Dans cet article, nous proposons FiSKE, une nouvelle méthode d'intégration de bases de connaissances externes telles que les graphes de connaissances, afin de résoudre le problème de pénurie de connaissances des modèles linguistiques à grande échelle (MLH). Alors que les méthodes existantes ciblent la question dans son ensemble et extraient progressivement les connaissances pertinentes du graphe de connaissances, FiSKE décompose la question en indices précis et résout les ambiguïtés entre les indices et le graphe grâce à une stratégie de mappage adaptatif. Elle allie précision et efficacité en exploitant des chemins parfaitement mappés vers les MLH grâce à un mécanisme de terminaison basé sur les indices et en recourant à l'inférence de chaîne de pensée si nécessaire. Les résultats expérimentaux sur plusieurs ensembles de données montrent que FiSKE surpasse les méthodes de pointe existantes en termes de performances de recherche de connaissances et réduit considérablement le nombre d'appels aux MLH.
