PFKG-LLM: Exploração Guiada de Dados Fiscais em Larga Escala com Grafos de Conhecimento e LLMs

• Roberval G. Mariano Universidade Federal do Ceará (UFC)
• Vania P. Vidal Universidade Federal do Ceará (UFC)

DOI: https://doi.org/10.5753/sbbd_estendido.2026.249384

Resumo

A análise de dados fiscais em Big Data exige identificar entidades prioritárias em grandes volumes de dados heterogêneos. Abordagens tradicionais tornam-se insuficientes nesse cenário. Este trabalho apresenta o PFKG-LLM, uma plataforma baseada em Grafos de Conhecimento e agentes LLM para exploração guiada por dados. A solução modela os dados como um grafo em larga escala e utiliza métricas para selecionar iterativamente entidades relevantes. A partir dessas análises, novos candidatos são identificados dinamicamente, promovendo um processo adaptativo. A plataforma integra Graph RAG, visualizações interativas e consultas em linguagem natural convertidas em SPARQL. Os resultados indicam uma abordagem direcionada, escalável e orientada ao conhecimento.

Palavras-chave: LLM Agents, Knowledge Graph, SPARQL, knowledge-driven approach

Referências

AKOGLU, Leman; TONG, Hanghang; KOUTRA, Danai. Graph-based anomaly detection and description: a survey. Data Mining and Knowledge Discovery, v. 29, n. 3, p. 626–688, 2014. DOI: 10.1007/s10618-014-0365-y.

GAO, Yunfan et al. Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv, 2023.

HOGAN, Aidan et al. Knowledge graphs. ACM Computing Surveys, v. 54, n. 4, p. 1–37, 2021.

LEWIS, Patrick et al. Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. NeurIPS, 2020.

PAN, Shirui et al. Large language models and knowledge graphs: opportunities and challenges. IEEE Transactions on Knowledge and Data Engineering, 2023.

PENG, Boci et al. Graph Retrieval-Augmented Generation: A Survey. arXiv:2408.08921v1 [cs.AI] 15 Aug 2024

POURHABIB, Amir et al. Fraud detection: A systematic literature review of graph-based anomaly detection approaches. Decision Support Systems, 2020.

VIDAL, Vânia Maria Ponte et al. A Conceptual Framework for Building and Exploring Semantic Views of Enterprise Knowledge Graphs. Journal of Information and Data Management (JIDM), 2026.

WEBER, Mark et al. Anti-money laundering in bitcoin: Experimenting with graph convolutional networks for financial forensics. KDD, 2019.