Résumé

La sélection de réponse en recherche d’information précise met nécessairement en oeuvre un appariement de passages avec la question. Nous proposons un algorithme qui consiste à engendrer et apprendre les inférences utiles pour rapprocher les passages de texte à des couples (questions, réponse candidate). Ceux-ci sont sélectionnés au moyen d’une ex- pansion lexicale utilisant WordNet et des vecteurs de mots. Ils sont représentés par leur arbre de dépendances syntaxique, enrichi au moyen de plusieurs ressources lexico-sémantiques dont WordNet et ConceptNet. Un algorithme de recherche en faisceau calcule des séquences d’édi- tion transformant les passages en choix de réponse. Des traits calculés à partir de ces séquences d’édition sont utilisés pour construire deux classifieurs chargés respectivement de valider ou in- valider chaque choix de réponse. Cette méthode a été évaluée sur la tâche ‘Entrance Exams’ à CLEF 2015 qui propose de répondre à des QCMs sur des textes et a obtenu le deuxième meilleur score de précision des systèmes participants.

Abstract

In order to answer question, we propose a matching algorithm that consists in generating and learning inferences needed to rely text passages to pairs (question, candidate answer). We first retrieve relevant passages, through lexical expansion involving WordNet and word vec- tors, that are enriches by lexico-semantic resources. Then a tree edit model is used on graph representations of the passages and answer choices to extract edit sequences. Finally, features are computed from those edit sequences and used in two machine-learned models, one for vali- dating answers and one for invalidating answers, in order to take the final decision. This method was evaluated in the Entrance Exams task at QALD@CLEF, that consists in answering QCMs on given texts, yielding the second best precision score on the task.