Réseau de fusion adaptative multi-voie sensible au temps pour la réponse aux questions sur les graphes de connaissances temporels

Les graphes de connaissances (KG) ont suscité un intérêt croissant en raison de leurs nombreuses applications en traitement du langage naturel. Toutefois, leur utilisation dans le cadre de la réponse à des questions temporelles (QA temporelle) n’a pas encore été suffisamment explorée. La plupart des méthodes existantes s’appuient sur des modèles linguistiques pré-entraînés, lesquels peuvent ne pas être capables d’apprendre des représentations spécifiques au temps des entités, dans le contexte de la tâche KGQA temporelle. Pour atténuer ce problème, nous proposons un nouveau réseau de fusion \textbf{T}emporellement \textbf{M}ultidirectionnel \textbf{A}daptatif (\textbf{TMA}). Inspiré du comportement de raisonnement progressif propre à l’humain, TMA extrait d’abord, pour chaque question posée, les concepts pertinents du graphe de connaissances, puis les alimente dans un module multidirectionnel adaptatif afin de générer une représentation \emph{spécifique au temps} de la question. Cette représentation peut ensuite être combinée avec les embeddings pré-entraînés du graphe de connaissances pour produire la prédiction finale. Les résultats expérimentaux confirment que le modèle proposé obtient des performances supérieures à celles des modèles les plus avancés sur le jeu de données de référence. Notamment, les scores Hits@1 et Hits@10 de TMA sur les questions complexes du jeu de données CronQuestions sont améliorés respectivement de 24 % et 10 % par rapport au meilleur modèle de référence. En outre, nous démontrons également que l’approche TMA, grâce à son mécanisme de fusion adaptatif, permet d’assurer une interprétabilité accrue, en analysant la proportion d’information contenue dans les représentations des questions.