LEGO : Raisonnement latent guidé par l'exécution pour la réponse à des questions à bonds multiples sur des graphes de connaissances.

Résumé :

Répondre à des questions complexes en langage naturel sur des graphes de connaissances (KGQA) est une tâche difficile. Elle nécessite de raisonner avec les questions en langage naturel en entrée ainsi qu'avec un KG hétérogène, massif et incomplet. Les méthodes antérieures obtiennent un graphe/arbre d'interrogation structuré abstrait à partir de la question d'entrée et parcourent le KG pour trouver des réponses en suivant l'arbre d'interrogation. Cependant, elles ne peuvent pas traiter les liens manquants dans le KG. Nous présentons ici LEGO, un cadre de réapprentissage guidé par l'exécution latente, qui permet de relever ce défi dans le cadre de KGQA. LEGO fonctionne de manière itérative, en alternant entre (1) un synthétiseur de requêtes, qui synthétise une action de raisonnement et fait croître l'arbre de requête étape par étape, et (2) un exécuteur d'espace latent qui exécute l'action de raisonnement dans l'espace d'intégration latent pour lutter contre les informations manquantes dans le KG. Pour apprendre le synthétiseur sans supervision par étapes, nous concevons une procédure générique de recherche ascendante guidée par l'exécution latente afin de trouver efficacement de bonnes traces d'exécution dans le vaste espace de requête. Les résultats expérimentaux sur plusieurs benchmarks KGQA démontrent l'efficacité de notre cadre par rapport à l'état de l'art précédent.