知識グラフとグラフニューラルネットワークの融合：包括的サーベイ

グラフニューラルネットワーク（GNN）は、グラフ構造データをモデル化する固有の能力により、知識グラフ（KG）分野において強力なパラダイムとして登場しました。しかし、知識グラフ技術のパイプライン全体にわたるGNNベースの手法に関する体系的なレビューは不足しています。このギャップを埋めるために、Chengcheng Sunら8名の著者によるサーベイ論文「Knowledge Graphs Meet Graph Neural Networks: A Comprehensive Survey」は、新たな2レベルの分類フレームワークを提案しています。第1のレベルはKG技術パイプラインに基づき、知識グラフ構築（エンティティ認識、関係抽出、エンティティアライメントなど）、知識グラフ埋め込み（TransE、RotatEなどの従来手法やGNNベースの埋め込み）、知識推論（リンク予測、関係推論）、知識グラフ応用（質問応答、推薦システム）をカバーします。第2のレベルはGNNモデルの観点から、グラフ畳み込みネットワーク（GCN）、グラフ注意ネットワーク（GAT）、異種グラフニューラルネットワーク（HGNN）などに技術を再分類します。論文では、知識グラフライフサイクルにおける異なるタスクの特性を分析し、例えば構築段階ではノイズや不完全性への対処、推論段階では複雑な意味関係の捕捉が必要であることから、GNN技術の利点を説明します。さらに、提案された分類に従って、GCN、GAT、RGCN、CompGCN、HGTなど様々なGNNベースのモデルを詳細にレビューし、強みと限界をまとめています。例えば、GCNの帰納的推論における弱点や、GATの注意機構による改善点などが挙げられます。最後に、スケーラビリティ、動的知識グラフ処理、マルチモーダル融合、解釈可能性などの未解決の課題について議論し、大規模言語モデルとの統合や継続学習などの有望な将来研究方向を概説しています。本論文はACM Computing Surveysに掲載予定であり、2026年5月12日にarXiv（ID: 2607.09666）に提出されました。論文リストはGitHubで公開されています。このサーベイは、知識グラフとGNNの交差領域の研究者にとって包括的なリファレンスを提供し、分野のさらなる発展に貢献します。