训练STANZA的POS标注模型时遇乌尔都语代码查找错误如何解决？

问题根源 #

Stanza内部采用小写ISO语言代码映射语言，乌尔都语对应的标准代码是ur，你命令里UD_URDU-UDTB中的大写URDU无法被识别为有效语言代码。

解决步骤 #

• 修正树库标识格式：Stanza对UD树库的命名规范为[语言代码]_[树库后缀]，乌尔都语UDTB的正确标识是ur_udtb，执行以下命令：

  python3 -m stanza.utils.datasets.prepare_pos_treebank ur_udtb
  

• 指定自定义数据目录（可选）：如果你的UD_URDU-UDTB目录不在Stanza默认路径，用--data_dir参数指定路径：

  python3 -m stanza.utils.datasets.prepare_pos_treebank ur_udtb --data_dir /path/to/your/dataset/folder
  

• 强制指定语言代码：若要保留原树库名称，通过--lang参数手动指定乌尔都语代码ur：

  python3 -m stanza.utils.datasets.prepare_pos_treebank UD_URDU-UDTB --lang ur
  

验证语言支持 #

可通过以下代码确认Stanza支持的语言及对应代码：

import stanza
print(stanza.supported_languages())

输出中会明确包含ur（乌尔都语）。

内容的提问来源于stack exchange，提问作者Determinator