用于大规模语义表解释和数据质量评估的可解释的以标题为中心的框架

arXiv:2610.10541v1 公告类型：新 摘要：知识图（KG）质量不仅取决于下游图验证，还取决于集成之前使用的表格元数据的质量。在纯元数据语义表解释 (STI) 中，单元格值不可用、有噪音或不合适，列标题成为可追踪 KG 准备的语义证据的关键来源。我们为纯元数据列类型注释（CTA）和数据质量评估（DQA）提供了一个可解释的、以标题为中心的框架。该框架使用精选的词汇资源将标头映射到 39 个可解释的 FinalFormat 类型，并通过 SourceKeywords 保留标记级可追溯性。每个分配的类型都会根据数据质量问题 (DQI) 的分类激活验证规则，生成数据丢失、重复、域违规、数据类型错误和时间不匹配等检测。这些检测被聚合到 HeadersIQ 中，这是一个轻量级、未加权的数据源级质量指标。该框架在异构基准测试中进行了评估，包括 UCI、Prague、Kaggle、VizNet/Sato、SOTAB、T2Dv2 和 SemTab 2024 Metadata-to-KG track，包含约 120,000 个标题列。结果显示了对嘈杂的现实世界元数据的广泛实际覆盖，而并行 KG 映射路径支持与 DBpedia 和 Schema.org 的对齐。在 SemTab 2024 Metadata-to-KG 赛道上，官方 GT-strict 的评估是温和的。然而，盲法诊断审计表明，许多不匹配反映了基准粒度、混叠和本体选择效应，而不是完全不可信的以标头为中心的预测。我们将此次审计报告为分歧模式的诊断证据，而不是修订后的基准绩效。总体而言，本文提出了一种可重用的工作流程，用于元数据驱动的语义标注、数据源级质量监控和面向知识图谱的基准诊断。