Linking Hadith Narrator Identities Across Heterogeneous Arabic Biographical Databases: A Multi-Signal Entity Resolution Pipeline

Resumen Técnico: Vinculación de Identidades de Narradores de Hadith a través de Bases de Datos Biográficas Árabes Heterogéneas

Planteamiento del Problema
El análisis computacional de la literatura de Hadith islámico se ve actualmente obstaculizado por la fragmentación de los datos de los narradores. Si bien existen corpus digitales a gran escala —como el Sanadset 650K (que contiene 650.986 registros de Hadith con cadenas de narradores) y bases de datos biográficas como Hadithtransmitters (hawramani) y Muslimscholars.info— estos recursos operan de forma aislada. Carecen de identificadores comunes y utilizan representaciones de nombres divergentes (por ejemplo, variaciones en las cadenas de nasab, kunyah frente a ism, y variaciones ortográficas). Los enfoques de resolución de entidades existentes para el árabe están diseñados mayoritariamente para bases de conocimiento modernas alineadas con Wikipedia y no logran abordar los desafíos específicos de los nombres históricos islámicos, tales como las cadenas de nasab de longitud variable y las variaciones de caso morfológico. En consecuencia, los análisis de redes sociales de las cadenas de transmisión (sanad) están limitados a colecciones únicas sin acceso a metadatos biográficos de fuentes cruzadas (por ejemplo, años de muerte, grados de fiabilidad), y los sistemas de desambiguación operan bajo supuestos de mundo cerrado que no facilitan la vinculación entre bases de datos independientes.

Metodología
El artículo propone un pipeline de resolución de entidades de dos fases diseñado para vincular nombres de narradores de Sanadset a hawramani, y posteriormente vincular hawramani con muslimscholars. El pipeline se basa en una normalización del árabe específica del dominio y un marco de puntuación de señales múltiples.

1. Normalización de Nombres Árabes: Antes de cualquier comparación, se aplica una función de normalización compartida norm(t) a las tres bases de datos. Este proceso:

   • Elimina los signos diacríticos (tashkeel) utilizando rangos Unicode explícitos y disjuntos para evitar la eliminación accidental de consonantes.
   • Unifica cinco variantes de Alef en un único Alef desnudo.
   • Normaliza la Ta marbuta a ha y la Alef maqsura a ya.
   • Elimina el Tatweel y colapsa los espacios en blanco.

2. Generación de Candidatos: Para evitar comparaciones computacionalmente prohibitivas de $O(n \times m)$, el sistema emplea un índice de prefijos de bigramas. Los registros se indexan por pares de tokens normalizados consecutivos. Los candidatos se recuperan como la unión de los registros que comparten al menos un bigrama con el nombre de consulta, reduciendo la carga de comparación en órdenes de magnitud.

3. Fase 1: Sanadset $\rightarrow$ hawramani (Solo Nombre):

   • Restricción: Las entradas de Sanadset carecen de metadatos biográficos (sin años de muerte o grados).
   • Método: La concordancia se basa únicamente en la similitud de nombres mediante la coincidencia difusa de tokens ordenados (token-sorted fuzzy string matching, TSR). Los tokens se ordenan alfabéticamente para mitigar las variaciones en el orden de las cadenas de nasab.
   • Puntuación: Se calcula una puntuación de similitud $s_{name} \in [0, 1]$. Los vínculos se establecen si $s_{name} \ge 0.80$.
   • Confianza: ALTA ($\ge 0.90$) y MEDIA ($\ge 0.80$).

4. Fase 2: hawramani $\leftrightarrow$ muslimscholars (Multisignal):

   • Método: Una función de señales múltiples ponderada combina la similitud de nombres, la proximidad del año de muerte y la polaridad del grado de fiabilidad.
   • Señales:
     • Similitud de Nombre: Ponderada en 0.70 (o 0.50 si los años de muerte están disponibles en ambos lados).
     • Proximidad del Año de Muerte: Calculada como $s_{death}(\Delta y)$ basada en la diferencia absoluta en años Hijri. Las puntuaciones van desde 1.0 (coincidencia exacta) hasta 0.0 (diferencia de >10 años). Si los años de muerte faltan, se aplica una puntuación neutral de 0.50.
     • Polaridad de Grado: Los grados de fiabilidad se colapsan en clases positivas, negativas o desconocidas (puntuaciones 1.0, 0.0, 0.5).
     • Bono de Fuente: Se añade un pequeño bono ($\delta_{src} = 0.05$) si el registro de hawramani tiene cinco o más citas de fuentes.
   • Ponderación Dinámica: Debido a que los años de muerte son escasos en hawramani (disponibles para <0.1% de los pares emparejados en la ejecución inicial, aunque el artículo nota que la extracción mejorada cubre el 27.2% en los resultados), el sistema ajusta dinámicamente los pesos. Para la gran mayoría de los pares, la distribución de pesos efectivos es de aproximadamente ~70% nombre, 10% muerte (neutral) y 10% grado.
   • Confianza: ALTA ($\ge 0.85$), MEDIA ($\ge 0.65$) y BAJA ($\ge 0.45$).

5. Construcción del Grafo: Los datos vinculados se utilizan para construir un grafo de transmisión dirigido donde las aristas representan la relación estudiante-maestro. Los metadatos de los nodos se enriquecen con detalles biográficos de fuentes cruzadas. La confianza de la cadena para vínculos transitivos (Sanadset $\rightarrow$ hawramani $\rightarrow$ muslimscholars) se determina por el nivel mínimo de confianza de los vínculos constituyentes.

Resultados Clave

• Fase 1 (Sanadset $\rightarrow$ hawramani): De 185,216 variantes de nombres de narradores únicos en Sanadset, 94,628 (51.1%) fueron vinculados con éxito.
  • Confianza ALTA: 39,938 (21.6%).
  • Confianza MEDIA: 54,690 (29.5%).
  • El 47.7% de los narradores no tenían candidatos de bigramas, típicamente debido a formas altamente abreviadas o ausencia en la base de datos de destino.
• Fase 2 (hawramani $\leftrightarrow$ muslimscholars): Se establecieron 95,573 vínculos, cubriendo el 94.7% de las 100,915 entradas de hawramani.
  • Confianza ALTA: 18,245 (18.1%).
  • Confianza MEDIA: 71,546 (70.9%).
  • Confianza BAJA: 5,782 (5.7%).
  • El predominio de la confianza MEDIA se atribuye a la escasez de datos (falta de años de muerte en ambos lados), lo que obliga a depender de la similitud de nombres.
• Grafo de Transmisión: El pipeline produjo un grafo dirigido con 185,216 nodos y 814,093 aristas. Esto es aproximadamente 90 veces más grande que el siguiente grafo de narradores de Hadith publicado. El grafo exhibe propiedades de escala libre con distribuciones de grado de ley de potencia.
• Enriquecimiento: 93,588 narradores lograron la alineación de tres fuentes (Sanadset $\rightarrow$ hawramani $\rightarrow$ muslimscholars), permitiendo el enriquecimiento del grafo con metadatos biográficos cruzados.

Significancia y Contribuciones
El artículo reclama tres contribuciones primarias que abordan una brecha identificada en encuestas previas respecto a la falta de resolución de identidad de narradores entre fuentes a escala:

1. Un Pipeline de Dos Fases: Un novedoso pipeline que combina una fase de solo nombre (necesaria para fuentes pobres en metadatos) y una fase de señales múltiples (aprovechando años de muerte y grados cuando están disponibles), utilizando una normalización del árabe específica del dominio.
2. Corpus de Enlaces Anotados: La liberación de dos corpus de enlaces estratificados (sanad_links y narrator_links) categorizados por niveles de confianza, que sirven como los primeros recursos a gran escala para esta tarea específica de vinculación entre fuentes.
3. Grafo de Transmisión Enriquecido: La construcción del grafo de transmisión más grande publicado (185k nodos), enriquecido con metadatos biográficos de múltiples fuentes, permitiendo análisis previamente imposibles con conjuntos de datos aislados.

Los autores enfatizan que el pipeline opera enteramente sobre cadenas de nombres estructuradas y metadatos categóricos, lo que lo hace aplicable a cualquier par de bases de datos biográficas árabes. Observan que, si bien los umbrales de confianza se establecieron por inspección en lugar de una calibración formal de verdad fundamental (debido a la falta de un conjunto de evaluación verificado manualmente), los recursos resultantes proporcionan un punto de partida fundacional para la investigación posterior en la autenticación de Hadith y las humanidades digitales islámicas. El trabajo se posiciona explícitamente como la resolución de un problema de "mundo abierto", distinto de las tareas de desambiguación de "mundo cerrado" abordadas por modelos previos como AR-Sanad v2.