Resumen: En la era actual del big data, extraer conocimientos profundos de datos multidimensionales masivos, heterogéneos y complejamente asociados se ha convertido en un desafío importante. Los modelos de lenguaje grande (LLM) funcionan bien en la comprensión y generación del lenguaje natural, pero aún sufren problemas de “alucinaciones” al procesar conocimiento estructurado y son difíciles de actualizar en tiempo real. Aunque los Knowledge Graphs (KG) pueden almacenar explícitamente conocimiento estructurado, su naturaleza estática limita la interacción dinámica y las capacidades analíticas. Por lo tanto, este artículo propone un método de análisis de datos multidimensional basado en las interacciones entre agentes LLM y KG, construyendo un ecosistema analítico colaborativo y dinámico. Este método utiliza agentes LLM para extraer automáticamente datos de productos a partir de datos no estructurados, construye y visualiza el KG en tiempo real y ayuda a los usuarios en la exploración y el análisis profundo de los nodos del gráfico a través de una plataforma interactiva. Los resultados experimentales muestran que este método tiene ventajas significativas en el análisis del ecosistema de productos, la minería de relaciones y el análisis exploratorio impulsado por el usuario, proporcionando nuevas ideas y herramientas para el análisis de datos multidimensionales.
Publicado originalmente en export.arxiv.org el 19 de octubre de 2025.
Ver fuente original
