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

Technische Samenvatting: Het koppelen van identiteiten van Hadith-vertellers over heterogene Arabische biografische databases

Probleemstelling
De computationele analyse van de Islamitische Hadith-literatuur wordt momenteel belemmerd door de fragmentatie van vertellersgegevens. Hoewel grootschalige digitale corpora bestaan—zoals de Sanadset 650K (bevat 650.986 Hadith-records met vertellersketens) en biografische databases zoals Hadithtransmitters (hawramani) en Muslimscholars.info—opereren deze bronnen in isolatie. Ze missen gemeenschappelijke identifiers en maken gebruik van uiteenlopende naamrepresentaties (bijv. variërende nasab-ketens, kunyah versus ism-vormen, en orthografische variaties). Bestaande methoden voor entiteitsresolutie voor het Arabisch zijn grotendeels ontworpen voor moderne, op Wikipedia gerichte kennisbases en slagen er niet in de specifieke uitdagingen van historische Islamitische namen aan te pakken, zoals variabele lengtes van nasab-ketens en morfologische naamvalvariaties. Gevolgelijk worden sociale netwerkanalyses van transmissieketens (sanad) beperkt tot enkele collecties zonder toegang tot cross-source biografische metadata (bijv. sterfjaren, betrouwbaarheidsgraden), en opereren disambiguatiesystemen binnen 'closed-world' aannames die het koppelen tussen onafhankelijke databases niet faciliteren.

Methodologie
Het artikel stelt een tweefasige entiteitsresolutie-pipeline voor die is ontworpen om vertellersnamen van Sanadset naar hawramani te koppelen, en vervolgens hawramani naar muslimscholars te koppelen. De pipeline steunt op domeinspecifieke Arabische normalisatie en een multi-signaal scoreframework.

1. Arabische Naamnormalisatie: Voordat er enige vergelijking plaatsvindt, wordt een gedeelde normalisatiefunctie norm(t) op alle drie de databases toegepast. Dit proces:

   • Verwijdert diakritische tekens (tashkeel) met behulp van expliciete, disjuncte Unicode-ranges om te voorkomen dat per ongeluk medeklinkers worden verwijderd.
   • Uniformeert vijf Alef-varianten tot één kale Alef.
   • Normaliseert Ta marbuta naar ha en Alef maqsura naar ya.
   • Verwijdert Tatweel en reduceert witruimte.

2. Kandidaatgeneratie: Om computationeel onhaalbare $O(n \times m)$ vergelijkingen te vermijden, maakt het systeem gebruik van een bigram-prefixindex. Records worden geïndexeerd op paren van opeenvolgende genormaliseerde tokens. Kandidaten worden opgehaald als de unie van records die ten minste één bigram delen met de zoeknaam, wat de vergelijkingslast met ordes van grootte vermindert.

3. Fase 1: Sanadset $\rightarrow$ hawramani (Alleen Naam):

   • Beperking: Sanadset-vermeldingen missen biografische metadata (geen sterfjaren of graden).
   • Methode: Koppeling berust uitsluitend op naamgelijkenis via token-gesorteerde fuzzy string matching (TSR). Tokens worden alfabetisch gesorteerd om variaties in de volgorde van nasab-ketens te mitigeren.
   • Scoring: Een gelijkenissscore $s_{name} \in [0, 1]$ wordt berekend. Koppelingen worden vastgesteld als $s_{name} \ge 0.80$.
   • Betrouwbaarheid: HOOG ($\ge 0.90$) en MEDIUM ($\ge 0.80$).

4. Fase 2: hawramani $\leftrightarrow$ muslimscholars (Multi-Signaal):

   • Methode: Een gewogen multi-signaal functie combineert naamgelijkenis, nabijheid van het sterfjaar en de polariteit van de betrouwbaarheidsgraad.
   • Signalen:
     • Naamgelijkenis: Gewogen met 0.70 (of 0.50 als sterfjaren aan beide zijden beschikbaar zijn).
     • Nabijheid van Sterfjaar: Berekend als $s_{death}(\Delta y)$ op basis van het absolute verschil in Hijri-jaren. Scores variëren van 1.0 (exacte match) tot 0.0 (>10 jaar verschil). Als sterfjaren ontbreken, wordt een neutrale score van 0.50 toegepast.
     • Graad-polariteit: Betrouwbaarheidsgraden worden samengevoegd in positieve, negatieve of onbekende klassen (scores 1.0, 0.0, 0.5).
     • Bronbonus: Een kleine bonus ($\delta_{src} = 0.05$) wordt toegevoegd als het hawramani-record vijf of meer bronverwijzingen heeft.
   • Dynamische Weging: Omdat sterfjaren schaars zijn in hawramani (beschikbaar voor <0.1% van de gematchte paren in de initiële run, hoewel het artikel vermeldt dat verbeterde extractie 27.2% dekt in de resultaten), past het systeem de gewichten dynamisch aan. Voor het overgrote deel van de paren is de effectieve gewichtsverdeling ongeveer 70% naam, 10% sterfjaar (neutraal) en 10% graad.
   • Betrouwbaarheid: HOOG ($\ge 0.85$), MEDIUM ($\ge 0.65$) en LAAG ($\ge 0.45$).

5. Grafiekconstructie: De gekoppelde data wordt gebruikt om een gerichte transmissie-grafiek te construeren waarbij randen student-naar-leraar relaties vertegenwoordigen. Node-metadata wordt verrijkt met cross-source biografische details. De betrouwbaarheid van de keten voor transitieve links (Sanadset $\rightarrow$ hawramani $\rightarrow$ muslimscholars) wordt bepaal door het minimum betrouwbaarheidsniveau van de constituerende links.

Belangrijkste Resultaten

• Fase 1 (Sanadset $\rightarrow$ hawramani): Van de 185.216 unieke vertellersnaam-varianten in Sanadset werden er 94.628 (51.1%) succesvol gekoppeld.
  • HOOG vertrouwen: 39.938 (21.6%).
  • MEDIUM vertrouwen: 54.690 (29.5%).
  • 47.7% van de vertellers had geen bigram-kandidaten, meestal door sterk afgekortte vormen of afwezigheid in de doeldatabase.
• Fase 2 (hawramani $\leftrightarrow$ muslimscholars): Er werden 95.573 links vastgesteld, wat 94.7% van de 100.915 hawramani-vermeldingen beslaat.
  • HOOG vertrouwen: 18.245 (18.1%).
  • MEDIUM vertrouwen: 71.546 (70.9%).
  • LAAG vertrouwen: 5.782 (5.7%).
  • De dominantie van MEDIUM vertrouwen wordt toegeschreven aan datascarsiteit (gebrek aan sterfjaren aan beide zijden), waardoor de nadruk ligt op naamgelijkenis.
• Transmissie-grafiek: De pipeline produceerde een gerichte transmissie-grafiek met 185.216 nodes en 814.093 edges. Dit is ongeveer 90 keer groter dan de op één na grootste gepubliceerde Hadith-vertellergrafiek. De grafiek vertoont scale-free eigenschappen met power-law graadverdelingen.
• Verrijking: 93.588 vertellers bereikten een drievoudige bron-alignering (Sanadset $\rightarrow$ hawramani $\rightarrow$ muslimscholars), wat de verrijking van de grafiek met cross-source metadata mogelijk maakte.

Betekenis en Bijdragen
Het artikel claimt drie primaire bijdragen die een gat vullen dat is geïdentificeerd in eerdere surveys betreffende het gebrek aan cross-source verteller-identiteitsresolutie op schaal:

1. Een Tweefasige Pipeline: Een nieuwe pipeline die een naam-alleen fase (nodig voor metadata-arme bronnen) combineert met een multi-signaal fase (gebruikmakend van sterfjaren en graden waar beschikbaar), gebruikmakend van domeinspecifieke Arabische normalisatie.
2. Geannoteerde Link-corpora: De release van twee gestratificeerde link-corpora (sanad_links en narrator_links) gecategoriseerd door betrouwbaarheidsniveaus, die dienen als de eerste grootschalige bronnen voor deze specifieke cross-source koppelingsopdracht.
3. Verrijkte Transmissie-grafiek: De constructie van de grootste gepubliceerde Hadith-transmissie-grafiek (185k nodes), verrijkt met biografische metadata uit meerdere bronnen, wat analyses mogelijk maakt die voorheen onmogelijk waren met geïsoleerde datasets.

De auteurs benadrukken dat de pipeline volledig opereert op gestructureerde naamstrings en categorische metadata, waardoor het toepasbaar is op elk paar Arabische biografische databases. Ze merken op dat hoewel de betrouwbaarheidsdrempels door inspectie zijn ingesteld in plaats van door formele grondwaarheid-kalibratie (vanwege het gebrek aan een handmatig geverifieerde evaluatieset), de resulterende bronnen een fundamenteel startpunt bieden voor verder onderzoek in Hadith-authenticatie en digitale Islamitische geesteswetenschappen. Het werk positioneert zichzelf expliciet als het oplossen van een "open-world" koppelingsprobleem, verschillend van de "closed-world" disambiguatie-taken die door eerdere modellen zoals AR-Sanad v2 worden behandeld.