Canterburský korpus - Canterbury corpus

The Canterburský korpus je sbírka soubory určeno k použití jako měřítko pro testování bezztrátová komprese dat algoritmy. Byl vytvořen v roce 1997 na University of Canterbury, Nový Zéland a navržen tak, aby nahradil Calgary korpus. Soubory byly vybrány na základě jejich schopnosti poskytovat reprezentativní výsledky výkonu.[1]

Obsah

V nejčastěji používané formě se korpus skládá z 11 souborů, vybraných jako „průměrné“ dokumenty z 11 tříd dokumentů,[2] celkem 2 810 784 bajtů následujícím způsobem.

Velikost (bajty)Název souboruPopis
152,089Alice 29.txtAnglický text
125,179asyoulik.txtShakespeare
24,603cp.htmlHTML zdroj
11,150pole.cC zdroj
3,721gramatika. lspLISP zdroj
1,029,744kennedy.xlsexcelovská tabulka
426,754lcet10.txtTechnické psaní
481,861plrabn12.txtPoezie (ztracený ráj )
513,216ptt5CCITT testovací sada
38,240součetSPARC spustitelný
4,227xargs.1GNU manuální stránka

Viz také

Reference

  1. ^ Ian H. Witten; Alistair Moffat; Timothy C. Bell (1999). Správa gigabajtů: komprese a indexace dokumentů a obrázků. Morgan Kaufmann. str. 92. ISBN  9781558605701.
  2. ^ Salomon, David (2007). Komprese dat: Kompletní reference (Čtvrté vydání). Springer. str. 12. ISBN  9781846286032.

externí odkazy