Amélioration de la réponse à des questions sur base de connaissances à plusieurs sauts par l’apprentissage de signaux de supervision intermédiaires

La question answering sur base de connaissances à plusieurs sauts (KBQA à plusieurs sauts) vise à identifier les entités réponse situées à plusieurs étapes dans la base de connaissances (KB) à partir des entités mentionnées dans la question. Un défi majeur réside dans le manque de signaux de supervision aux étapes intermédiaires. Par conséquent, les algorithmes de KBQA à plusieurs sauts ne peuvent recevoir de retour qu’au niveau de la réponse finale, ce qui rend l’apprentissage instable ou inefficace.Pour relever ce défi, nous proposons une nouvelle approche enseignant-étudiant pour la tâche de KBQA à plusieurs sauts. Dans notre méthode, le réseau étudiant vise à trouver la bonne réponse à la requête, tandis que le réseau enseignant cherche à apprendre des signaux de supervision intermédiaires afin d’améliorer la capacité de raisonnement du réseau étudiant. La principale originalité réside dans la conception du réseau enseignant, où nous exploitons à la fois le raisonnement avant (forward) et le raisonnement arrière (backward) afin d’améliorer l’apprentissage des distributions d’entités intermédiaires. En intégrant un raisonnement bidirectionnel, le réseau enseignant peut générer des signaux de supervision intermédiaires plus fiables, ce qui permet de réduire le risque de raisonnement erroné (spurious reasoning). Des expériences étendues sur trois jeux de données de référence ont démontré l’efficacité de notre approche sur la tâche de KBQA. Le code permettant de reproduire nos expérimentations est disponible à l’adresse suivante : https://github.com/RichardHGL/WSDM2021_NSM.