Intégration du contexte dans un graphe de connaissances pour la réponse aux questions de bon sens

La réponse à des questions basée sur le bon sens (QA) exige que le modèle maîtrise à la fois les connaissances courantes et factuelles afin de répondre à des questions portant sur des événements du monde réel. De nombreuses méthodes antérieures associent la modélisation du langage aux graphes de connaissances (KG). Toutefois, bien que les KG contiennent des informations structurales riches, ils manquent de contexte, ce qui limite une compréhension plus précise des concepts. Ce manque de contexte crée un écart lors de l’intégration des graphes de connaissances dans la modélisation du langage, en particulier lorsque les données étiquetées sont insuffisantes. Ainsi, nous proposons d’utiliser des descriptions externes d’entités pour fournir un contexte supplémentaire à la compréhension des connaissances. Nous récupérons les descriptions des concepts associés à partir de Wiktionnaire et les intégrons comme entrée supplémentaire dans des modèles de langage pré-entraînés. Le modèle ainsi obtenu atteint un résultat de pointe sur le jeu de données CommonsenseQA, et réalise la meilleure performance parmi les modèles non génératifs sur OpenBookQA.