Extraction sémantique de relations entre événements à partir de textes avec des graphes de connaissances

Cette recherche traite du défi scientifique que représente l'extraction précise des flux d'événements à partir de données textuelles, essentielle pour la prise de décision, l'analyse historique et la modélisation prédictive. Nous proposons FARO, une ontologie qui structure 25 relations distinctes entre événements et faits, permettant des représentations sémantiques enrichies. Afin de soutenir l'extraction robuste des relations événementielles, nous exploitons des grands modèles de langage (LLMs), des connaissances du bon sense issues du graphe ATOMIC, et des techniques d'intelligence artificielle générative pour créer une nouvelle base de donnée annoté de plus de 500 000 phrases couvrant des relations sémantiques raffinées telles que la causalité directe, la facilitation, la prévention et l'intention. À partir de cette ressource, nous développons et évaluons comparativement un modèle performant, capable d'identifier avec précision ces relations causales fines. L'efficacité pratique de notre approche est validée par deux applications : la génération narrative enrichie grâce à des graphes de connaissances structurés et contextualisés, et la vérification automatique des faits utilisant un raisonnement causal, atteignant un score F1 notable de 61,56 % sur le jeu de données AVeriTeC, établissant ainsi une solide base pour les futures recherches en méthodes intégrant la causalité