Palavras-chave
Grafos de conocimiento (KG)
Red de atención gráfica (GAT)
Como Citar
Resumo
El uso de grafos para modelar relaciones complejas entre entidades se ha consolidado como una herramienta importante en la recuperación de información documental. De esta forma, el objetivo de este trabajo es proponer una metodología basada en redes neuronales de grafos (GNN) para mejorar la recuperación de información documental mediante grafos de conocimiento (KG). Los documentos se transforman en un grafo de conocimiento construido con lemas y frases nominales sobre el cual se inicializan incrustaciones procesadas con una red de atención gráfica (GAT). Ante una consulta, el sistema extrae un subgrafo del grafo de conocimiento global, ajusta las representaciones y genera respuestas concisas y fácticas. La arquitectura se contrasta con la referencia del gran modelo de lenguaje (LLM) Llama 3.1 usando tres métricas principales: número de tókenes de la respuesta, similitud con el documento de origen y tiempo de procesamiento. Los resultados teóricos y experimentales muestran mejoras en la obtención de respuestas precisas y contextualmente pertinentes.
Referências
Ávila-Barrientos, Eder. 2022. “Recuperación de información con linked open data”. Investigación Bibliotecológica: archivonomía, bibliotecología e información 36 (91): 125-46. https://doi.org/10.22201/iibi.24488321xe.2022.91.58567
Chen, Deli, Yankai Lin, Wei Li, Peng Li, Jie Zhou y Xu Sun. 2019. “Measuring and Relieving the Over-smoothing Problem for Graph Neural Networks from the Topological View”. Arxiv. https://arxiv.org/abs/1909.03211
Croft, W. Bruce, Donald Metzler y Trevor Strohman. 2010. Search Engines / Information Retrieval in Practice. Addison-Wesley.
Devlin, Jacob, Ming-Wei Chang, Kenton Lee y Kristina Toutanova. 2019. “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding”. En Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics / Human Language Technologies Volume 1 (Long and Short Papers), editado por Jill Burstein, Christy Doran y Thamar Solorio, 4171-86. Association for Computational Linguistics. https://doi.org/10.18653/v1/N19-1423
Ding, Linyi, Sizhe Zhou, Jinfeng Xiao y Jiawei Han. 2024. “Automated Construction of Theme-Specific Knowledge Graphs”. Arxiv. https://arxiv.org/abs/2404.19146
Gelbukh, Alexander, y Grigori Sidorov. 2006. Procesamiento automático del español con enfoque en recursos léxicos grandes. Centro de Investigación en Computación, Instituto Politécnico Nacional.
Goldberg, Yoav, y Omer Levy. 2014. “Word2vec Explained: Deriving Mikolov et al.’s Negative- Sampling Word-Embedding Method”. Arxiv. https://arxiv.org/abs/1402.3722
Grover, Aditya, y Jure Leskovec. 2016. “Node2vec: Scalable Feature Learning for Networks”. En Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 855-64. Association for Computing Machinery. https://doi.org/10.1145/2939672.2939754
Hambarde, Kailash A., y Hugo Proença. 2023. “Information Retrieval: Recent Advances and Beyond”. IEEE Access 11: 76581-604. https://doi.org/10.1109/ACCESS.2023.3295776
Hamilton, William L. 2020. Graph Representation Learning. Springer. Heptalytics. 2025. “Graph Neural Networks: An Efficient Energy Solution for Structured Data Analysis”. Heptalytics. https://www.heptalytics.ai/graph-neural-networks-an-efficient-energy-solution-for-structured-data-analysis
Huang, Xiao, Qingquan Song, Yuening Li y Xia Hu. 2019. “Graph Recurrent Networks with Attributed Random Walks”. En Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 732-40. Association for Computing Machinery. https://doi.org/10.1145/3292500.3330941
Hwang, Sukjun, Brandon Wang y Albert Gu. 2025. “Dynamic Chunking for End-to- End Hierarchical Sequence Modeling”. Arxiv. https://arxiv.org/abs/2507.07955
Kamphuis, Chris. 2020. “Graph Databases for Information Retrieval”. En Advances in Information Retrieval / 42nd European Conference on IR Research, ECIR 2020, editado por Joemon M. Jose, Emine Yilmaz, João Magalhães, Pablo Castells, Nicola Ferro, Mário J. Silva y Flávio Martins, 608-12. Springer. https://doi.org/10.1007/978-3-030-45442-5_79
Keramatfar, Abdalsamad, Mohadeseh Rafiee y Hossein Amirkhani. 2022. “Graph Neural Networks: A Bibliometrics Overview”. Machine Learning with Applications 10, e100401. https://doi.org/10.1016/j.mlwa.2022.100401
Kipf, Thomas N., y Max Welling. 2017. “Semi-supervised Classification with Graph Convolutional Networks”. Arxiv. https://arxiv.org/abs/1609.02907
Kostikova, Aida, Zhipin Wang, Deidamea Bajri, Ole Pütz, Benjamin Paaßen y Steffen Eger. 2025. “LLLMs: A Data-Driven Survey of Evolving Research on Limitations of Large Language Models”. Arxiv. https://arxiv.org/abs/2505.19240
Lai, Siwei, Liheng Xu, Kang Liu y Jun Zhao. 2015. “Recurrent Convolutional Neural Networks for Text Classification. Proceedings of the AAAI Conference on Artificial Intelligence 29 (1): 2267-73. https://doi.org/10.1609/aaai.v29i1.9513
Leskovec, Jure. 2023. “Databases as Graphs: Predictive Queries for Declarative Machine Learning”. En Proceedings of the 42nd ACM SIGMOD-SIGACT-SIGAI Symposium on Principles of Database Systems, 1. Association for Computing Machinery. https://doi.org/10.1145/3584372.3589939
Mavromatis, Costas, y George Karypis. 2024. “GNN-RAG: Graph Neural Retrieval for Large Language Model Reasoning”. Arxiv. https://arxiv.org/abs/2405.20139
Metzler, Donald, Yi Tay, Dara Bahri y Marc Najork. 2021. “Rethinking Search: Making Domain Experts out of Dilettantes”. ACM SIGIR Forum 55 (1): 1-27. https://doi.org/10.1145/3476415.3476428
Montani, Ines, Matthew Honnibal, Adriane Boyd, Sofie Van Landeghem y Henning Peters. 2020. Spacy: Industrial-Strength Natural Language Processing in Python [software]. Zenodo. https://doi.org/10.5281/zenodo.1212303
Peng, Ciyuan, Feng Xia, Mehdi Naseriparsa y Francesco Osborne. 2023. “Knowledge Graphs: Opportunities and Challenges”. Artificial Intelligence Review 56 (11): 13071-102. https://doi.org/10.1007/s10462-023-10465-9
Perozzi, Bryan, Rami Al-Rfou y Steven Skiena. 2014. “DeepWalk: Online Learning of Social Representations”. En Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 701-10. Association for Computing Machinery. https://doi.org/10.1145/2623330.2623732
Polo-Bautista, Luis Roberto, Sandra Dinora Orantes-Jiménez, Francisco Carrillo-Brenes y Luis M. Vilches-Blázquez. 2025. “Semi-automatic Construction of Knowledge Graphs on Natural Disasters in Mexico Using Large Language Models”. En Geographical Information Systems / 5th Latin American Conference, GIS-LATAM 2024, editado por Miguel Félix Mata-Rivera, Roberto Zagal-Flores, Daniela Elisabeth Ballari y José Antonio León-Borges, 148-67. Springer. https://doi.org/10.1007/978-3-031-80017-7_10
Qiang, Yao, Subhrangshu Nandi, Ninareh Mehrabi, Greg Ver Steeg, Anoop Kumar, Anna Rumshisky y Aram Galstyan. 2024. “Prompt Perturbation Consistency Learning for Robust Language Models”. En Findings of the Association for Computational Linguistic: EACL 2024, editado por Yvette Graham y Matthew Purver, 1357-70. Association for Computational Linguistics. https://aclanthology.org/2024.findings-eacl.91
Ren, Hongyu, Mikhail Galkin, Michael Cochez, Zhaocheng Zhu y Jure Leskovec. 2023. “Neural Graph Reasoning: Complex Logical Query Answering Meets Graph Databases”. Arxiv. https://arxiv.org/abs/2303.14617
Tang, Jian, Meng Qu, Mingzhe Wang, Ming Zhang, Jun Yan y Qiaozhu Mei. 2015. “LINE:Large-Scale Information Network Embedding”. En Proceedings of the 24th International Conference on World Wide Web, 1067-77. International World Wide Web Conferences Steering Committee. https://doi.org/10.1145/2736277.2741093
Tao, Yan, Olga Viberg, Ryan S. Baker y René F. Kizilcec. 2024. “Cultural Bias and Cultural Alignment of Large Language Models”. PNAS Nexus 3 (9), pgae346. https://doi.org/10.1093/pnasnexus/pgae346
Vashishth, Shikhar, Soumya Sanyal, Vikram Nitin y Partha Talukdar. 2020. “Composition- Based Multi-relational Graph Convolutional Networks”. Arxiv. https://arxiv.org/abs/1911.03082
Vaswani, Ashish, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser e Illia Polosukhin. 2023. “Attention Is All You Need”. Arxiv. https://arxiv.org/abs/1706.03762
Veličković, Petar, Guillem Cucurull, Arantxa Casanova, Adriana Romero, Pietro Liò y Yoshua Bengio. 2018. “Graph Attention Networks”. Arxiv. https://arxiv.org/abs/1710.10903
Wang, Guan, Jin Li, Yuhao Sun, Xing Chen, Changling Liu, Yue Wu, Meng Lu, Sen Song y Yasin Abbasi Yadkori. 2025. “Hierarchical Reasoning Model”. Arxiv. https://arxiv.org/abs/2506.21734
Yaxue, Qin. 2020. “Convolutional Neural Networks for Literature Retrieval”. En Proceedings of the 2020 International Conference on Computer Vision, Image and Deep Learning (CVIDL), 393-97. Institute of Electrical and Electronics Engineers. https://doi.org/10.1109/CVIDL51233.2020.00-64
Zhou, Jie, Ganqu Cui, Shengding Hu, Zhengyan Zhang, Cheng Yang, Zhiyuan Liu, Lifeng Wang, Changcheng Li y Maosong Sun. 2020. “Graph Neural Networks: A Review of Methods and Applications”. AI Open 1: 57-81. https://doi.org/10.1016/j.aiopen.2021.01.001
Zhu, Yutao, Huaying Yuan, Shuting Wang, Jiongnan Liu, Wenhan Liu, Chenlong Deng, Haonan Chen, Zheng Liu, Zhicheng Dou y Ji-Rong Wen. 2024. “Large Language Models for Information Retrieval: A Survey”. Arxiv. https://arxiv.org/abs/2308.07107
Os autores
- Devem enviar, para a revista Investigación Bibliotecológica: archivonomía, bibliotecología e información, a Carta de autorização para a publicação de artigos.
- cedem o total direito de propriedade intelectual do material submetido à revista; sendo permitido, entretanto, compartir o conhecimento contido na obra nos seguintes âmbitos:
- Apoio à docência;
- Conferências;
- Auto arquivamento em repositórios académicos.
- Difusão em redes acadêmicas.
- Difusão em blogs, site e página pessoal do autor.
Essa difusão será possível sempre e quando se respeitem as condições de uso dos conteúdos da revista, de acordo à licença Creative Commons:Atribución – No comercial – Sin Derivar 4.0 empregada; e que nos três últimos casos a descarga do texto completo se realize através de links do sistema DOI.
Política de auto arquivamento
Em caso de publicação da obra como modo de auto arquivamento, os autores devem cumprir com as seguintes condições:
a) Reconhecer o direito de autor da revista Investigação Biblioteconômica: arquivologia, biblioteconomia e informação.
b) Estabelecer um link com a versão original submetida no site da revista (DOI do artigo, por exemplo).
c) Difundir a versão definitiva publicada pela revista.
Licença dos conteúdos
A revista Investigación Bibliotecológica: archivonomía, bibliotecología e información permite o acesso e uso de seu conteúdo segundo a licença Creative Commons: Atribuição – Não comercial – Sem Derivar 4.0.
O que implica que os conteúdos apenas podem ser lidos e compartilhados se se reconhece e menciona a autoria da obra. Não se permite o uso da obra alterada ou com fins lucrativos.
Demarcação de responsabilidades
A revista não se faz responsável em caso de que o autor tenha incorrido em fraude ou plágio científico, tampouco dos elegidos pelos autores. Igualmente, não se faz responsável pelos serviços oferecidos por terceiros, a partir dos links disponíveis nos artigos dos autores.
Corroborando, a revista disponibiliza as responsabilidades que o autor deve cumprir no processo de publicação na revista Investigación Bibliotecológica: archivonomía, bibliotecología e información, no seguinte link: Responsabilidades do autor.
No caso de migração de conteúdo do site oficial da revista, implicando alteração de IP ou domínio, o diretor ou editor da revista deverá informá-lo aos autores.