Découverte de règles causales dans les graphes de connaissances à l'aide de plongements dans les graphes

National audience ; Discovering causal relationships between different observationsis the goal of many experiments in science. Whenobservational data are available, the potential outcome frameworkis a well-used framework for discovering such relationships.In this paper, we place ourselves in this frameworkto discover causal rules in Knowledge Graphs (KGs)that express that differences in treatments lead to differencesin a studied characteristic. However, quantifying thesimilarity between individuals represented in a knowledgegraph is challenging, especially because their descriptionscan be incomplete and erroneous. We propose a new approachbased on knowledge graph embeddings to discovercausal rules in KGs. The experiments that we conductedon two KGs, including a scientific knowledge graph, showedthat our approach is able to discover rules that explainmuch more differences in the studied characteristicthan existing state of the art approaches. ; La découverte de relations causales est l'objectif de nombreuses expériences. Lorsque des données observationnelles sont disponibles, l'utilisation du cadre d'étude des résultats potentiels est un des standards pour découvrir de telles relations. Dans cet article, nous nous plaçons dans ce cadre afin de découvrir des règles causales au sein de graphes de connaissances (KGs). Ces règles expriment que des différences de traitements conduisent à des différences de valeur pour une caractéristique étudiée. Cependant, ce cadre repose sur la similarité entre instances, et sa quantification dans un KG n'est pas triviale, notamment parce que leurs descriptions peuvent être incomplètes et erronées. Nous proposons une nouvelle méthode de découverte de règles causales qui exploite un appariement basé sur les plongements de graphes de connaissances. Les expérimentations menées sur deux KG de domaines différents ont montré la capacité de notre approche à découvrir des règles qui expliquent plus de différences dans la caractéristique étudiée que les approches existantes, et qui est plus ...