Resumen:La rápida expansión de las plataformas de comercio electrónico genera grandes cantidades de datos de productos no estructurados, lo que crea importantes desafíos para la recuperación de información, los sistemas de recomendación y el análisis de datos. Los gráficos de conocimiento (KG) ofrecen un formato estructurado e interpretable para organizar dichos datos; sin embargo, la construcción de KG específicos de un producto sigue siendo un proceso complejo y manual. Este artículo presenta un marco totalmente automatizado impulsado por agentes de IA para construir gráficos de conocimiento de productos directamente a partir de descripciones de productos no estructuradas. Aprovechando los modelos de lenguaje grande (LLM), nuestro método opera en tres etapas utilizando agentes dedicados: creación y expansión de ontologías, refinamiento de ontologías y población de gráficos de conocimiento. Este enfoque basado en agentes garantiza coherencia semántica, escalabilidad y resultados de alta calidad sin depender de esquemas predefinidos o reglas de extracción artesanales. Evaluamos el sistema en un conjunto de datos del mundo real de descripciones de productos de aire acondicionado, lo que demuestra un sólido rendimiento tanto en la generación de ontologías como en la población de KG. El marco logra una cobertura inmobiliaria superior al 97% y una redundancia mínima, lo que valida su eficacia y aplicabilidad práctica. Nuestro trabajo destaca el potencial de los LLM para automatizar la extracción de conocimiento estructurado en el comercio minorista, proporcionando un camino escalable hacia la integración y utilización inteligente de datos de productos.
Publicado originalmente en export.arxiv.org el 17 de noviembre de 2025.
Ver fuente original
