Comparaison et étude de la généralisation de modèles neuronaux pré-entrainés pour la génération de requêtes SPARQL

Les bases de connaissances sont une méthode prometteuse pour stocker et organiser des données. Cependant, il est difficile d’accéder à de telles bases de données pour les utilisateurs qui ne sont pas des experts dans le domaine, car les requêtes doivent être exprimées dans le langage de requête SPARQL, qui est difficile à maîtriser pour les personnes en dehors du domaine du Web sémantique. Cette difficulté peut être surmontée par la conception de modèles efficaces de traduction de questions en langage naturel vers des requêtes SPARQL. Les approches modernes pour résoudre cette tâche impliquent des architectures de traduction neuronale qui considèrent SPARQL comme une autre langue naturelle. La tâche a connu des progrès récents qui ont été encouragés par le développement d’architectures neuronales de plus en plus puissantes ainsi que par la conception de mécanismes spécifiques qui s’attaquent aux principales difficultés de la tâche. Ce mémoire propose une comparaison complète des approches récentes de traduction neuronale sur la base de l’annotation de questions, des ensembles de données, des architectures de modèles et de l’utilisation du mécanisme de copie. Il présente la première tentative de combiner la force du mécanisme de copie et l’utilisation de modèles pré-entraînés. Il aborde également la question de la généralisation de ces approches en définissant les difficultés clés liées aux jeux de données de référence et en concevant un algorithme pour re-diviser les ensembles de données afin d’évaluer la façon dont les modèles traitent ces difficultés. Notamment, nous évaluons la capacité des modèles à gérer les questions contenant des ressources (URI) inconnues et les questions ayant une structure non vue en entrainement.