Una mesa es una forma conveniente de almacenar, estructurar y presentar datos. Las mesas son una atractiva fuente de conocimiento en varias aplicaciones, incluida la ingeniería de grafos de conocimiento. Sin embargo, la falta de comprensión de la estructura semántica y el significado de su contenido puede reducir la efectividad de este proceso. Por lo tanto, la restauración de la semántica tabular y el desarrollo de grafos de conocimiento basados en datos tabulares semánticamente anotados son tareas altamente relevantes que han atraído mucha atención en los últimos años. Proponemos un enfoque híbrido que utiliza heurísticas y métodos de aprendizaje automático para la anotación semántica de datos tabulares relacionales y poblaciones de grafos de conocimiento con entidades específicas extraídas de las tablas anotadas. Este documento discute las principales etapas del enfoque, su implementación y pruebas de rendimiento. También consideramos tres estudios de caso para el desarrollo de grafos de conocimiento específicos de dominio en los campos de inspección de seguridad industrial, análisis del mercado laboral y actividades universitarias. Los resultados de la evaluación revelaron que la aplicación de nuestro enfoque puede considerarse la etapa inicial para el llenado rápido de grafos de conocimiento específicos de dominio basados en datos tabulares.