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.