Exploración de los mapas semánticos como medio para resumir y visualizar grafos de conocimiento

Los grafos de conocimiento (KGs por sus siglas en inglés Knowledge Graphs) han surgido como una herramienta poderosa para representar información estructurada semánticamente y asistir el desarrollo de sistemas inteligentes. Este trabajo se centra en la generación de mapas semánticos como método de resumen para los KGs. En este trabajo, proponemos una estrategia que utiliza un algoritmo de agrupación basado en centroides para agrupar términos en el grafo de conocimiento con cierta cercanía semántica. Como forma de experimentación se emplean dos algoritmos de agrupación basados en centroides: Propagación de Afinidad y Particionamiento Alrededor de Medoides (PAM por sus siglas en inglés Partitioning Around Medoids), para capturar la distancia semántica entre los nodos en el KG y generar grupos significativos. Nuestros experimentos muestran resultados divergentes entre los dos algoritmos de agrupación, con la Propagación de Afinidad se observa cierta coherencia cualitativa y significatividad, mientras que PAM se desempeña bien en términos de métricas cuantitativas de validación interna. Aprovechamos los centroides calculados para in- ferir un término principal del mapa semántico, lo que contribuye a la representación visualmente informativa del grafo de conocimiento. La combinación del proceso de capturar la distancia semántica entre los términos del grafo de conocimiento, el uso de algoritmos de agrupación de la inferencia basada en centroides facilita una comprensión integral del grafo de conocimiento. Nuestros hallazgos destacan la importancia de considerar tanto medidas de evaluación cualitativas como cuantitativas al evaluar los resultados de la agrupación. La efectividad de los mapas semánticos se muestra en la visualización de los KGs y en el avance del campo de la visualización de grafos de conocimiento. La integración de algoritmos de agrupación basados en centroides, evaluación cualitativa y métodos de inferencia ofrece una mayor claridad e interpretabilidad para el análisis de un grafo de conocimiento a partir de un grupo de tareas de exploración claramente definidas.