DuoKGQA: A Novel Dual-Module Framework for Cypher Query Generation in Knowledge Graph Question Answering

Dans la vaste bibliothèque numérique du monde moderne, l'information croît à un rythme fulgurant, souvent enfouie dans des sites web, des bases de données et des documents complexes. Pour un étudiant cherchant à savoir si un programme universitaire spécifique accepte une certaine note, ou pour un parent cherchant les dates limites de bourses d'études, la réponse est généralement là, mais la trouver nécessite de naviguer dans un labyrinthe de liens et de petits caractères. C'est ici que le domaine du questionnement et de la réponse (Question Answering) intervient, tentant de combler le fossé entre la question naturelle d'un humain et les données structurées d'un ordinateur. Les outils les plus puissants pour cette tâche sont les graphes de connaissances qui ne sont pas des cartes géographiques, mais plutôt de vastes réseaux interconnectés de faits. Imaginez une toile d'araignée géante où chaque nœud est une chose spécifique, comme un cours universitaire, et chaque fil les reliant est une relation, telle que « coûte » ou « nécessite ». Lorsqu'une personne pose une question, un bon système ne se contente pas de chercher des mots-clés ; il suit les fils de cette toile pour trouver le nœud exact qui détient la réponse. Cependant, traduire une phrase humaine désordonnée en les instructions précises nécessaires pour naviguer dans cette toile a longtemps été un défi difficile, surtout lorsque les questions impliquent des nuances subtiles de sens ou des détails académiques spécifiques.

Les chercheurs You Li Chong, Chin Poo Lee et Kian Ming Lim ont développé un nouveau système appelé DuoKGQA pour résoudre ce problème spécifique au sein du monde académique. Leur travail se concentre sur l'aide aux utilisateurs qui posent des questions sur les programmes universitaires, tels que les frais de scolarité, les conditions d'admission ou les perspectives de carrière, et reçoivent des réponses précises instantanément. Pour ce faire, ils ont construit un graphe de connaissances spécialisé pour une université, connectant 852 informations distinctes, comme des noms de programmes et des détails de facultés, avec plus de mille relations. Le cœur de leur innovation est un moteur en deux parties conçu pour comprendre ce qu'un utilisateur demande, puis pour trouver la bonne réponse au sein de cette toile numérique. Au lieu d'essayer de tout faire à la fois, ce qui mène souvent à la confusion, ils ont divisé la tâche en deux étapes distinctes : d'abord, déterminer le type de question, et ensuite, identifier le programme spécifique dont il est question.

La première partie du système agit comme un classificateur. Lorsqu'un utilisateur tape une question, le système détermine d'abord la catégorie de cette question. L'utilisateur pose-t-il une question sur le coût d'un diplôme, la durée du cours ou la date limite de candidature ? Pour prendre cette décision, le système utilise des modèles de langage avancés qui lisent la question et comprennent son contexte, tout comme un humain lisant une phrase pour en saisir l'intention. Les chercheurs ont découvert qu'en combinant deux types différents de modèles d'apprentissage profond, ils pouvaient atteindre un niveau de précision très élevé dans cette étape de classification. Un modèle est particulièrement doué pour examiner l'ensemble de la phrase afin de comprendre le flux des idées, tandis que l'autre est excellent pour repérer des motifs et des détails locaux spécifiques. En laissant ces deux modèles voter sur la réponse, le système a atteint une précision de près de 95 pour cent dans l'identification correcte du type de question. Cette étape est cruciale car elle indique à l'ordinateur quel modèle utiliser pour la phase suivante, garantissant que la réponse finale est structurée correctement.

Une fois que le système sait de quel type de question il s'agit, il passe à la seconde partie : trouver le nom du programme spécifique. Dans un contexte universitaire, les utilisateurs peuvent se référer à un cours de nombreuses façons différentes, en utilisant peut-être une abréviation, un surnom ou une formulation légèrement différente du nom officiel sur le site web. Le système utilise un outil de correspondance sophistiqué pour comparer les mots de l'utilisateur à une liste de 91 noms de programmes officiels. Il convertit à la fois la question de l'utilisateur et les noms officiels en représentations mathématiques de leur sens, ce qui lui permet de trouver la correspondance la plus proche même si les mots ne sont pas identiques. Ce processus est très efficace, ne prenant qu'une fraction de seconde pour parcourir la liste et identifier le programme correct. Si la question porte sur un sujet général comme les bourses d'études qui s'applique à tout le monde, cette étape est sautée, mais pour les demandes de cours spécifiques, cette identification précise garantit que le système recherche les bonnes données.

Les chercheurs ont testé leur système avec plus de 11 000 questions différentes, allant de demandes simples à des requêtes complexes sur des conditions d'admission spécifiques. Les résultats ont montré que l'approche en deux parties était nettement plus efficace que les méthodes précédentes qui tentaient de gérer la classification et l'identification simultanément. Le système a généré avec succès les instructions informatiques correctes pour récupérer la réponse dans près de 89 pour cent de tous les cas, une amélioration marquée par rapport aux modèles antérieurs qui peinaient avec les nuances du langage académique. Dans la tâche spécifique de classification des types de questions, le système était correct 94,6 pour cent du temps. L'étude souligne qu'en décomposant un problème complexe en morceaux plus petits et gérables, et en utilisant des outils spécialisés pour chacun, le système peut naviguer dans le réseau complexe des données académiques avec un niveau de précision auparavant difficile à atteindre.

Ce travail démontre que pour des domaines spécialisés comme l'enseignement supérieur, une approche sur mesure fonctionne mieux qu'une solution universelle. Les chercheurs n'ont pas seulement construit un système qui devine ; ils ont construit un cadre robuste qui comprend la structure des requêtes académiques et les relations spécifiques entre les programmes et leurs détails. Bien que le système ne soit pas parfait et puisse encore éprouver des difficultés avec des questions ayant des formulations très similaires ou des couches de complexité multiples, il représente une étape importante vers la rendre l'information universitaire accessible par une conversation naturelle. Le succès de DuoKGQA suggère que de futurs systèmes pourront être construits pour gérer des questions encore plus complexes, en s'étendant potentiellement au-delà des universités vers d'autres domaines où une connaissance précise et structurée est essentielle pour trouver la bonne réponse.