La complétion de bases de connaissances consiste à inférer les faits manquants à partir des faits existants dans les bases de connaissances. Les systèmes d'extraction d'information libre récents (Reverb, Ollie, Stanford Open IE, etc.) permettent de construire automatiquement de larges bases de connaissances, que nous visons à étendre probabilistiquement à des requêtes arbitraires : une information nouvelle est-elle plausible, ou non ?

Nous proposons un nouveau système de base, s'appuyant sur un modèle de langue, et entrainé avec des programmes librement disponibles. Celui-ci donne des résultats à l'état de l'art sur le protocole d'évaluation automatique défini pour la tâche par (Angeli et Manning 2013). Nous réexaminons ce protocole et mesurons l'impact (important) de la façon de générer les exemples négatifs. Nous évaluons également les systèmes proposés sur un petit ensemble de test annoté manuellement, et analysons les erreurs de notre modèle.