الصيغ اللاتينية للأسماء العربية من Bayanat Labs

Arabic name variants Arabic transliteration Arabic name matching romanisation of Arabic names Wikidata names

أرقام رئيسية

تُحسب آليًا من الملفات المنشورة. يُقرأ كل رقم من ملفات الأعداد ونتائج خطوط الأساس وملخص الفحص في مجلد meta من مجموعة البيانات على Hugging Face عند المراجعة ceb1906e957768dbd36f21bf53ec8230eaebaaf3، ويُربط ببصمة SHA-256 للملف، وتُحسب النسب المئوية من هذه الملفات وتُقرَّب إلى منزلة عشرية واحدة. ويسرد ملف MANIFEST.json كل ملف مع حجمه وبصمته.

التنزيل والمعرّفات

ابدأ الاستخدام

حمّل أحد الإعدادات بمكتبة datasets. وتُثبَّت الشيفرة من GitHub عند وسم الإصدار v0.1.0، فالحزمة غير منشورة على PyPI.

from datasets import load_dataset

tokens = load_dataset("Bayanat-Labs/arabic-latin-name-variants", "token_variants", split="train")
pairs = load_dataset("Bayanat-Labs/arabic-latin-name-variants", "entity_variants", split="train")
clusters = load_dataset("Bayanat-Labs/arabic-latin-name-variants", "clusters", split="train")
bench = load_dataset("Bayanat-Labs/arabic-latin-name-variants", "name_matching_bench", split="test")

pip install "arabic-latin-name-variants @ git+https://github.com/Bayanat-Labs/arabic-latin-name-variants@v0.1.0"
arabic-latin-name-variants lookup "محمد" --release path/to/downloaded/dataset

ما الذي يتضمنه الإصدار

صيغة النسبة: Arabic-Latin Name Variants by Bayanat Labs. Derived from Wikidata (CC0 1.0). https://huggingface.co/datasets/Bayanat-Labs/arabic-latin-name-variants

الاستخدامات المقصودة

• توسيع الاسم في البحث، أو مطابقة الأسماء بين الحروف العربية واللاتينية في فحص الأسماء وربط السجلات، بالكتابات اللاتينية الموثّقة لكل كلمة من كلمات الأسماء العربية.
• اختبار نظام لمطابقة الأسماء العربية واللاتينية على أزواج name_matching_bench ومقارنته بخطوط الأساس الأربعة.
• دعم ربط الكيانات ومعاجم النطق بالأزواج الموسومة ومحاذاة الكلمات.

خارج النطاق

• عدّ تطابق الاسم دليلًا على أن سجلين يخصان الشخص نفسه: فكثير من الناس يشتركون في اسم، والجداول تضم كتابات لا هويات.
• فهم سلسلة اسم على أنها حقيقة عن شخص: فمحررو ويكي بيانات يكتبون سلاسل الأسماء، وقد يبقى منها ما يبدو وصفًا أو عبارة.
• فهم الأعداد على أنها مدى استخدام كتابة ما بين الناس: فهي تصف ويكي بيانات.

الحقوق باختصار

التدريب والعرض وإعادة التوزيع وإنشاء الأصوات الاصطناعية أذونات منفصلة.

القيود

• دقة العيّنة: هذا فحص منفصل أجرته Bayanat Labs على عيّنات عشوائية، والأحكام فيه قراءة Bayanat Labs نفسها، وليس مراجعة من متحدثين أصليين. قرأنا 300 صف من entity_variants سُحبت عشوائيًا، نصفها من كل نطاق، وحكمنا هل يؤدي الاسم اللاتيني أصوات الاسم العربي (نقحرة)، أو يؤديها لجزء من الاسم فقط والباقي مترجم أو زائد أو ناقص (مختلط)، أو هو ترجمة أو اسم أجنبي أو اسم آخر (ترجمة أو اسم أجنبي). من 123 صفًا موسومًا بأنه نقحرة كان 120 منها نقحرة فعلًا (الدقة 97.6%)؛ ومن 121 صفًا موسومًا بأنه مختلط كان 103 منها مختلطًا فعلًا (الدقة 85.1%؛ و15 من الباقي ترجمات أو أسماء أخرى، و3 نقحرة كاملة)؛ ومن 56 صفًا موسومًا بأنه ترجمة/اسم أجنبي لم تكن في 47 منها صلة نقحرة (الدقة 83.9%). وقرأنا أيضًا 300 اسم متعدد الكلمات سُحبت عشوائيًا، نصفها من كل نطاق، وتغذّي محاذاتها جداول الكلمات: كانت محاذاة 290 منها صحيحة في كل أزواج الكلمات (96.7%). والصفوف التي حُكم عليها وملخصها منشوران في مجلد meta من مجموعة البيانات.
• بُنيت أزواج المعيار بقواعد من ويكي بيانات، ولم تُوسَم يدويًا. والأزواج المتطابقة صفوف وسمها مرشّح العلاقة بأنها نقحرة، وهذا المرشّح يستخدم تشابه الهيكل الساكن نفسه، مما يفيد هذا الخط الأساسي عند واحد في المئة. وعند واحد في الألف تعتمد العتبة على عدد قليل من الأزواج غير المتطابقة ذات الدرجات العالية، فلا يستقر استرجاع الهيكل الساكن عند هذا المعدل. ويُبنى البحث في جدول الكتابات دون الكيانات المحجوزة، لكنه يستفيد مع ذلك من كلمات الأسماء الشائعة التي تشترك فيها مع غيرها.
• تغلب على ويكي بيانات الشخصيات العامة، وتغلب الكتابات الإنجليزية وغيرها من لغات أوروبا الغربية (الإنجليزية 18.7%، وثماني لغات من أوروبا الغربية 88.6% من وسوم اللغة في صفوف الأسماء اللاتينية). وتصف الأعداد ويكي بيانات، لا مدى استخدام كتابة ما بين الناس.
• توجد قيمة في حقل ala_lc لـ 2.7% من الأسماء العربية، وأكثرها أسماء لاتينية بحروف ذات خطوط وعلامات قد تتبع IJMES أو BGN/PCGN أو نظامًا آخر، ولم يُتحقق من أنها ALA-LC.
• أسماء الأشخاص بيانات شخصية في ولايات قضائية كثيرة حتى حين تكون علنية. يضم الإصدار عن الأشخاص معرّف QID والفئة والبلدان وسلاسل الأسماء من ويكي بيانات. ويكتب محررو ويكي بيانات سلاسل الأسماء، وتُزال بالقواعد السلاسل التي تبدو وصفًا لشخص أو عبارة عنه، وقد يبقى بعضها. للإبلاغ عن أي منها: ⁦hello@bayanatlabs.com⁩.
• وللأشخاص الذين قد يكونون أحياء (آخر سنة ميلاد ممكنة هي سنة ألف وتسعمئة أو بعدها، أو لا سنة معروفة) لا يبقى زوج الأسماء إلا إذا كانت السلسلتان تقرآن اسمًا واحدًا، وهذا يحذف أيضًا أسماء حقيقية كثيرة، مثل الألقاب والأسماء المترجمة والأسماء الكاملة ذات الاسم الأوسط: 847,342 زوجًا، أي 20.4% من أزواج أسماء الأشخاص.
• أعمدة صف الشخص: qid, scope, entity_class, countries, ar_text_raw, ar_text_norm, ar_langs, ar_kinds, buckwalter, ala_lc, ala_lc_origin, din_31635, latin_text_raw, latin_fold, latin_langs, latin_kinds, method_qids, relation, skeleton_sim, token_alignment, alignment_score, lastrevid. وlastrevid رقم مراجعة العنصر في ويكي بيانات في ملف التفريغ، وليس بيانات عن الشخص.
• يُستبعد من قد يكون دون الثامنة عشرة. وتحتاج هذه القاعدة إلى تاريخ ميلاد أو سنة ميلاد في وصف، و42,133 شخصًا ليس لهم أي منهما فلم يمكن اختبارهم. طلبات إزالة مدخل: ⁦hello@bayanatlabs.com⁩.

المصادر والتراخيص

تأتي الأسماء من ملف تفريغ ويكي بيانات بصيغة JSON بتاريخ 26 أكتوبر 2026 وحده، وقد قُرئ مرة واحدة تدفقًا من مرآة رسمية لويكيميديا (Academic Computer Club, Umeå University) بمعرّف Bayanat Labs للبيانات المفتوحة، ولم يُخزَّن، وتطابق قيم التحقق المحسوبة أثناء القراءة القيم التي تنشرها ويكيميديا للملف. وتشرح بطاقة البيانات وقسم المنهجية في المستودع النطاق وقواعد السلاسل ومرشّح العلاقة والمحاذاة والمعيار. تفاصيل المصادر (بالإنجليزية)

طريقة الاستشهاد

صيغة الاستشهاد:

Bayanat Labs (2026). Arabic-Latin Name Variants, version 0.1.0 (Wikidata JSON dump of 2026-10-26). Bayanat Labs. https://huggingface.co/datasets/Bayanat-Labs/arabic-latin-name-variants

• ملف CITATION.cff

لا يوجد معرّف DOI. استشهد بالرابط الوارد في صيغة الاستشهاد أعلاه وبتاريخ اطلاعك عليه.

@misc{bayanatlabs2026arabiclatinnamevariants,
  author       = {{Bayanat Labs}},
  title        = {Arabic-Latin Name Variants, version 0.1.0 (Wikidata JSON dump of 2026-10-26)},
  year         = {2026},
  month        = nov,
  howpublished = {\url{https://huggingface.co/datasets/Bayanat-Labs/arabic-latin-name-variants}}
}

كيف نتعامل مع الاستشهاد (بالإنجليزية)

سجل التغييرات

التصحيح وطلبات الإزالة

إذا وجدت في هذا الإصدار ما لا ينبغي وجوده أو ما يحتاج إلى تصحيح، فراسلنا على hello@bayanatlabs.com. نعالج طلبات الإزالة خلال 30 يومًا، وطلبات المنصات خلال 24 ساعة. كيف تعمل طلبات الإزالة

المنتج المرتبط: Bayanat Search