Untersuchung von Naive Bayes-Klassifikatoren für die Übereinstimmung von Tabellendaten mit Wissensgraphen
{Sanju Tiwari Jérémy Buisson Hippolyte TAPAMO Azanzi Jiomekong Brice Foko}
Abstract
Die vorliegende Forschung untersucht die Anwendung von Naiv-Bayes-Klassifikatoren zur Anpassung von Wissensgraphen und tabellarischen Daten mit besonderem Fokus auf die Spaltentypannotierung, Zellen-Entitäten-Annotation, Spalten-Eigenschafts-Annotation sowie die Tabellen-Thematik-Erkennung. Unter Verwendung von Merkmalsextraktionsverfahren wie Anzahl von Ko-Auftreten und Termhäufigkeit wird die Wirksamkeit und Leistungsfähigkeit von Naiv-Bayes-Klassifikatoren an verschiedenen Datensätzen evaluiert. Der vorgeschlagene Ansatz ist einfach und generisch und trägt somit zum Bereich der Wissensgraphen-Anpassung bei, wobei er zudem das Potenzial von Naiv-Bayes-Klassifikatoren für die Integration und Interoperabilität tabellarischer Daten und Wissensgraphen aufzeigt.
Benchmarks
| Benchmark | Methodik | Metriken |
|---|---|---|
| column-type-annotation-on-wdc-sotab-v2 | TSOTSA | Micro F1: 37.05 |
| columns-property-annotation-on-wdc-sotab-v2 | TSOTSA | Micro F1: 23.55 |
KI mit KI entwickeln
Von der Idee bis zum Start — beschleunigen Sie Ihre KI-Entwicklung mit kostenlosem KI-Co-Coding, sofort einsatzbereiter Umgebung und den besten GPU-Preisen.