知识图谱与图神经网络的融合：综合综述
本文提出了一种新的双层分类框架，系统回顾了基于图神经网络（GNN）的知识图谱技术，覆盖了知识图谱构建、嵌入、推理和应用，分析了不同GNN模型的优缺点，并指出了未来研究方向。
图神经网络（GNN）因其在处理图结构数据方面的天然优势，已成为知识图谱（KG）领域的重要技术。然而，目前尚缺乏对基于GNN的方法在整个知识图谱技术流水线中的系统性回顾。为弥补这一空白，由Chengcheng Sun等八位作者共同撰写的综述论文《Knowledge Graphs Meet Graph Neural Networks: A Comprehensive Survey》提出了一种新颖的双层分类框架。该框架的第一层基于知识图谱技术流水线，涵盖四个关键阶段：知识图谱构建（包括实体识别、关系抽取、实体对齐等）、知识图谱嵌入（如TransE、RotatE等传统方法以及基于GNN的嵌入方法）、知识推理（如链接预测、关系推理）、知识图谱应用（如问答系统、推荐系统）。第二层从GNN模型角度出发，将技术按图卷积网络（GCN）、图注意力网络（GAT）、异构图神经网络（HGNN）等模型重新分类。文章深入分析了不同任务在知识图谱生命周期中的特点，例如构建阶段需要处理噪声数据和不完整性，推理阶段需要捕获复杂语义关系，并据此阐述了GNN技术在这些任务中的优势。随后，按照所提出的分类框架，详细综述了多种基于GNN的模型，包括GCN、GAT、RGCN、CompGCN、HGT等，总结了各自的优势和局限性，例如GCN在归纳推理上的不足，GAT在注意力机制上的提升。最后，讨论了当前未解决的挑战，如可扩展性、动态知识图谱处理、多模态融合、可解释性等，并展望了有前景的未来研究方向，包括与大型语言模型的结合、持续学习等。该论文已被ACM Computing Surveys接收，于2026年5月12日提交至arXiv，编号为2607.09666。论文的完整列表已在GitHub上公开。该综述为知识图谱与GNN交叉领域的研究者提供了全面而系统的参考，有助于推动该领域的进一步发展。