Este documento aborda el problema generalizado de la propagación de noticias falsas en las redes sociales. Los modelos tradicionales de detección basados en texto a menudo sufren de degradación del rendimiento con el tiempo debido a su dependencia de características textuales en evolución. Para superar esta limitación, proponemos un novedoso sistema de recomendación que aprovecha el poder de los grafos de conocimiento y las redes de atención de grafos (GATs). Este enfoque captura tanto las relaciones semánticas dentro del contenido de las noticias como la estructura subyacente de la red social, lo que permite una detección de noticias falsas más precisa y robusta. El modelo GAT, al asignar diferentes pesos a los nodos vecinos, captura de manera efectiva la importancia de varios usuarios en la difusión de información. Realizamos una evaluación exhaustiva de nuestro sistema utilizando el conjunto de datos FakeNewsNet, comparando su rendimiento con modelos clásicos de aprendizaje automático y el modelo de lenguaje DistilBERT. Nuestros resultados demuestran que el sistema basado en grafos propuesto logra un rendimiento de vanguardia, con un puntaje F1 del 95%, superando significativamente a otros modelos. Además, mantiene su efectividad con el tiempo, a diferencia de los enfoques basados en texto que son susceptibles al cambio de concepto. Esta investigación subraya el potencial de los grafos de conocimiento y GATs en la lucha contra las noticias falsas y proporciona un marco robusto para construir sistemas de detección más resilientes y precisos.