在知识图谱（KG）构建过程中，元数据的质量直接影响下游图验证的可靠性。对于仅依赖元数据的语义表解释（STI），当单元格值缺失、噪声大或不适用时，列标题成为唯一可追溯的语义线索。本文提出一种可解释的表头中心框架，专注于元数据层面的列类型标注（CTA）和数据质量评估（DQA）。
框架首先利用精心构建的词汇资源，将每个标题映射到 39 种可解释的 FinalFormat 类型，并通过 SourceKeywords 保留词元级别的可追溯性。随后，根据 数据质量问题（DQI） 分类体系激活相应的验证规则，检测缺失值、重复、域违规、错误数据类型以及时间不匹配等问题。所有检测结果汇总为 HeadersIQ，这是一种轻量、无权重的数据源级质量指标。
我们在包括 UCI、Prague、Kaggle、VizNet/Sato、SOTAB、T2Dv2 以及 SemTab 2024 Metadata‑to‑KG 赛道在内的多样化基准上进行评估，累计约 12 万列标题。实验表明，该框架在噪声真实元数据上具备广泛的实用覆盖度；同时，平行的 KG 映射路径支持与 DBpedia 和 Schema.org 的对齐。
在 SemTab 2024 Metadata‑to‑KG 赛道的官方 GT‑strict 评估中，表现相对保守。然而，盲测诊断审计显示，许多不匹配源于基准粒度、别名以及本体选择的差异，而非完全不合理的表头预测。我们将此审计结果报告为分歧模式的诊断证据，而非重新计算的基准成绩。
总体而言，本文提供了一套可复用的工作流，实现基于元数据的语义标注、数据源级质量监控以及面向 KG 的基准诊断。
点评：该框架通过结构化的词汇映射和可解释的质量规则，实现了在缺失单元格信息情况下的语义推断与质量评估，为大规模 KG 构建提供了实用的前置手段。