Dans les systèmes de réponse à des questions conversationnelles, les utilisateurs expriment leurs besoins d'information à travers une série d'énoncés présentant un contexte incomplet. Les méthodes classiques de ConvQA reposent généralement sur une seule source (une base de connaissances (KB), un corpus textuel ou un ensemble de tableaux), ce qui les empêche de tirer parti de la couverture accrue des réponses et de la redondance offerte par plusieurs sources. Notre méthode, EXPLAIGNN, surmonte ces limitations en intégrant des informations provenant d’un mélange de sources tout en fournissant des explications compréhensibles par l’utilisateur. Elle construit un graphe hétérogène à partir d’entités et de fragments de preuves extraits d’une KB, d’un corpus textuel, de tableaux web et d’infoboxes. Ce graphe volumineux est ensuite réduit itérativement grâce à des réseaux neuronaux de graphe intégrant une attention au niveau de la question, jusqu’à ce que les meilleures réponses et leurs explications soient extraites. Les expérimentations montrent que EXPLAIGNN améliore les performances par rapport aux méthodes de pointe. Une étude utilisateurs démontre que les réponses obtenues sont compréhensibles par les utilisateurs finaux.