PFIA 2024
Validation Temporelle Explicable de Faits par la Découverte de Contraintes Temporelles Complexes dans les Graphes de Connaissances
Thibaut Soulard, Joe Raad, Fatiha Saïs
La question des fausses nouvelles a pris de l’importance à la lumière du flux croissant d’informations non vérifiées parmi les utilisateurs. Pour relever ce défi, les graphes de connaissances (GC) sont un moyen de vérifier le contenu des nouvelles à partir des faits contenus dans les graphes de connaissances. Toutefois, la validation temporelle de ces déclarations (c’est-à-dire la vérification de la véracité d’un fait dans un intervalle de temps donné) est un aspect qui n’a pas encore reçu beaucoup d’attention. Notre travail introduit une nouvelle approche interprétable et explicable qui exploite la puissance des graphe de connaissances pour classer les faits des graphes des graphes de connaissances en évaluant leur validité ou leur réfutation dans un intervalle temporel. Notre approche est fondée sur les relations d’Allen entre les intervalles temporels et étend ces relations aux séquences temporelles. Nous testons notre cadre symbolique sur l’un des plus grands graphes de connaissances disponibles publiquement et comparons sa performance à travers de multiples hyper-paramètres avec l’extension neuro-symbolique que nous proposons.