La plupart des approches existantes en question answering sur base de connaissances (KBQA) se concentrent sur une base de connaissances spécifique, soit en raison d’hypothèses intrinsèques à la méthode, soit parce que l’évaluation sur une autre base nécessite des modifications non négligeables. Toutefois, de nombreuses bases de connaissances populaires partagent des similitudes dans leurs schémas sous-jacents, qu’il est possible d’exploiter pour favoriser la généralisation entre différentes bases. Afin d’atteindre cette généralisation, nous proposons un cadre KBQA fondé sur une architecture en deux étapes, qui sépare explicitement le parsing sémantique de l’interaction avec la base de connaissances. Cette séparation facilite l’apprentissage transféré entre jeux de données et graphes de connaissances. Nous démontrons que le pré-entraînement sur des jeux de données reposant sur une base de connaissances différente peut néanmoins conduire à des gains significatifs en performance et réduire la complexité en échantillons. Notre approche atteint des performances comparables ou tout au moins parmi les meilleures sur les benchmarks LC-QuAD (DBpedia), WebQSP (Freebase), SimpleQuestions (Wikidata) et MetaQA (Wikimovies-KG).