Este artículo técnico analiza el uso de GraphRAG (Generación Aumentada por Recuperación utilizando bases de datos orientadas a grafos como Neo4j y lenguaje Cypher) para reducir alucinaciones en modelos de lenguaje en retail. Describe el proceso de recuperación de subgrafos y presenta resultados como el de eBay en optimización de catálogo (F1-score de extracción sube de 12.6% a 39.5%; +8-10% en GMV) y LinkedIn en soporte al cliente (reducción del 28.6% en tiempos de resolución).

La Generación Aumentada por Recuperación (RAG, Retrieval-Augmented Generation) es una técnica que mejora las respuestas de los modelos de lenguaje incorporando información relevante recuperada de fuentes externas . En el contexto de retail físico y comercio electrónico, donde existe una enorme cantidad de datos de productos, transacciones y soporte al cliente, RAG ofrece una forma de mantener las respuestas de los modelos actualizadas y basadas en datos actuales de la empresa. Los modelos de lenguaje de gran tamaño (LLMs) por sí solos tienden a alucinar (inventar datos) y carecen de conocimiento actualizado del dominio. Integrar LLMs con grafos de conocimiento mejora tanto el rendimiento como la interpretabilidad de los sistemas de IA, permitiendo un mejor análisis de datos en tiempo real y decisiones más eficientes, aunque introduciendo desafíos de escalabilidad y costo computacional.

Neo4j es una base de datos de grafos ampliamente utilizada para modelar conocimientos complejos con entidades y relaciones. Su lenguaje de consultas (Cypher) y su capacidad de almacenar propiedades la hacen ideal para construir grafos de productos, clientes y tiendas en el sector retail. Al emplear Neo4j dentro de un flujo RAG, se puede almacenar información de productos, inventarios, relaciones entre artículos, preferencias de usuarios, etc. de forma explícita, y luego recuperar subgrafos relevantes para enriquecer las entradas de un LLM. De esta manera, el modelo genera respuestas apoyadas en datos verificables del grafo en lugar de depender únicamente de su memoria entrenada.

RAG potenciado por Grafos (Graph-RAG)

Integrar una base de datos de grafos en RAG conlleva aprovechar no solo documentos textuales, sino también las relaciones estructurales entre datos. Neo4j y otras tecnologías de grafos han impulsado el concepto de GraphRAG, donde la recuperación no se limita a similitud de texto, sino que navega el grafo para obtener contexto adicional. Por ejemplo, Neo4j demostró que incorporar el contexto relacional de un grafo puede producir respuestas más precisas que un RAG tradicional basado solo en texto plano. En Graph-RAG, típicamente se sigue este proceso:

• Indexación: Las piezas de conocimiento (nodos del grafo, como productos, categorías, tickets de soporte, etc.) se vectorizan o se etiquetan para permitir búsquedas eficientes. Neo4j puede colaborar con índices vectoriales para combinar búsqueda semántica y estructural.
• Recuperación de nodos relevantes: Dada una consulta del usuario, se busca en el grafo las entidades más semánticamente relevantes. Esto puede hacerse mediante la representacion venctorial (embedding) de la consulta y comparación con embeddings de nodos, o mediante coincidencia de entidades mediante su vinculacion (entity linking) Por ejemplo, identificar qué productos o términos del catálogo aparecen en la pregunta.
• Expansión a un subgrafo contextual: Una vez identificados uno o varios nodos centrales, se navegan sus relaciones en Neo4j para extraer un subgrafo que sirva de contexto. Esto incluye vecinos directos (atributos, categorías, productos relacionados) y también conexiones más profundas si agregan valor.
• Construcción del prompt enriquecido: El subgrafo recuperado se convierte en texto (por ejemplo, en forma de hechos, atributos o un resumen estructurado) que el LLM pueda leer. Alternativamente, se puede emplear el grafo directamente con técnicas especializadas, pero lo más común es inyectar texto descriptivo de los nodos y relaciones al prompt del modelo.
• Generación de la respuesta: Finalmente, el LLM genera la respuesta apoyándose en la información proporcionada. Debido a que esta información proviene de una base de conocimiento estructurada, la respuesta tiende a ser más exacta, real, completa y explicable en comparación con no usar el grafo.

Esta sinergia entre LLM y grafo aprovecha lo mejor de ambos mundos: la comprensión lingüística del LLM y la precisión real y estructural del grafo. Los grafos permiten acceso rápido a conocimientos reales actualizados del dominio, evitando alucinaciones y respuestas genéricas del modelo. Además, al mantener explícitamente las relaciones (por ejemplo, que un cierto producto es compatible con cierto accesorio, o que una queja de cliente duplica a otra anterior), el sistema puede explicar mejor sus recomendaciones o respuestas, algo vital en retail para generar confianza del usuario.

Aplicaciones en Retail y E-commerce

A continuación se presentan casos de uso recientes donde la combinación de RAG con grafos (particularmente Neo4j o tecnologías afines) ha demostrado su valor en escenarios de retail físico y comercio electrónico:

Optimización de listados de productos (atributos y títulos): En plataformas e-commerce, los vendedores deben proporcionar especificaciones de producto (atributo-valor) y títulos descriptivos. Investigadores de eBay propusieron un RAG potenciado por grafo de inventario para asistir en esta tarea. Construyeron un grafo rico en relaciones de productos (categorías, atributos comunes, marcas, etc.) a partir del catálogo. Su sistema primero realiza entity linking para identificar entidades del grafo mencionadas en el título preliminar de un producto (por ejemplo, reconocer la entidad iPhone 14). Luego, recupera del grafo los nodos vecinos relevantes: p. ej., el vecindario de iPhone 14 podría incluir atributos como marca: Apple, categoría: smartphone, e incluso productos similares para inferir especificaciones faltantes . Esa información se inyecta al modelo de lenguaje para generar automáticamente una lista de aspectos y valores que el vendedor podría haber omitido, o para sugerir un título de producto más completo. Al evaluar este enfoque en tres tareas (extracción/inferencia de aspecto-valor, generación de títulos, y reformulación de consultas de búsqueda), encontraron mejoras notables . Por ejemplo, en la extracción de aspectos desde el título, un LLM genérico en cero-shot apenas lograba F-score de ~12.6%, mientras que con el contexto del grafo subió a ~39.5% – más del triple de acierto. Incluso tras afinar el modelo con instrucciones, el esquema con grafo mantuvo ventaja (F1 ~67.5% vs 65.5%). Esto demuestra que el grafo de catálogo aportó conocimiento de dominio que llevó a descripciones más precisas y relevantes. En la práctica, tal sistema puede reducir la fricción para vendedores e incrementar la conversión.

Atención al cliente y soporte técnico: LinkedIn desarrolló un método de preguntas y respuestas para soporte que integra RAG con un grafo de conocimiento construido a partir de incidencias de servicio al cliente . Involucraron la estructura intra-documento e inter-documento que las técnicas tradicionales de recuperación por chunks ignoraban. ¿El resultado? Una mejora sustancial en la eficacia: el método superó al baseline en un +77.6% MRR (Mean Reciprocal Rank) en la búsqueda de incidencias relevantes, y elevó la puntuación BLEU de las respuestas en 0.32 puntos . En términos prácticos, lograron reducir el tiempo mediano de resolución por caso en 28.6%.

Recomendaciones de productos personalizadas: Los sistemas de recomendación en retail también se benefician de combinar LLMs con grafos. Al incorporar un grafo de conocimiento en un framework de recomendación como K-RagRec (2024), el modelo de lenguaje interactúa con datos transaccionales reales. En experimentos reales de A/B testing con la plataforma de eBay, la inyección de grafos en su recomendador LLM-PKG incrementó el Click-Through Rate en un +5-6%, la tasa de conversión en un +7%, y los ingresos de valor bruto de mercancía (GMV) en un +8-10%.

Este artículo forma parte del análisis de IA y modelos de lenguaje en retail de este blog. Consulta también: Evolución del ML y LLM en Retail — visión general de la adopción de IA en el sector — y Modelos de Lenguaje Extenso (LLM) en el sector retail.