Natural language question answering over knowledge graph

Abstract

La prédiction du type de réponse est cruciale pour fournir des réponses précises dans les systèmes automatisés de questions-réponses. Elle permet de réduire l’espace de recherche des réponses aux questions, améliorant ainsi la pertinence des résultats. Cependant, compte tenu de l’ambiguïté des questions et de la multiplicité des types de réponses pour une même question, nous nous interrogeons sur la mise en place d’un système de prédiction du type de réponse afin de réduire efficacement l’espace de recherche pour les questions données. Face au défi que représente la prédiction du type de réponse dans les systèmes automatisés de questions-réponses, nous avons développé une méthode basée sur l’affinement d’un graphe de connaissances pour améliorer la précision de cette prédiction. Cette méthode s’inspire de l’algorithme Transe, utilisé pour la prédiction des liens dans les graphes de connaissances, et peut être appliquée à n’importe quel graphe de connaissances. Les graphes de connaissances gagnent en popularité car ils permettent de structurer les données en mettant en évidence les relations entre les entités dans un domaine spécifique, ce qui en fait une base de connaissances idéale pour les systèmes de type de réponse. Les résultats obtenus grâce à notre approche basée sur l’affinement du graphe de connaissances pour la prédiction du type de réponse ont été extrêmement encourageants. Les tests ont montré une amélioration significative de la précision de la prédiction par rapport aux méthodes existantes, ouvrant ainsi la voie à une solution prometteuse pour améliorer la qualité des réponses dans les systèmes automatisés de questions-réponses. En effet, notre méthode a atteint un taux de précision de 96.4%. Ce travail démontre l’importance de la prédiction du type de réponse et propose une approche efficace pour relever ce défi, ouvrant ainsi de nouvelles perspectives pour l’amélioration des systèmes de questions-réponses automatisés. Cette méthode nous a permis de remporter le challenge scientifique SMART Task 2022 organisé Par ISWC.