İsimler ve Soy Zincirinden Kimlik Çözümleme: Normalleştirme ve Kayıt Eşleştirme
Özet
Tekrar eden isimler ve bunların pek çok yazılış biçimi, bireyleri birbirinden ayırmayı soybilim sistemlerinde temel bir sorun hâline getirir. Bu makale, kayıt eşleştirme literatürünü, Fellegi ve Sunter'ın attığı istatistiksel temelden [1] başlayarak, fonetik eşleştirme ve dizgi benzerlik ölçütlerinden geçerek [2][3], Arapça isimlerin özel zorluklarına [4] ve oradan modern varlık çözümlemesine [6] kadar gözden geçirir. Ardından, iç işleyişini ifşa etmeden, Nasayeb platformunun bir "kimlik parmak izi" oluşturma metodolojisini üst düzeyde tarif ederiz.
1. Sorun
Büyük her ailede bir soru tekrar tekrar gündeme gelir: Şu "Muhammed bin Ahmed", başka bir kolda geçen kişiyle aynı kişi mi, yoksa yalnızca aynı ismi taşıyan farklı biri mi? Yanlış cevap, ya tek bir kişi için iki kayıt (asılsız şişme ve çelişki) ya da iki farklı kişinin birleştirilmesi (gerçeğin kaybı) anlamına gelir. Zorluk, isimlerin iki özelliğiyle katmerlenir: yazılabildikleri çok sayıda biçim ve tek bir aile içinde ne denli sık tekrar ettikleri.
2. İsim Zorluğu
Tek bir isim; hemzelerin, elifin, te-i merbûtanın ve diğerlerinin yazılışına bağlı olarak birden çok biçimde yazılabilir (Fuʾad/Fuwad, Aḥmad/Ahmad). İsimler ayrıca atalara duyulan saygı gereği sıkça tekrar eder; öyle ki tek bir kol içinde aynı ismi ve aynı baba adını taşıyan birkaç kişiye rastlarsınız. O hâlde tek başına isim, hatta baba adıyla birlikte isim bile, güvenilir bir ayrıştırma için yeterli değildir. Bu, genel olarak tarihsel ve demografik kayıtları eşleştirmede iyi bilinen bir sorundur [5].
3. Literatür Taraması
1969'da Fellegi ve Sunter, birden çok alan üzerinde eşleşme ile eşleşmeme olasılıklarını tartma esasına dayanan klasik olasılıksal kayıt eşleştirme çerçevesini ortaya koydu [1]. Bundan önce ve sonra fonetik eşleştirme gelişti: Soundex algoritması ve ardından NYSIIS, yazılış farklarına rağmen kulağa benzer gelen isimleri gruplandırdı [2]. Levenshtein ve Jaro–Winkler gibi dizgi benzerlik ölçütleri ise iki metin dizisinin ne kadar yakın olduğuna dair niceliksel bir ölçü kattı [3].
Arapça isimler ise kendi payına, normalleştirme ve harf çevirisinde özel zorluklar doğurur; bunlar, yazılış çeşitlerini birleştirme ve ön ekleri ile ekleri işleme teknikleriyle doğal dil işleme araştırmalarınca ele alınmıştır [4]. Daha geniş anlamda, güncel derlemeler, sorunu birden çok kaynak boyunca aynı varlığa gönderme yapan kayıtları birbirine bağlamaya genelleştiren "varlık çözümlemesi" konusunu genişletmiştir [6]; veri eşleştirme literatüründe ise kapsamlı ve uygulamaya dönük çerçeveler yer alır [7].
Bir isim çoklara işaret eder; bir kimlik ise tek bir kişiye.
4. İsimden Yapıya
Bu literatürdeki tekrarlayan ders şudur: Tek başına bir isim zayıf bir sinyaldir; doğruluk, birden çok sinyali birleştirmekten ve bir varlığı tek başına ele almak yerine onu çevresindeki yapıya bağlamaktan gelir. Soy zinciri bağlamında çevresel yapı, akrabalık ağının ta kendisidir: soy, evlilik ve çizelge içindeki konum. Bu da kimlik sorununu, akrabalığın temsili sorununa sıkı sıkıya bağlar.
5. Nasayeb Metodolojisi (İleri Düzey)
Nasayeb platformu, ismi, soy zincirini ve eşin adı gibi ek sinyalleri, yazılış çeşitlerini birleştiren bir dilsel normalleştirmenin ardından bir araya getiren bir "kimlik parmak izi" oluşturur. Bu sinyallerin bir noktada buluşması, iki farklı kişi arasında rastlantısal bir eşleşmeyi nadir kılar; böylece yinelenen kayıtlar yüksek doğrulukla saptanır ve birleştirilir. Kesin parametreler, eşleştirme ağırlıkları ve eşik değerleri, ifşa etmediğimiz özel çalışmamızın bir parçasıdır.
Buradaki katkı iki yönlüdür: eşleştirme literatürünü, birden çok kültür genelinde isimlerin ve soy zincirinin özgül niteliklerine uyarlamak; ve isimleri tek başına işlemek yerine kimliği akrabalık yapısının kendisine bağlamak. Sonuç, her kişinin bir kez tutulduğu, güvenip dayanabileceğiniz temiz bir aile kaydıdır.
6. Sonuç
İsim benzerliğinin yüksek olduğu ailelerde bireyleri birbirinden ayırmak, olasılıksal eşleştirmeden varlık çözümlemesine uzanan zengin bir literatüre sahip eski bir sorundur. Uygulamadaki çözüm tek bir sinyal değil; ismi, soy zincirini ve çevresel bağlamı birleştiren, dilin özelliklerine saygı gösteren bir dilsel normalleştirme üzerine kurulu bir kimlik parmak izidir. Böylece aile, çelişkili kopyalardan oluşan bir yığın değil, doğru bir kayıt olarak kalır.
Kaynakça
- Fellegi, I. P., & Sunter, A. B. "A Theory for Record Linkage." Journal of the American Statistical Association, 1969.
- Russell, R. C. / Odell, M. Soundex (US Patents, 1918/1922); Taft, R. NYSIIS, 1970.
- Winkler, W. E. "String Comparator Metrics and Enhanced Decision Rules in the Fellegi–Sunter Model." US Census Bureau, 1990.
- Marton, Y., & Zitouni, I. "Transliteration Normalization for Information Extraction and Machine Translation." Journal of King Saud University — Computer and Information Sciences, 2014.
- Newcombe, H. B., et al. "Automatic Linkage of Vital Records." Science, 1959.
- Getoor, L., & Machanavajjhala, A. "Entity Resolution: Theory, Practice & Open Challenges." Proc. VLDB, 2012.
- Christen, P. Data Matching: Concepts and Techniques for Record Linkage. Springer, 2012.