Délignage et Remplissage : Génération de Graphes de Requêtes Hiérarchiques pour Répondre aux Questions Complexes sur les Graphes de Connaissances

La construction de graphes de requête vise à créer le SPARQL exécutable correct sur le graphe de connaissances (KG) pour répondre aux questions en langage naturel. Bien que les méthodes récentes aient obtenu de bons résultats grâce au classement de graphes de requête basé sur les réseaux neuronaux, elles sont confrontées à trois nouveaux défis lorsqu'elles traitent des questions plus complexes : 1) la syntaxe complexe du SPARQL, 2) un espace de recherche considérable, et 3) des graphes de requête localement ambigus. Dans cet article, nous proposons une nouvelle solution. Comme préparation, nous étendons le graphe de requête en traitant chaque clause SPARQL comme un sous-graphe composé de sommets et d'arêtes, et nous définissons une grammaire graphique unifiée appelée AQG (Abstract Query Graph) pour décrire la structure des graphes de requête. Sur la base de ces concepts, nous présentons un modèle innovant bout-à-bout qui effectue un décodage autorégressif hiérarchique pour générer des graphes de requête. Le décodage haut niveau génère un AQG en tant que contrainte pour réduire l'espace de recherche et diminuer les ambiguïtés locales des graphes de requête. Le décodage bas niveau réalise la construction du graphe de requête en sélectionnant les instances appropriées parmi les candidats préparés à l'avance pour remplir les emplacements dans l'AQG. Les résultats expérimentaux montrent que notre méthode améliore considérablement les performances de l'état de l'art sur des benchmarks complexes en question-réponse sur graphe de connaissances (KGQA). Grâce aux modèles pré-entraînés, les performances de notre méthode sont encore améliorées, atteignant l'état de l'art pour les trois jeux de données utilisés.