Эти два связанных набора данных были созданы на основе глобальной коллекции веб-архива Архива Интернета. Первый набор данных, «Parallel Language Records of the Early Web (1996–1999)», содержит многоязычные записи, или URL-адреса веб-сайтов, содержащих один и тот же текст на нескольких языках. Такие многоязычные тексты с веб-сайтов являются ценным источником для корпусов параллельных языков и могут быть полезны для машинного перевода. Второй набор данных, «Language Annotations of the Early Web (1996–1999)», представляет собой ещё один набор метаданных, аннотирующий язык более четырёх миллионов веб-сайтов с помощью Compact Language Detector (CLD3).
Архивы Unleashed Cohort Program
В настоящее время принимаются Список телефонных номеров от исследовательских групп, заинтересованных в проведении вычислительного анализа данных веб-архивов. Для участия в программе с июля 2021 года по июнь 2022 года будут отобраны пять групп, каждая из которых будет состоять из пяти человек. Команды должны:
Примите участие в групповых мероприятиях
обучении и поддержке. Заключительное мероприятие состоится в Internet Archive в Сан-Франциско, Калифорния, США, ориентировочно в мае 2022 года. Предыдущие мероприятия будут проводиться в виртуальном Три способа отпраздновать День общественного достояния в 2022 году или очно, в зависимости от ограничений, связанных с COVID-19.
Получайте наставничество дважды в месяц посредством встреч поддержки с командой Archives Unleashed.
Работайте в исследовательском облаке Archive-It
для создания пользовательских наборов данных
Получите финансирование в размере 11 500 канадских Бизнес-каталог Бельгии на поддержку проекта. Также будет предоставлена дополнительная поддержка на поездку на мероприятие, посвященное Интернет-архиву.
Заявки принимаются до 31 марта 2021 года. Более подробную информацию о программе и инструкции по подаче заявки можно найти на веб-странице исследовательских групп проекта Archives Unleashed .