Une plateforme universelle de réponse aux questions pour les graphes de connaissances

Les connaissances provenant de domaines d’application divers sont organisées sous forme de graphes de connaissances (KG, Knowledge Graphs), stockés dans des moteurs RDF accessibles sur le web via des points d’accès SPARQL. La formulation d’une requête SPARQL correctement formée nécessite une connaissance approfondie de la structure du graphe ainsi que des URI exacts de ses composants, ce qui est peu pratique pour l’utilisateur moyen. Les systèmes de réponse à des questions (QA, Question Answering) aident à surmonter cette difficulté en traduisant les questions formulées en langage naturel en requêtes SPARQL. Toutefois, les systèmes QA existants reposent généralement sur des règles spécifiques à une application, soigneusement élaborées par des humains, ou exigent des informations préalables, un prétraitement coûteux et une adaptation du modèle pour chaque KG cible. Par conséquent, ils peinent à s’adapter à un large éventail d’applications et de graphes de connaissances.Dans cet article, nous proposons KGQAn, un système QA universel qui n’a pas besoin d’être adapté à chaque KG cible. À la place des règles prédéfinies, KGQAn introduit une nouvelle formalisation de la compréhension des questions comme un problème de génération de texte, permettant de convertir une question en une représentation abstraite intermédiaire à l’aide d’un modèle séquentiel neuronal (sequence-to-sequence). Nous avons également conçu un « liant à la demande » (just-in-time linker) qui, au moment de la requête, mappe cette représentation abstraite en une requête SPARQL spécifique à un KG donné, en n’utilisant que les API accessibles publiquement et les index existants du magasin RDF, sans nécessiter aucun prétraitement. Nos expérimentations menées sur plusieurs KG réels montrent que KGQAn est facile à déployer et surpasse de manière significative l’état de l’art en termes de qualité des réponses et de temps de traitement, notamment pour des KG arbitraires non vus durant l’entraînement.