Intégration de connaissances basée sur les graphes pour la réponse aux questions dans les dialogues

La question-réponse sur dialogue, une tâche spécialisée de compréhension automatique du texte, vise à comprendre un dialogue et à répondre à des questions spécifiques. Malgré de nombreux progrès, les approches existantes pour cette tâche n’ont pas pris en compte la structure du dialogue ni les connaissances contextuelles (par exemple, les relations entre les interlocuteurs). Dans cet article, nous proposons une nouvelle approche pour cette tâche, marquée par sa nouveauté dans la structuration du dialogue et l’intégration des connaissances contextuelles pour le raisonnement. Plus précisément, contrairement aux approches précédentes « sans structure », notre méthode organise un dialogue sous la forme d’un « graphe relationnel », où les arêtes représentent les relations entre les entités. Pour encoder ce graphe relationnel, nous avons conçu un réseau de convolution de graphe relationnel (R-GCN), capable de parcourir la structure topologique du graphe et d’encoder efficacement des connaissances multi-relationnelles afin de soutenir le raisonnement. Les expériences étendues confirment l’efficacité de notre approche par rapport aux méthodes de référence. En outre, une analyse plus approfondie révèle que notre modèle se distingue particulièrement dans la résolution de questions complexes nécessitant un raisonnement relationnel, tout en étant plus résistant aux attaques adverses comportant des phrases distractrices.