Modélisation des contextes globaux et locaux des nœuds pour la génération de texte à partir de graphes de connaissances

Les modèles récents de transformation de graphes en texte génèrent du texte à partir de données basées sur des graphes en utilisant soit une agrégation globale, soit une agrégation locale pour apprendre les représentations des nœuds. L'encodage global des nœuds permet une communication explicite entre deux nœuds éloignés, négligeant ainsi la topologie du graphe car tous les nœuds sont directement connectés. En revanche, l'encodage local des nœuds prend en compte les relations entre les nœuds voisins, capturant ainsi la structure du graphe, mais il peut échouer à capturer les relations à longue portée. Dans cette étude, nous combinons ces deux stratégies d'encodage, proposant de nouveaux modèles neuronaux qui encodent un graphe d'entrée en intégrant à la fois les contextes globaux et locaux des nœuds, afin d'apprendre des plongements de nœuds mieux contextualisés. Nos expériences montrent que nos approches conduisent à des améliorations significatives sur deux jeux de données de transformation de graphes en texte, atteignant des scores BLEU de 18,01 sur le jeu de données AGENDA et de 63,69 sur le jeu de données WebNLG pour les catégories observées, surpassant respectivement les modèles d'avant-garde actuels de 3,7 et 3,1 points.