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

Résumé Technique : Lier les Identités des Narrateurs de Hadith à travers des Bases de Données Biographiques Arabes Hétérogènes

Énoncé du Problème
L'analyse computationnelle de la littérature du Hadith islamique est actuellement entravée par la fragmentation des données sur les narrateurs. Bien que des corpus numériques à grande échelle existent — tels que le Sanadset 650K (contenant 650 986 enregistrements de Hadith avec des chaînes de narrateurs) et des bases de données biographiques comme Hadithtransmitters (hawramani) et Muslimscholars.info — ces ressources opèrent de manière isolée. Elles manquent d'identifiants communs et utilisent des représentations de noms divergentes (par exemple, des variations de chaînes de nasab, des formes kunyah vs ism, et des variations orthographiques). Les approches existantes de résolution d'entités pour l'arabe sont largement conçues pour des bases de connaissances modernes alignées sur Wikipédia et ne parviennent pas à traiter les défis spécifiques des noms historiques islamiques, tels que les chaînes de nasab à longueur variable et les variations de cas morphologiques. Par conséquent, les analyses de réseaux sociaux des chaînes de transmission (sanad) sont limitées à des collections uniques sans accès aux métadonnées biographiques croisées (ex. : années de décès, grades de fiabilité), et les systèmes de désambiguïsation opèrent sous des hypothèses de monde fermé qui ne facilitent pas le lien entre des bases de données indépendantes.

Méthodologie
L'article propose un pipeline de résolution d'entités en deux phases conçu pour lier les noms de narrateurs de Sanadset à hawramani, et par la suite, lier hawramani à muslimscholars. Le pipeline repose sur une normalisation de l'arabe spécifique au domaine et un cadre de notation multi-signaux.

1. Normalisation des Noms Arabes : Avant toute comparaison, une fonction de normalisation partagée norm(t) est appliquée aux trois bases de données. Ce processus :

   • Supprime les diacritiques (tashkeel) en utilisant des plages Unicode explicites et disjointes pour éviter de supprimer accidentellement des consonnes.
   • Unifie cinq variantes d'Alef en un Alef nu unique.
   • Normalise le Ta marbuta en ha et l'Alef maqsura en ya.
   • Supprime le Tatweel et réduit les espaces blancs.

2. Génération de Candidats : Pour éviter des comparaisons $O(n \times m)$ prohibitivement coûteuses, le système emploie un index de préfixes de bigrammes. Les enregistrements sont indexés par paires de jetons consécutifs normalisés. Les candidats sont récupérés comme l'union des enregistrements partageant au moins un bigramme avec le nom de la requête, réduisant la charge de comparaison de plusieurs ordres de grandeur.

3. Phase 1 : Sanadset $\rightarrow$ hawramani (Nom uniquement) :

   • Contrainte : Les entrées de Sanadset manquent de métadonnées biographiques (pas d'années de décès ou de grades).
   • Méthode : La correspondance repose uniquement sur la similitude des noms via une correspondance floue de jetons triés par ordre alphabétique (TSR). Les jetons sont triés par ordre alphabétique pour atténuer les variations dans l'ordre des chaînes de nasab.
   • Notation : Un score de similitude $s_{name} \in [0, 1]$ est calculé. Les liens sont établis si $s_{name} \ge 0,80$.
   • Confiance : ÉLEVÉE ($\ge 0,90$) et MOYENNE ($\ge 0,80$).

4. Phase 2 : hawramani $\leftrightarrow$ muslimscholars (Multi-signaux) :

   • Méthode : Une fonction multi-signaux pondérée combine la similitude des noms, la proximité de l'année de décès et la polarité du grade de fiabilité.
   • Signaux :
     • Similitude des Noms : Pondérée à 0,70 (ou 0,50 si les années de décès sont disponibles des deux côtés).
     • Proximité de l'Année de Décès : Calculée comme $s_{death}(\Delta y)$ basée sur la différence absolue en années Hijri. Les scores vont de 1,0 (correspondance exacte) à 0,0 (différence de plus de 10 ans). Si les années de décès sont manquantes, un score neutre de 0,50 est appliqué.
     • Polarité du Grade : Les grades de fiabilité sont regroupés en classes positives, négatives ou inconnues (scores 1,0, 0,0, 0,5).
     • Bonus de Source : Un petit bonus ($\delta_{src} = 0,05$) est ajouté si l'enregistrement hawramani possède cinq citations de sources ou plus.
   • Pondération Dynamique : Parce que les années de décès sont rares dans hawramani (disponibles pour <0,1 % des paires appariées dans la course initiale, bien que l'article note qu'une extraction améliorée couvre 27,2 % dans les résultats), le système ajuste dynamiquement les poids. Pour la grande majorité des paires, la distribution de poids effective est d'environ 70 % pour le nom, 10 % pour la mort et 10 % pour le grade.
   • Confiance : ÉLEVÉE ($\ge 0,85$), MOYENNE ($\ge 0,65$) et FAIBLE ($\ge 0,45$).

5. Construction du Graphe : Les données liées sont utilisées pour construire un graphe de transmission dirigé où les arêtes représentent les relations étudiant-enseignant. Les métadonnées des nœuds sont enrichies par des détails biographiques provenant de sources croisées. La confiance de la chaîne pour les liens transitifs (Sanadset $\rightarrow$ hawramani $\rightarrow$ muslimscholars) est déterminée par le niveau de confiance minimal des liens constitutifs.

Résultats Clés

• Phase 1 (Sanadset $\rightarrow$ hawramani) : Sur 185 216 variantes de noms de narrateurs uniques dans Sanadset, 94 628 (51,1 %) ont été liées avec succès.
  • Confiance ÉLEVÉE : 39 938 (21,6 %).
  • Confiance MOYENNE : 54 690 (29,5 %).
  • 47,7 % des narrateurs n'avaient aucun candidat de bigramme, généralement en raison de formes très abrégées ou de l'absence dans la base de données cible.
• Phase 2 (hawramani $\leftrightarrow$ muslimscholars) : 95 573 liens ont été établis, couvrant 94,7 % des 100 915 entrées de hawramani.
  • Confiance ÉLEVÉE : 18 245 (18,1 %).
  • Confiance MOYENNE : 71 546 (70,9 %).
  • Confiance FAIBLE : 5 782 (5,7 %).
  • La dominance de la confiance MOYENNE est attribuée à la rareté des données (manque d'années de décès des deux côtés), forçant le recours à la similitude des noms.
• Graphe de Transmission : Le pipeline a produit un graphe de transmission dirigé avec 185 216 nœuds et 814 093 arêtes. C'est environ 90 fois plus grand que le plus grand graphe de narrateurs de Hadith publié. Le graphe présente des propriétés de réseau sans échelle avec des distributions de degré de loi de puissance.
• Enrichissement : 93 588 narrateurs ont atteint un alignement sur trois sources (Sanadset $\rightarrow$ hawramani $\rightarrow$ muslimscholars), permettant l'enrichissement du graphe avec des métadonnées biographiques croisées.

Signification et Contributions
L'article revendique trois contributions primaires qui répondent à une lacune identifiée dans les enquêtes antérieures concernant l'absence de résolution d'identité des narrateurs à grande échelle entre les sources :

1. Un Pipeline en Deux Phases : Un nouveau pipeline combinant une phase de nom seul (nécessaire pour les sources pauvres en métadonnées) et une phase multi-signaux (exploitant les années de décès et les grades là où ils sont disponibles), utilisant une normalisation de l'arabe spécifique au domaine.
2. Corpus de Liens Annotés : La publication de deux corpus de liens stratifiés (sanad_links et narrator_links) catégorisés par niveaux de confiance, qui servent de premières ressources à grande échelle pour cette tâche spécifique de liaison entre sources.
3. Graphe de Transmission Enrichi : La construction du plus grand graphe de transmission de Hadith publié (185k nœuds), enrichi de métadonnées biographiques de plusieurs sources, permettant des analyses auparavant impossibles avec des ensembles de données isolés.

Les auteurs soulignent que le pipeline opère entièrement sur des chaînes de noms structurées et des métadonnées catégorielles, ce qui le rend applicable à toute paire de bases de données biographiques arabes. Ils notent que bien que les seuils de confiance aient été fixés par inspection plutôt que par un étalonnage formel de vérité terrain (en raison de l'absence d'un ensemble d'évaluation vérifié manuellement), les ressources résultantes fournissent un point de départ fondamental pour la recherche en aval sur l'authentification des Hadiths et les humanités numériques islamiques. Ce travail se positionne explicitement comme la résolution d'un problème de "monde ouvert", distinct des tâches de désambiguïsation en "monde fermé" traitées par des modèles précédents comme AR-Sanad v2.