La question réponse basée sur les graphes de connaissances (KGQA) consiste à extraire des entités en tant que réponses à partir d’un graphe de connaissances (KG) à l’aide de requêtes formulées en langage naturel. Le défi réside dans l’apprentissage d’un raisonnement sur les faits du KG pertinents à la question, qui relient les entités du graphe jusqu’à la réponse attendue. Afin de faciliter ce raisonnement, la question est décodée en instructions, c’est-à-dire en représentations denses qui guident les parcours dans le graphe de connaissances. Toutefois, si les instructions dérivées ne correspondent pas précisément aux informations sous-jacentes du KG, elles peuvent entraîner un raisonnement dans un contexte non pertinent. Notre méthode, baptisée ReaRev, propose une nouvelle approche pour le raisonnement en KGQA, tant au niveau du décodage que de l’exécution des instructions. Pour améliorer le décodage des instructions, nous mettons en œuvre un raisonnement adaptatif, où des informations spécifiques au graphe sont utilisées pour mettre à jour itérativement les instructions initiales. Pour améliorer l’exécution des instructions, nous émulons une recherche en largeur (BFS) à l’aide de réseaux de neurones sur graphe (GNN). Cette stratégie BFS traite les instructions comme un ensemble, permettant à notre méthode de déterminer dynamiquement l’ordre d’exécution des instructions. Les résultats expérimentaux sur trois benchmarks de KGQA démontrent l’efficacité de ReaRev par rapport aux méthodes de pointe précédentes, en particulier dans les cas où le graphe de connaissances est incomplet ou lorsque les questions sont complexes. Le code source est disponible publiquement à l’adresse suivante : https://github.com/cmavro/ReaRev_KGQA.