KagNet : Réseaux graphiques conscients des connaissances pour le raisonnement du sens commun

Le raisonnement communautaire vise à doter les machines de la capacité humaine à formuler des hypothèses concernant des situations ordinaires dans la vie quotidienne. Dans cet article, nous proposons un cadre de déduction textuelle pour répondre aux questions de raisonnement communautaire, qui exploite efficacement des graphes de connaissances communautaires structurés et externes afin de réaliser des inférences explicables. Ce cadre commence par ancrer une paire question-réponse depuis l’espace sémantique vers l’espace symbolique fondé sur les connaissances, sous la forme d’un graphe schématique — un sous-graphe pertinent des graphes de connaissances externes. Il représente ces graphes schématiques à l’aide d’un nouveau module de réseau de graphes sensible aux connaissances, nommé KagNet, puis évalue les réponses à partir des représentations de graphes. Notre modèle repose sur des réseaux de convolution de graphes et des LSTM, munis d’un mécanisme d’attention hiérarchique basé sur les chemins. Les scores d’attention intermédiaires rendent le processus transparent et interprétable, permettant ainsi d’obtenir des inférences fiables. En n’utilisant que ConceptNet comme ressource externe pour les modèles basés sur Bert, nous avons atteint des performances de pointe sur CommonsenseQA, un grand jeu de données dédié au raisonnement communautaire.