KERMIT : Complétion de graphe de connaissance par modélisation renforcée des relations avec transformation inverse

La complétion des graphes de connaissances (KGC) consiste à remplir les triplets manquants dans un graphe de connaissances à l’aide des informations disponibles. Les méthodes basées sur le texte, qui s’appuient sur les descriptions textuelles des triplets, rencontrent souvent des difficultés lorsque ces descriptions ne contiennent pas suffisamment d’informations pour permettre une prédiction précise — un problème inhérent aux jeux de données, difficile à résoudre uniquement par des améliorations de modélisation. Pour pallier ce défaut et garantir la cohérence des données, nous utilisons tout d’abord des grands modèles linguistiques (LLM) afin de générer des descriptions cohérentes, comblant ainsi l’écart sémantique entre les requêtes et les réponses. Ensuite, nous exploitons les relations inverses pour construire un graphe symétrique, offrant ainsi des échantillons d’entraînement supplémentaires pour la KGC. Par ailleurs, nous tirons parti de l’information d’étiquetage intrinsèque aux graphes de connaissances (KG) afin d’améliorer le cadre contrastif existant, le rendant pleinement supervisé. Ces efforts ont permis des améliorations significatives des performances sur les jeux de données WN18RR et FB15k-237. Selon les métriques d’évaluation standard, notre approche obtient une amélioration de 4,2 % en Hit@1 sur WN18RR et de 3,4 % en Hit@3 sur FB15k-237, démontrant une performance supérieure.