Ces données ont été extraites à partir des dumps Wikipédia en date du 23 mai 2011, dans le cadre d'un travail de maîtrise entre mai 2011 et juin 2012.

La méthode d'extraction est présentée dans le mémoire de maîtrise de Lise Rebout intitulé "L'extraction de phrases en relation de traduction dans Wikipédia" sous la direction de Philippe Langlais.

• Données alignées ayant servi pour l'entraînement, le développement et le test des classifieurs et des systèmes de traduction automatique :
  train+dev+test.txt (448 kB)
  2 058 lignes, une paire de phrases par ligne. La phrase française est séparée de la phrase anglaise par une tabulation.
• Paires de phrases français-anglais extraites à l'aide des classifieurs, après la phase de bootstrapping :
  bitexteFR-EN.txt.bz2 (32 MB)
  665 297 lignes, une paire de phrases par ligne. La phrase française est séparée de la phrase anglaise par une tabulation.
  
  Ces paires de phrases constituent un corpus quasi-parallèle. Les bitextes ne sont pas exactement la traduction l'un de l'autre. Le taux de parallélisme est d'environ 81%.

Pour toute question, veuillez contacter Lise Rebout ou Philippe Langlais.