本文提出了一个名为 ColNet 的神经网络列类型注释框架，它能够集成知识库推理和查找，自动训练卷积神经网络进行预测，不仅考虑了单元格内上下文语义，还从多个单元格中学习了列语义的局部特征，并在基于 DBPedia 和两个不同的 Web 表格数据集上进行了评估，并取得了比最先进方法更高的性能。

Nov, 2018

本研究采用深度学习方法，通过利用表格的上下文语义特征和知识库查询算法，实现了对没有元数据的表格的列类型预测，不仅在单独的表格集上表现良好，转移学习到其他表格集也有良好的性能。

May, 2019

提出了一种名为 KGLM 的知识图谱语言模型结构，该结构通过引入新的实体 / 关系嵌入层来学习区分不同的实体和关系类型，从而允许模型学习知识图谱的结构，并通过对知识图谱中提取的三元组进行附加培训，跟随标准的微调阶段，取得了基准数据集上的链接预测任务的最新性能。

Nov, 2022

探索使用 ChatGPT 实现列类型注释，通过零或少量示范，ChatGPT 利用指令和两步注释管道的方法可以实现零样本和一次样本的 F1 分数超过 85％，达到与 RoBERTa 模型类似的精度，而后者需要 300 个示例。

Jun, 2023

这项研究解决了在关系表中检测语义列类型的挑战，提出了一种使用图神经网络的新方法，既改进了预测准确度，又允许语言模型聚焦于不同关系表的信息，并在语义类型检测方面优于现有的算法。

Apr, 2024

基于嵌入式知识图谱（KG）完成已经引起了人们的广泛关注，通过生成 KG 嵌入，讨论了不同类型的 KG 完成算法，包括链路预测、实体类型预测算法以及利用 KG 和大型语言模型（LLM）的算法，最后讨论了不同描述逻辑公理所表达的语义，并提出了对当前工作的批判性反思和未来方向的建议。

Jul, 2023

使用预训练的序列生成模型将文本转换成符合给定知识图谱（如维基数 据）的结构化关系数据表示形式，并生成实体标签、实体类型及它们之间的关系， 同时建立了一个网站应用程序以帮助用户从文本信息中提取语义关系数据。

Oct, 2022

该研究提出了一种统一的关系学习框架（GRL），该框架可以插入现有的链接预测模型中，能够增强现有的链接预测模型，使其对于不平衡的关系分布和学习未见关系具有不敏感性，并能够联接语义相似的关系。

Dec, 2020

本文研究如何将表格数据与知识库中的实体进行实体链接。通过引入一个名为 Tabular Entity Linking Lite (TELL) 的模型，可以在不依赖于查询目标知识库中事实的情况下，以常数内存使用量为代价获得与当今最先进的基于注意力机制的模型相当的结果。

Jul, 2022

本文介绍了 Tab2KG，这是一种新的数据表语义解释方法，可以将具有以前看不见数据的表格自动推断其语义，并转换为语义数据图，而不需要通过实例查找。在多个真实世界数据集上的实验评估表明，Tab2KG 胜过现有的语义表解释基线。

Feb, 2023