Resumen:La preservación del patrimonio cultural inmaterial es un desafío crítico a medida que la memoria colectiva se desvanece con el tiempo. Si bien los modelos de lenguaje grande (LLM) ofrecen una vía prometedora para generar narrativas atractivas, su propensión a inexactitudes fácticas o “alucinaciones” los hace poco confiables para aplicaciones patrimoniales donde la veracidad es un requisito central. Para abordar esto, proponemos una nueva arquitectura neurosimbólica basada en Knowledge Graphs (KG) que establece un flujo de trabajo transparente de “planificar-recuperar-generar” para la generación de historias. Una novedad clave de nuestro enfoque es la reutilización de las preguntas de competencia (CQ), tradicionalmente artefactos de validación en tiempo de diseño, en planes narrativos ejecutables en tiempo de ejecución. Este enfoque cierra la brecha entre los usuarios de alto nivel y la recuperación de conocimiento atómico, asegurando que la generación esté cerrada a la evidencia y sea totalmente auditable. Validamos esta arquitectura utilizando un nuevo recurso: Live Aid KG, un conjunto de datos multimodal que alinea datos de conciertos de 1985 con Music Meta Ontology y los vincula a activos multimedia externos. Presentamos una evaluación comparativa sistemática de tres estrategias distintas de recuperación-generación aumentada (RAG) sobre este gráfico: un KG-RAG puramente simbólico, un RAG híbrido enriquecido con texto y un Graph-RAG consciente de la estructura. Nuestros experimentos revelan un equilibrio cuantificable entre la precisión fáctica de la recuperación simbólica, la riqueza contextual de los métodos híbridos y la coherencia narrativa del recorrido basado en gráficos. Nuestros hallazgos ofrecen información útil para diseñar sistemas de narración personalizados y controlables.
Publicado originalmente en export.arxiv.org el 5 de abril de 2026.
Ver fuente original
