Description
Date depot: 22 mars 2022
Titre: Extraction Sémantique de Relations entre Événements à partir de Textes avec des Graphes de Connaissances
Directrice de thèse:
Maria Alejandra ZULUAGA (Eurecom)
Encadrant :
Pasquale LISENA (Eurecom)
Domaine scientifique: Sciences et technologies de l'information et de la communication
Thématique CNRS : Intelligence artificielle
Resumé: L'histoire est composée d'un flux continu d'événements, interagissant les uns avec les autres et contribuant à l'évolution des connaissances humaines. Les graphes de connaissances tentent d'encoder les informations sur les faits et les événements, mais ne parviennent pas toujours à représenter l'évolution temporelle de ces connaissances et à suivre les flux de cause à effet. Cette thèse vise à étudier le rôle des relations entre les événements et les faits dans les graphes de connaissances et à les exploiter dans des applications d'IA, ce qui pourrait profiter à différents domaines, comme la prise de décision, l'explicabilité et la détection des fausses nouvelles. Des méthodes seront développées pour capturer et extraire correctement ces relations à partir de sources textuelles, afin d'alimenter un Graphe de Connaissances d'événements, reliés par des liens avec une sémantique claire (cause-effet, sous-événements, corrélation, etc.). Ces données serviront à détecter automatiquement les triplets invalides et à inférer les relations manquantes, en combinant le raisonnement sémantique et les méthodes d'apprentissage profond.
Résumé dans une autre langue: History is composed of a continuous flow of events, interacting with each other and contributing to the evolution of human knowledge. Knowledge Graphs try to encode the information about facts and events, often falling short when representing the temporal evolution of this knowledge and tracking cause-effect flows. This PhD aims to investigate the role of events and facts relationships in KGs and exploit them in AI applications, potentially benefiting different fields, like decision making, explainability, and fake news detection. Methods will be developed to properly capture and extract these relationships from textual sources, in order to populate a Knowledge Graph of event, connected by links with clear semantics (Cause-Effect, Sub-events, Correlation, etc.). This knowledge will serve to automatically detect invalid triples and infer missing relationships, combining semantic reasoning and deep learning methods.
Doctorant.e: Rebboud Youssra