TwiRGCN : Convolution de graphe pondérée temporellement pour la réponse aux questions sur les graphes de connaissances temporels

Les dernières années ont vu une forte croissance d’intérêt pour le raisonnement temporel sur les graphes de connaissances (KG) dans le cadre de la réponse à des questions complexes (QA), mais un écart important persiste encore entre les performances des systèmes automatisés et celles des humains. Nous explorons comment généraliser les réseaux de convolution de graphes relationnels (RGCN) pour la tâche de QA sur KG temporels. Plus précisément, nous proposons une nouvelle approche intuitive et interprétable pour moduler les messages échangés le long des arêtes d’un KG lors de la convolution, en fonction de la pertinence de la période temporelle associée à l’arête par rapport à la question posée. Nous introduisons également un mécanisme de seuil (gating device) capable de prédire si la réponse attendue à une question temporelle complexe est probablement une entité du KG ou une date, et nous utilisons cette prédiction pour guider notre mécanisme de notation. Nous évaluons le système résultant, que nous appelons TwiRGCN, sur TimeQuestions, un ensemble de données récemment publié et particulièrement exigeant pour la QA temporelle complexe à plusieurs sauts. Nos résultats montrent que TwiRGCN surpasse significativement les systèmes d’état de l’art sur cet ensemble de données, quelle que soit la catégorie de question. Notamment, TwiRGCN améliore l’exactitude de 9 à 10 points de pourcentage pour les types de questions les plus difficiles, à savoir les questions ordinales et implicites.