MEHDIE：中东历史地名多语言实体链接的创新框架与跨文化知识整合

《Digital Scholarship in the Humanities》：MEHDIE: the Middle East Heritage Data Integration Endeavor

本文推荐介绍MEHDIE（中东遗产数据整合计划）这一创新工具，它针对中东历史研究中因闪米特文字缺元音、转写歧义等导致的跨语言地名匹配难题，开发了结合地理空间坐标与跨语言文本匹配的多语言实体解析系统。通过直接闪米特语系间转写、国际音标中介转换等策略，有效链接了Benjamin of Tudela行程录、Yaqut地理志等多语种历史地名数据集，为打破中东历史研究的语言壁垒、促进跨文化知识融合提供了技术支撑。

　　

在中东历史研究的学术版图上，语言壁垒如同无形的城墙，将闪米特语系（Semitic languages）下的希伯来文、阿拉伯文等文献资源分割成孤立的"学术岛屿"。历史地名（toponyms）的跨语言匹配面临独特挑战：闪米特文字普遍缺失元音标注导致发音不确定性，转写实践差异更使地名识别雪上加霜。当研究者试图将12世纪希伯来文《本杰明·图德拉行程录》中的地名与同时代阿拉伯文《雅古特地理志》进行关联时，传统基于现代网络语料训练的多语言实体解析工具往往表现乏力——因为这些工具对历史语言变体缺乏识别能力，而通用地名数据库（如Geonames、Getty TGN）对中东历史地名变体的覆盖也极为有限。

为解决这一学术痛点，由Tomer Sagi领衔的国际团队在《Digital Scholarship in the Humanities》发表论文，正式提出MEHDIE（中东遗产数据整合计划）。该项目创新性地开发了多语言实体解析系统，通过融合地理空间坐标与跨语言文本匹配策略，实现了历史地名数据集间的语义关联。其技术核心在于利用闪米特语系的语言亲缘性，采用语际直接转写与国际音标（International Phonetic Alphabet, IPA）中介转换双路径并行的匹配机制，显著提升了历史地名链接的准确率。以尼罗河三角洲城市Bilbeis的匹配为例，系统成功将希伯来文变体""与阿拉伯文变体进行关联，避免了通过拉丁文转写产生的额外歧义。

关键技术方法主要包括：（1）基于语音特征的阻塞（blocking）算法，通过识别相似辅音分组减少比对规模；（2）多层级匹配策略组合：外部参考匹配（如Wikidata）、同语言精确匹配、Jaro字符串距离模糊匹配及语音特征距离度量；（3）云原生架构设计，采用Google Cloud Run实现弹性扩缩容的分布式计算；（4）知识图谱（Knowledge Graph）可视化接口，支持"相同实体""隶属关系"等多类型语义关系展示。

研究结果具体体现在四个维度：

用户界面创新

MEHDIE在WHG（World Historical Gazetteer）基础上扩展了跨数据集匹配功能，用户可通过阈值参数调节匹配精度。如图2所示，匹配任务界面允许用户选择目标数据集并设置语法、语音及距离阈值。

实体解析效能

系统在Benjamin of Tudela数据集与Yaqut数据集匹配中，成功识别出Baalbek等关键地名的跨语言关联。如图3所示，复核界面同时展示地理坐标与匹配置信度解释，支持用户对"相同实体""相邻关系"等语义关系进行人工确认。

知识导航突破

图4展示的图谱化浏览界面实现了跨数据集知识漫游：希伯来文地名Damira通过"相同实体"关系与阿拉伯文记录链接，同时与行政单元形成层级结构。

叙事互补验证

如图5所示，Baalbek在希伯来文献中被记载为所罗门王为法老之女建造，而阿拉伯文献则描述为赠予示巴女王的嫁妆，MEHDIE的关联能力为跨文化叙事比较提供了技术可能。

研究结论表明，MEHDIE通过"自下而上"的域内转写策略，有效克服了传统统一罗马化转写的中东历史地名匹配困境。其技术架构（图6）采用微服务化设计，通过预处理服务（Prep Service）实现多语言变体扩充，实体解析服务（ER Service）实施三级匹配流水线，使系统在保持60%计算效率提升的同时，支持大规模历史地名数据集的高精度链接。

该研究的核心意义在于为中东数字人文研究提供了首个专门针对历史地名跨语言链接的工具集，目前正与WHG开展技术整合。未来发展方向包括：构建融合人员、事件的文化遗产知识图谱；开发基于图神经网络（Graph Neural Networks）的实体匹配算法；扩展至人物（prosopographic）与事件数据的跨源链接。MEHDIE不仅实质性推动了Hist-ME（中东历史数据联盟）的跨数据集协作愿景，更为全球多语言历史地理数据整合建立了新的技术范式。