Une nouvelle approche permet aux moteurs de recherche de décrire des objets avec des déclarations négatives

Les ordinateurs répondent aux questions, ont des conversations ou conseillent les clients sur leurs problèmes. De plus en plus d’applications informatiques reposent sur des connaissances structurées. Pour cela, les informations doivent être organisées de manière à ce qu’un ordinateur puisse les traiter – dans ce que l’on appelle des bases de connaissances. Ces bases de connaissances sont le domaine d’expertise de l’informaticien Simon Razniewski et de son équipe de l’Institut Max-Planck de Sarrebruck pour l’informatique. Les chercheurs sont les premiers à développer une méthode pour ajouter un aspect crucial, jusque-là négligé, à ces bases de connaissances.

De nombreuses applications informatiques quotidiennes utilisent des bases de connaissances: les moteurs de recherche répondent désormais immédiatement aux questions au lieu de créer des liens vers d’autres sites Web. Les boutiques Internet répertorient les fonctionnalités d’un produit. Et les sites de réservation indiquent quels services sont inclus dans une réservation. Quel que soit le contexte dans lequel les bases de connaissances sont utilisées, elles ont un aspect en commun: les informations qu’elles contiennent sont principalement structurées en déclarations dites positives, comme en déclarations qui décrivent que quelque chose est vrai. Par exemple: «Sarrebruck est la capitale de la Sarre», «Le téléphone portable prend en charge la 5G», «Chaque chambre de l’hôtel dispose d’une salle de bains».

Leurs affirmations opposées, dites négatives, sont omises par les bases de connaissances actuelles. Si les déclarations négatives contiennent également des informations précieuses, leur nombre même les rend difficiles à saisir: « Presque un nombre infini d’énoncés ne s’appliquent pas à quelque chose. La difficulté consiste à déterminer laquelle de ces informations erronées doit être incluse dans une base de connaissances, »déclare Simon Razniewski, chercheur postdoctoral et responsable du domaine de recherche Construction de la base de connaissances et qualité au sein du département Bases de données et systèmes d’information de l’Institut Max-Planck de Sarrebruck pour l’informatique. Avec son groupe de recherche sur le campus informatique de la Sarre, il est désormais le premier à développer une méthode capable de générer automatiquement des déclarations négatives pour des bases de connaissances dans divers domaines d’application.

Applications dans les systèmes de recommandation de magasins en ligne ou de sites Web de voyage

En utilisant Steven Hawking comme exemple, la nouvelle approche fonctionne comme suit: Premièrement, plusieurs cas de référence sont identifiés qui partagent une propriété proéminente avec l’objet de recherche. Dans l’exemple: physiciens. Les chercheurs appellent ces cas de comparaison des «pairs». Maintenant, sur la base des «pairs», une sélection d’hypothèses positives sur l’entité initiale est générée. Puisque les physiciens Albert Einstein et Richard Feynman ont remporté le prix Nobel, l’hypothèse que Steven Hawking a remporté le prix Nobel pourrait être faite. Ensuite, les nouvelles hypothèses sont mises en correspondance avec les informations existantes dans la base de connaissances sur l’entité initiale. Si une déclaration s’applique à un «pair» mais pas à l’objet de recherche, les chercheurs concluent qu’il s’agit d’une déclaration négative pour l’objet de recherche, c’est-à-dire que Steven Hawking n’a jamais remporté le prix Nobel. Pour évaluer la signification des déclarations négatives générées, elles sont triées à l’aide de divers paramètres, par exemple, la fréquence à laquelle elles se sont produites dans le groupe de pairs.

Les chercheurs considèrent les systèmes de recommandation, comme ceux utilisés dans les magasins en ligne ou sur les sites Web de voyages, comme un champ d’application possible: « Si vous réservez un hôtel en ligne ou achetez un téléphone portable, notre approche pourrait comparer des produits connexes et montrer les différences. Par exemple , qu’il n’y a pas d’ascenseur dans l’hôtel A, ou que le téléphone portable B n’a pas de prise casque », explique Simon Razniewski. « C’est une approche beaucoup plus pratique et informative que de devoir déduire vous-même ces informations d’une longue liste de déclarations positives », ajoute-t-il. À l’avenir, son groupe de recherche souhaiterait affiner l’approche pour générer des déclarations négatives plus nuancées et identifier les déclarations négatives implicites.