Auteurs
Résumé
Avec la disponibilité croissante des bases de connaissances structurées à grandes échelles et des techniques de traitement automatique du langage naturel (TALN) aidées par des techniques avancées de recherche d’information (RI), les systèmes de questions-réponses (QR) sont entrés dans une ère de commercialisation. Cependant, les types de questions auxquelles on peut répondre sont un peu limités aux connaissances encyclopédiques qui sont souvent bien structurées sous forme de triplets ou, par ailleurs, localisées dans un segment de texte. Dans cette étude, nous proposons un graphe conceptuel basé sur les structures de questions-réponses (GCQR), qui permet l’inférence non-programmée et la représentation des connaissances à base de contexte. Cette approche a été mise en oeuvre avec les techniques TALN pour générer non seulement des graphes conceptuels à partir du texte en question, mais aussi des algorithmes efficaces de correspondance graphique servant comme un mécanisme d’inférence, qui est pensé pour répondre à des questions, non seulement classiques mais aussi ‘difficiles’.
Abstract
With the increasing availability of large-scale structured knowledge bases and natural language processing (NLP) techniques aided by advanced information retrieval (IR) techniques, question answering (QA) systems have entered into a commercialization era. However, the types of questions that can be answered are somewhat limited to encyclopedic knowledge that are often either well structured like triplets or localized in a text segment. In this work, we propose a conceptual graph based question answering (CGQA) framework that enables informal inference and context-driven knowledge representation. This approach has been implemented with NLP techniques for generating conceptual graphs from text and efficient graph matching algorithms as an inference mechanism, which is geared toward answering not only conventional but also ‘hard’ questions.