数据集概述
本数据集是GitTables语料库的子集，专为2022年SemTab竞赛第三轮的列类型检测方法基准测试而整理。包含表格数据文件及对应DBpedia、Schema.org的目标列标注与真值文件，共七个文件，用于评估表格列语义类型检测模型的性能。
文件详解
- 文件名称：GitTables_SemTab_2022_dataset.zip
- 文件格式：ZIP
- 字段映射介绍：包含SemTab 2022第三轮使用的GitTables表格数据，文件名对应表格ID，列名替换为"col_0"“col_1”等，与主网站提供的目标及标签匹配。
- 文件名称：dbpedia_property_gt.csv
- 文件格式：CSV
- 字段映射介绍：目标列的DBpedia属性真值标签数据。
- 文件名称：dbpedia_property_targets.csv
- 文件格式：CSV
- 字段映射介绍：包含table_id（表格ID）、target_column（目标列索引）字段，标注DBpedia属性的目标列。
- 文件名称：schema_property_gt.csv
- 文件格式：CSV
- 字段映射介绍：目标列的Schema.org属性真值标签数据。
- 文件名称：schema_property_targets.csv
- 文件格式：CSV
- 字段映射介绍：Schema.org属性的目标列标注数据。
- 文件名称：schema_class_gt.csv
- 文件格式：CSV
- 字段映射介绍：目标列的Schema.org类真值标签数据，包含表格ID、列索引、Schema.org类标签（如schema:State）。
- 文件名称：schema_class_targets.csv
- 文件格式：CSV
- 字段映射介绍：Schema.org类的目标列标注数据。
数据来源
GitTables语料库（https://gittables.github.io）
适用场景
- 表格列类型检测模型评估: 作为SemTab 2022基准数据集，用于测试和比较不同列语义类型检测算法的准确性。
- 语义标注方法研究: 分析DBpedia与Schema.org两种知识图谱下的列标注任务差异，优化标注策略。
- 表格数据理解研究: 探索表格列命名匿名化场景下的语义类型推理方法。
- 知识图谱对齐应用: 研究表格数据与DBpedia、Schema.org知识图谱的属性及类对齐技术。
