Les questions factuelles ou listes du monde réel présentent souvent une structure simple, mais sont difficiles à associer à des faits dans une base de connaissances donnée en raison d'une grande variabilité représentationnelle et linguistique. Par exemple, pour répondre à la question « qui est le PDG d'Apple » sur Freebase, il faut effectuer un lien vers une entité abstraite « leadership » comportant trois relations : « rôle », « organisation » et « personne », ainsi que deux autres entités : « Apple Inc » et « directeur général ». Ces dernières années, une forte activité de recherche s'est développée autour de solutions fondées sur l'apprentissage pour ce type de problème. Nous allons plus loin dans l'état de l'art en adoptant une méthodologie d'apprentissage par classement (learning-to-rank) et en traitant pleinement le problème fondamental de reconnaissance d'entités, négligé dans les travaux récents.Nous évaluons notre système, baptisé Aqqu, sur deux benchmarks standards, Free917 et WebQuestions, en améliorant considérablement les résultats précédents pour chacun d'eux. Ces deux benchmarks posent des défis très différents, et de nombreuses approches existantes ont été évaluées (et fonctionnent bien) uniquement pour l'un d'entre eux. Nous prenons également en compte les aspects d'efficacité, en veillant à ce que toutes les questions puissent être traitées de manière interactive (c’est-à-dire en moins d’une seconde). Les ressources nécessaires à la reproductibilité intégrale sont disponibles sur notre site web : http://ad.informatik.uni-freiburg.de/publications.