Description
Traditional Vietnamese Medicine currently lacks precise and high-quality datasets for Natural Language Processing (NLP) applications, as its historical knowledge is primarily documented in classical Chinese and Sino-Nom scripts. This language barrier leaves valuable medical heritages largely inaccessible to clinical researchers, practitioners as well as modern language technologies. In order to address this data bottleneck, this paper presents a construction of a domain-specific parallel corpus for this specialized field. Instead of relying on conventional manual corpus construction methods that demand extensive time and human resources, we design and implement a semi-automated pipeline involving archival document collection, optical character recognition (OCR), text normalization, and sentence-level bilingual alignment. The proposed pipeline successfully extracted and OCR-processed approximately 10,000 sentence pairs from historical Traditional Vietnamese Medicine documents. Furthermore, to effectively mitigate errors arising from automated processes, the resulting collection undergoes human-in-the-loop verification to ensure both linguistic and medical accuracy. Ultimately, this quality-assured dataset provides a foundational resource for downstream applications, specifically in machine translation and information retrieval within the Vietnamese Traditional Medicine domain.
Từ khóa
natural language processing, parallel corpus, traditional Vietnamese medicine, Sino-Nom script, OCR
Thông tin các tác giả
1/Võ Nguyễn Thảo Uyên: Sinh viên, đang học tập tại Trường Đại học Khoa học tự nhiên, Đại học Quốc gia Thành phố Hồ Chí Minh, 227 Nguyễn Văn Cừ, Phường Chợ Quán, Thành phố Hồ Chí Minh, email: vntuyen23@clc.fitus.edu.vn
2/Nguyễn Ngọc Minh Thư: Sinh viên, đang học tập tại Trường Đại học Khoa học tự nhiên, Đại học Quốc gia Thành phố Hồ Chí Minh, 227 Nguyễn Văn Cừ, Phường Chợ Quán, Thành phố Hồ Chí Minh, email: nnmthu23@clc.fitus.edu.vn
3/Tống Trọng Tâm: Sinh viên, đang học tập tại Trường Đại học Khoa học tự nhiên, Đại học Quốc gia Thành phố Hồ Chí Minh, 227 Nguyễn Văn Cừ, Phường Chợ Quán, Thành phố Hồ Chí Minh, email: tongtrongtam1909@gmail.com
4/Nguyễn Hồng Bửu Long, TS., đang công tác tại Trường Đại học Khoa học tự nhiên, Đại học Quốc gia Thành phố Hồ Chí Minh, 227 Nguyễn Văn Cừ, Phường Chợ Quán, Thành phố Hồ Chí Minh, email: nhblong@fit.hcmus.edu.vn
5/Đinh Điền, PGS. TS., đang công tác tại Trường Đại học Khoa học tự nhiên, Đại học Quốc gia Thành phố Hồ Chí Minh, 227 Nguyễn Văn Cừ, Phường Chợ Quán, Thành phố Hồ Chí Minh, email: ddien@fit.hcmus.edu.vn
