ATOM: Construcción Adaptativa y Optimizada de Grafos de Conocimiento Temporales Dinámicos mediante LLMs

ATOM: AdapTive and OptiMized dynamic temporal knowledge graph construction using LLMs

October 26, 2025

Autores: Yassir Lairgi, Ludovic Moncla, Khalid Benabdeslem, Rémy Cazabet, Pierre Cléau

cs.AI

Resumen

En el panorama actual de datos en rápida expansión, la extracción de conocimiento a partir de texto no estructurado es vital para el análisis en tiempo real, la inferencia temporal y los marcos de memoria dinámica. Sin embargo, la construcción tradicional de grafos de conocimiento (GC) estáticos a menudo pasa por alto la naturaleza dinámica y sensible al tiempo de los datos del mundo real, lo que limita la adaptabilidad a los cambios continuos. Además, los enfoques recientes *zero-shot* o *few-shot* que evitan el ajuste específico de dominio o la dependencia de ontologías preconstruidas suelen adolecer de inestabilidad entre múltiples ejecuciones, así como de una cobertura incompleta de los hechos clave. Para abordar estos desafíos, presentamos ATOM (AdapTive and OptiMized), un enfoque *few-shot* y escalable que construye y actualiza continuamente Grafos de Conocimiento Temporales (GCT) a partir de textos no estructurados. ATOM divide los documentos de entrada en hechos mínimos y autocontenidos ("atómicos"), mejorando la exhaustividad y estabilidad de la extracción. Luego, construye GCT atómicos a partir de estos hechos empleando un modelado de tiempo dual que distingue cuándo se observa la información de cuándo es válida. Los GCT atómicos resultantes se fusionan posteriormente en paralelo. Las evaluaciones empíricas demuestran que ATOM logra aproximadamente un 18 % más de exhaustividad, un 17 % mejor estabilidad y una reducción de latencia superior al 90 % en comparación con los métodos de referencia, lo que demuestra un gran potencial de escalabilidad para la construcción dinámica de GCT.

English

In today's rapidly expanding data landscape, knowledge extraction from unstructured text is vital for real-time analytics, temporal inference, and dynamic memory frameworks. However, traditional static knowledge graph (KG) construction often overlooks the dynamic and time-sensitive nature of real-world data, limiting adaptability to continuous changes. Moreover, recent zero- or few-shot approaches that avoid domain-specific fine-tuning or reliance on prebuilt ontologies often suffer from instability across multiple runs, as well as incomplete coverage of key facts. To address these challenges, we introduce ATOM (AdapTive and OptiMized), a few-shot and scalable approach that builds and continuously updates Temporal Knowledge Graphs (TKGs) from unstructured texts. ATOM splits input documents into minimal, self-contained "atomic" facts, improving extraction exhaustivity and stability. Then, it constructs atomic TKGs from these facts while employing a dual-time modeling that distinguishes when information is observed from when it is valid. The resulting atomic TKGs are subsequently merged in parallel. Empirical evaluations demonstrate that ATOM achieves ~18% higher exhaustivity, ~17% better stability, and over 90% latency reduction compared to baseline methods, demonstrating a strong scalability potential for dynamic TKG construction.