知識圖譜與圖神經網絡的融合：綜合綜述
本文提出了一種新的雙層分類框架，系統回顧了基於圖神經網絡（GNN）的知識圖譜技術，覆蓋了知識圖譜構建、嵌入、推理和應用，分析了不同GNN模型的優缺點，並指出了未來研究方向。
圖神經網絡（GNN）因其在處理圖結構數據方面的天然優勢，已成為知識圖譜（KG）領域的重要技術。然而，目前尚缺乏對基於GNN的方法在整個知識圖譜技術流水線中的系統性回顧。為彌補這一空白，由Chengcheng Sun等八位作者共同撰寫的綜述論文《Knowledge Graphs Meet Graph Neural Networks: A Comprehensive Survey》提出了一種新穎的雙層分類框架。該框架的第一層基於知識圖譜技術流水線，涵蓋四個關鍵階段：知識圖譜構建（包括實體識別、關係抽取、實體對齊等）、知識圖譜嵌入（如TransE、RotatE等傳統方法以及基於GNN的嵌入方法）、知識推理（如鏈接預測、關係推理）、知識圖譜應用（如問答系統、推薦系統）。第二層從GNN模型角度出發，將技術按圖卷積網絡（GCN）、圖注意力網絡（GAT）、異構圖神經網絡（HGNN）等模型重新分類。文章深入分析了不同任務在知識圖譜生命週期中的特點，例如構建階段需要處理噪聲數據和不完整性，推理階段需要捕獲複雜語義關係，並據此闡述了GNN技術在這些任務中的優勢。隨後，按照所提出的分類框架，詳細綜述了多種基於GNN的模型，包括GCN、GAT、RGCN、CompGCN、HGT等，總結了各自的優勢和侷限性，例如GCN在歸納推理上的不足，GAT在注意力機制上的提升。最後，討論了當前未解決的挑戰，如可擴展性、動態知識圖譜處理、多模態融合、可解釋性等，並展望了有前景的未來研究方向，包括與大型語言模型的結合、持續學習等。該論文已被ACM Computing Surveys接收，於2026年5月12日提交至arXiv，編號為2607.09666。論文的完整列表已在GitHub上公開。該綜述為知識圖譜與GNN交叉領域的研究者提供了全面而系統的參考，有助於推動該領域的進一步發展。