Questions-réponses

Leaders de la thématique

Bang Liu & Jian-Yun Nie

Chercheuses et chercheurs impliqués

Yacine Benahmed, Jackie Cheung, Samira Ebrahimi-Kahou, Philippe Langlais, Siva Reddy, Jian Tang

Étudiantes et étudiants

À venir

Sous-thèmes

  • Question-réponses à partir de textes et graphes de connaissances

  • Récupération de passages et compréhension de la lecture automatique

  • Question-réponse communautaire

  • Compréhension des questions, détection d'intention

  • Question-réponse multimodal et multilingue


Description

Les moteurs de recherche (ou Information retrieval - IR) font partie de notre quotidien, nous permettant de trouver rapidement des informations à partir d'un grand référentiel de textes (Web). Cependant, ils se limitent à localiser les documents pouvant contenir les informations pertinentes. Dans de nombreux cas, les utilisateurs sont intéressés à trouver la réponse précise à une question spécifique. La réponse aux questions (QA) est un pas de plus pour répondre à ce besoin. Par rapport à l'IR, le QA nécessite une compréhension plus approfondie de la question de l'utilisateur et du contenu du document, ainsi qu'une correspondance plus intelligente entre la question et les réponses potentielles. Semblable à la réponse humaine aux questions, la compréhension de la question et du contenu du document nécessite de capturer une sémantique fine et d'exploiter toutes les informations contextuelles disponibles, tandis qu'une correspondance plus intelligente nécessite des inférences basées sur les connaissances disponibles. Celles-ci soulèvent plusieurs questions clés qui n'ont pas encore été bien répondues dans la littérature : comment représenter les questions et les documents, et comment effectuer des inférences pour déterminer les réponses ?

Le QA peut être mis en œuvre sur différentes sources : un graphe de connaissances, une grande quantité de textes ou un référentiel de questions répondues (par exemple, le QA communautaire). Bien que la forme d'inférence puisse être différente, ils partagent un besoin commun de représentation plus profonde et précise et une capacité de raisonnement améliorée dans l'appariement question-réponse.