数据集概述
该数据集是开源高质量英语-祖鲁语平行语料库，涵盖南非本土及国际英语语境，由专业译者翻译构建。包含10000组平行句对（各5000组双向翻译），并从每组中分离1000组作为评估集，祖鲁语评估集经双重翻译以计算人类水平BLEU分数。
文件详解
- 训练数据文件（CSV格式）：
- zu-en.training.csv：祖鲁语-英语训练数据，字段包括zu（祖鲁语句子）、en（英语句子）、source（数据来源）
- en-zu.training.csv：英语-祖鲁语训练数据，字段结构同训练集
- 评估数据文件（CSV格式）：
- zu-en.eval.csv：祖鲁语-英语评估数据，包含双向翻译的祖鲁语句子以计算BLEU分数
- en-zu.eval.csv：英语-祖鲁语评估数据，字段同训练集
- 说明文档：
- Data Statement for Umsuka isiZulu Parallel Corpus.pdf：数据集说明文档，提供语料库构建方法、数据来源及使用规范
适用场景
- 机器翻译模型训练：用于英语-祖鲁语双向机器翻译系统的训练与优化
- 低资源语言处理研究：支持祖鲁语等形态复杂非洲语言的自然语言处理技术开发
- 翻译质量评估：通过双重翻译评估集计算人类水平BLEU分数，验证机器翻译性能
- 跨语言语料库语言学研究：分析英语与祖鲁语在不同语境下的语言转换规律
