Cet article présente DREIFLUSS, une approche innovante et minimalistes conçue pour aborder les tâches d’annotation de type de colonne (CTA) et d’annotation de propriété de colonne (CPA) dans le cadre du défi SemTab. DREIFLUSS exploite efficacement les informations sémantiques provenant de graphes de connaissances établis, tels que DBpedia et Schema.org, afin d’améliorer le processus d’annotation. Des résultats expérimentaux démontrent la supériorité des modèles de régression logistique entraînés via DREIFLUSS, offrant ainsi des annotations précises des types de colonnes et des prédictions pertinentes sur les relations. Ces résultats soulignent l’importance d’une technique d’échantillonnage appropriée lors de l’entraînement d’un modèle, contribuant ainsi à accroître la précision et l’efficacité du matching de tableaux. Cette recherche ouvre une voie prometteuse pour améliorer les techniques de matching de tableaux, mettant en évidence les implications pratiques de DREIFLUSS dans les domaines de l’intégration de données et de la découverte de connaissances.