Réponse à des requêtes complexes avec des prédicteurs de liens neuronaux

Les prédicteurs de liens neuronaux sont extrêmement utiles pour identifier les arêtes manquantes dans des graphes de connaissances à grande échelle. Cependant, il n'est toujours pas clair comment utiliser ces modèles pour répondre à des requêtes plus complexes qui se posent dans de nombreux domaines, telles que les requêtes utilisant des conjonctions logiques ($\land$), des disjonctions ($\lor$) et des quantificateurs existentiels ($\exists$), tout en tenant compte des arêtes manquantes. Dans ce travail, nous proposons un cadre permettant de répondre efficacement à des requêtes complexes sur des graphes de connaissances incomplets. Nous traduisons chaque requête en un objectif différentiable de bout en bout, où la valeur de vérité de chaque atome est calculée par un prédicteur de liens neuronal pré-entraîné. Nous analysons ensuite deux solutions au problème d'optimisation, incluant une recherche basée sur les gradients et une recherche combinatoire. Dans nos expériences, l'approche proposée produit des résultats plus précis que les méthodes d'avant-garde -- modèles neuronaux boîtes noires entraînés sur plusieurs millions de requêtes générées -- sans nécessiter l'entraînement sur un grand et divers ensemble de requêtes complexes. En utilisant plusieurs ordres de grandeur moins de données d'entraînement, nous obtenons des améliorations relatives allant de 8% à 40% en termes de Hits@3 sur différents graphes de connaissances contenant des informations factuelles. Enfin, nous démontrons qu'il est possible d'expliquer le résultat de notre modèle en termes des solutions intermédiaires identifiées pour chacun des atomes complexes de la requête. Tous nos codes sources et jeux de données sont disponibles en ligne, à l'adresse https://github.com/uclnlp/cqd.