<html>
  <head>
    <meta http-equiv="content-type" content="text/html;
      charset=ISO-8859-1">
  </head>
  <body bgcolor="#FFFFFF" text="#000000">
    <br>
    <p class="MsoNormal" align="center"><i>New publications</i></p>
    <p class="MsoNormal" align="center"><b>-  <a href="#gale">GALE
          Chinese-English Word Alignment and Tagging Training Part 1 --
          Newswire and Web</a></b><b>  -</b></p>
    <p class="MsoNormal" align="center"><b>-  </b><a href="#madcat"><b>MADCAT


          Phase 1 Training Set</b></a>  <b>-</b></p>
    <hr size="2" width="100%"><br>
    <p class="MsoNormal" align="center"><b>New Publications<br>
      </b><o:p></o:p></p>
    <p class="MsoNormal"><a name="gale"></a>(1) <a
href="http://www.ldc.upenn.edu/Catalog/CatalogEntry.jsp?catalogId=LDC2012T16">GALE
Chinese-English




        Word Alignment and Tagging Training Part 1 -- Newswire and Web</a>
      was developed by LDC and contains 150,068 tokens of word aligned
      Chinese and English parallel text enriched with linguistic tags.
      This material was used as training data in the <a
        href="http://projects.ldc.upenn.edu/gale/index.html">DARPA GALE</a>
      (Global Autonomous Language Exploitation) program.  This <span
        style="mso-spacerun:yes"> </span>release consists of Chinese
      source newswire and web data (newsgroup, weblog) collected by LDC
      in 2008.<o:p></o:p></p>
    <p class="MsoNormal">Some approaches to statistical machine
      translation include the incorporation of linguistic knowledge in
      word aligned text as a means to improve automatic word alignment
      and machine translation quality. This is accomplished with two
      annotation schemes: alignment and tagging. Alignment identifies
      minimum translation units and translation relations by using
      minimum-match and attachment annotation approaches. A set of word
      tags and alignment link tags are designed in the tagging scheme to
      describe these translation units and relations. Tagging adds
      contextual, syntactic and language-specific features to the
      alignment annotation. <o:p></o:p></p>
    <p class="MsoNormal">The Chinese word alignment tasks consisted of
      the following components: <o:p></o:p></p>
    <p class="MsoNormal">-Identifying, aligning, and tagging 8 different
      types of links<o:p></o:p></p>
    <p class="MsoNormal">-Identifying, attaching, and tagging
      local-level unmatched words<o:p></o:p></p>
    <p class="MsoNormal">-Identifying and tagging
      sentence/discourse-level unmatched words<o:p></o:p></p>
    <p class="MsoNormal">-Identifying and tagging all instances of
      Chinese <span style="font-family:"MS
        Gothic";mso-bidi-font-family:"MS Gothic"">的</span>
      (DE) except when they were a part of a semantic link.<o:p></o:p></p>
    <div align="center"> *<o:p></o:p></div>
    <p class="MsoNormal"><a name="madcat"></a>(2) <a
href="http://www.ldc.upenn.edu/Catalog/CatalogEntry.jsp?catalogId=LDC2012T15">MADCAT




        Phase 1 Training Set</a> contains all training data created by
      LDC to support Phase 1 of the DARPA MADCAT Program. The data in
      this release consists of handwritten Arabic documents scanned at
      high resolution and annotated for the physical coordinates of each
      line and token. Digital transcripts and English translations of
      each document are also provided, with the various content and
      annotation layers integrated in a single MADCAT XML output. <o:p></o:p></p>
    <p class="MsoNormal">The goal of the MADCAT program is to
      automatically convert foreign text images into English
      transcripts. MADCAT Phase 1 data was collected by LDC from Arabic
      source documents in three genres: newswire, weblog and newsgroup
      text. Arabic speaking "scribes" copied documents by hand,
      following specific instructions on writing style (fast, normal,
      careful), writing implement (pen, pencil) and paper (lined,
      unlined). Prior to assignment, source documents were processed to
      optimize their appearance for the handwriting task, which resulted
      in some original source documents being broken into multiple
      "pages" for handwriting. Each resulting handwritten page was
      assigned to up to five independent scribes, using different
      writing conditions. <o:p></o:p></p>
    <p class="MsoNormal">The handwritten, transcribed documents were <span
        style="mso-spacerun:yes"> </span>checked for quality and
      completeness, then each page was scanned at a high resolution (600
      dpi, greyscale) to create a digital version of the handwritten
      document. The scanned images were then annotated to indicate the
      physical coordinates of each line and token. Explicit reading
      order was also labeled, along with any errors produced by the
      scribes when copying the text. <o:p></o:p></p>
    <p class="MsoNormal">The final step was to produce a unified data
      format that takes multiple data streams and generates a single xml
      output file which contains all required information. The resulting
      xml file <span style="mso-spacerun:yes"> </span>has these
      distinct components: a text layer that consists of the source
      text, tokenization and sentence segmentation; an image layer that
      consist of bounding boxes; a scribe demographic layer that
      consists of scribe ID and partition (train/test); and a document
      metadata layer. This release includes 9693 annotation files in
      MADCAT XML format (.madcat.xml) along with their corresponding
      scanned image files in TIFF format.<o:p></o:p></p>
    <o:p></o:p>
    <p class="MsoNormal"><o:p>  </o:p></p>
    <hr size="2" width="100%">
    <pre class="moz-signature" cols="72">-- 
--

Ilya Ahtaridis
Membership Coordinator
--------------------------------------------------------------------
Linguistic Data Consortium                  Phone: 1 (215) 573-1275
University of Pennsylvania                    Fax: 1 (215) 573-2175
3600 Market St., Suite 810                        <a class="moz-txt-link-abbreviated" href="mailto:ldc@ldc.upenn.edu">ldc@ldc.upenn.edu</a>
Philadelphia, PA 19104 USA                 <a class="moz-txt-link-freetext" href="http://www.ldc.upenn.edu">http://www.ldc.upenn.edu</a>





</pre>
  </body>
</html>