同编号的行是彼此的翻译。
相关论文
Bushra Jawaid, Daniel Zeman: Word-Order Issues in English-to-Urdu Statistical Machine Translation.