Question Answering (QA) est un domaine de l’informatique qui se préoccupe de la construction d’un système qui peut répondre automatiquement à une question posée par un utilisateur en langage naturel. Les systèmes Question Answering utilisent principalement trois sources pour trouver une réponse: du texte libre (documents de bureau, pages web et livres), des services Web (services météorologiques, prix des actions, horaire, etc.) et bases de connaissances. Une base de connaissances est une collection structurée d’informations qui peuvent être consultées et interprétées facilement par des machines. Le sujet principal de cette thèse est d’étudier les systèmes de QA sur de telles bases de connaissances. Les systèmes de QA sur les bases de connaissances sont importants car ces bases contiennent de très grandes quantités d’informations et en même temps ces informations sont a priori très difficiles d’accès pour les utilisateurs. Les systèmes QA sur bases de connaissances sont utilisés dans différentes applications industrielles telles que Google Search, Siri, Alexa et Bing. Ces applications ont en commun d’interroger des bases de connaissances propriétaires.
Cette thèse apporte plusieurs contributions dans le domaine des systèmes QA sur bases de connaissances.
D’abord, nous présentons une étude complète des systèmes QA existants. Nous présentons une analyse détaillée et une comparaison de tous les systèmes QA qui ont été évalués sur un benchmark populaire appelé QALD, et nous ciblons les systèmes de QA évalués par rapport à deux autres benchmarks très populaires, à savoir WebQuestions et SimpleQuestions. L’analyse contient également une liste des défis importants dans ce do- maine. Dans un deuxième temps, nous présentons un nouvel algorithme pour construire des systèmes de QA sur des bases de connaissances. Cet algorithme se caractérise par le fait qu’il peut être facilement adapté à de nouvelles langues, qu’il peut être facilement adapté aux nouvelles bases de connaissances, qu’il prend en charge les questions sous forme de mots clés et les questions en langage naturel, et qu’il est robuste aux questions mal formées. Nous prouvons ces revendications en appliquant ce nouvel algorithme à 5 langues différentes (à savoir anglais, allemand, français, espagnol et italien), à 6 bases de connaissances différentes (à savoir Wikidata, DBpedia, Freebase, Scigraph, Dblp et MusicBrainz) et en comparant les performances sur les benchmarks populaires QALD et SimpleQuestions. Dans une troisième partie, nous montrons comment la réponse d’un système QA peut être présentée à un utilisateur. Les bases de connaissances contiennent beaucoup d’informations contextuelles qui peuvent être présentées avec la réponse elle-même. Ces informations sont par exemple des descriptions textuelles, des liens externes, des images et des vidéos. Nous montrons comment ces informations peuvent être présentées à l’utilisateur pour enrichir la réponse. En outre, nous proposons un mécanisme permettant à l’utilisateur d’interagir lorsque la question est ambiguë, un algo- rithme pour présenter à l’utilisateur l’interprétation que le système QA a de la question reçue et un algorithme pour générer des résumés. La dernière partie décrit une architecture pour les systèmes QA qui permet de construire des systèmes QA de manière modulaire et collaborative. Cette approche permet de créer des systèmes QA distribués sur le Web et constitue une proposition pour standardiser le processus d’un système QA. 
Toutes les contributions de cette thèse sont intégrées dans une démonstration en ligne disponible sous www.wdaqua.eu/qa.