Pour relever les défis des graphes de connaissances incomplets, cet article propose une nouvelle approche de questions-réponses qui prédit les réponses présentes dans le graphe de connaissances complet, même si elles n'y sont pas explicitement présentes. Nous introduisons et étudions formellement deux problèmes de questions-réponses : la classification et la récupération de questions-réponses. Pour y parvenir, nous proposons le modèle AnyCQ, capable de classer les réponses à des requêtes combinées arbitraires sur des graphes de connaissances arbitraires. AnyCQ est un réseau neuronal graphique entraîné par des objectifs d'apprentissage par renforcement, fournissant des réponses à des requêtes booléennes. Entraîné sur des instances simples et de petite taille, AnyCQ se généralise à des requêtes volumineuses de structure arbitraire, classifiant et récupérant de manière fiable les réponses aux requêtes auxquelles les approches existantes échouent. Nous validons expérimentalement cette approche à l'aide d'un nouveau benchmark complexe et démontrons qu'AnyCQ peut être transféré efficacement à des graphes de connaissances entièrement nouveaux grâce à un modèle de prédiction de liens approprié, soulignant ainsi son potentiel pour interroger des données incomplètes.
