{Alsayed Algergawy Vishvapalsinhji Parmar}
الملخص
يُقدّم هذا البحث منهجًا مبتكرًا ومبسطًا يُسمى DREIFLUSS، مُصممًا لمعالجة مهام التصنيف حسب نوع العمود (CTA) والتصنيف حسب خاصية العمود (CPA) ضمن تحدي SemTab. يُستخدم DREIFLUSS بشكل فعّال في استغلال المعلومات الدلالية المستمدة من قواعد المعرفة المعروفة والمتّسقة، مثل DBpedia وSchema.org، لتحسين عملية التصنيف. تُظهر النتائج التجريبية أداءً متفوّقًا لنموذج الانحدار اللوجستي الذي تم تدريبه باستخدام DREIFLUSS، مما يؤدي إلى تصنيف دقيق لأنواع الأعمدة وتوقعات مُثيرة للاهتمام حول العلاقات بين العناصر. تُثبت هذه النتائج أهمية استخدام تقنية عينة مناسبة أثناء تدريب النموذج، مما يعزز دقة وكفاءة مطابقة الجداول. يُسلط هذا البحث الضوء على طريق مُوَعدٍ واعد لتحسين تقنيات مطابقة الجداول، ويُبرز الآثار العملية لـ DREIFLUSS في مجالات دمج البيانات واكتشاف المعرفة.
المعايير القياسية
| معيار قياسي | المنهجية | المقاييس |
|---|---|---|
| column-type-annotation-on-wdc-sotab-v2 | DREIFLUSS | Micro F1: 38.04 |
| columns-property-annotation-on-wdc-sotab-v2 | DREIFLUSS | Micro F1: 17.39 |
بناء الذكاء الاصطناعي بالذكاء الاصطناعي
من الفكرة إلى الإطلاق — عجّل تطوير الذكاء الاصطناعي الخاص بك من خلال البرمجة المشتركة المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.